什么是回测中的前视偏差（Look-Ahead Bias）？

定义

当回测系统使用了在做出交易决策时不可能知道的数据时，就会产生前视偏差。这相当于读明天的报纸来做今天的交易。任何包含未来信息的回测都会产生不切实际的好结果——而且在实盘交易中完全无法复现。

这种偏差可能在多个层面引入：数据本身（追溯调整的价格）、信号逻辑（用同一根K线的收盘价执行）、标的池选择（根据未来结果挑选股票），或基本面数据（在盈利数字公开发布之前就使用它们）。

示例：同一根K线执行

这是最常见的形式。你的策略用当前K线的收盘价计算指标，然后以同一个收盘价执行交易。问题在于：在实时环境中，K线收盘之前你无法知道收盘价。到那时，你只能在下一根K线的开盘执行，而不是在当前K线的收盘执行。

影响看起来很小——只延迟一根K线——但可能非常巨大。如果一只股票隔夜跳空 2%，而你的策略指望以昨天的收盘价入场，那么你每笔交易的实际收益就比回测显示的差 2%。经过数百笔交易，这个差距会累积成完全不同的策略表现。许多在同一根K线执行时看似盈利的策略，改为下一根K线执行后就变得亏损。

示例：未来的财报数据

假设你的策略在市盈率跌破 10 时买入股票。市盈率需要盈利数据——但这些盈利实际上是什么时候公布的？如果你在 1 月 10 日的交易决策中使用了 3 月 15 日才发布的年度盈利，你就使用了来自未来的数据。

这在基本面因子回测中出奇地常见。大多数数据库把最终公布的盈利数字关联到它所覆盖的财务期间，而不是发布日期。第四季度财报覆盖 10 月至 12 月，但可能要到 2 月才发布。任何在 12 月的交易决策中使用第四季度盈利数据的回测都存在前视偏差。

解决办法是使用时点数据（point-in-time data）——记录每个特定日期当时已知信息的数据库，而不是我们现在回头看所知道的信息。Compustat 的 point-in-time 数据集及类似产品正是为解决这一问题而存在的。

示例：追溯调整的价格

当一家公司进行 2:1 拆股时，数据提供商会追溯性地把所有历史价格减半，使图表看起来连续。当一家公司派发 1 美元股息时，复权收盘价序列会把之前所有价格减去 1 美元。这对计算收益很有用，但它改写了历史。

设想一个在 50 日 SMA 上穿某个特定价格水平时买入的策略。如果发生拆股，所有历史 SMA 都会用新的复权价格重新计算，可能产生当时并不存在的交叉信号。2019 年的交易者看到的是不复权价格；2024 年的回测看到的是拆股复权后的价格。它们是不同的序列，可能产生不同的信号。

最佳实践：复权价格只用于收益计算和组合价值跟踪。信号生成和指标计算使用不复权价格（或经过谨慎时点调整的价格）。

如何发现前视偏差

发现前视偏差需要对回测流程进行系统性审计：

• 执行时机检查：为每笔交易打印信号生成时间戳和执行时间戳。如果它们在同一根K线上，就存在前视偏差。
• 数据可得性审计：对信号生成中使用的每个数据点，确认它在当时已公开可得。这对基本面数据（盈利、营收、业绩指引）尤为重要。
• 敏感性测试：给所有信号执行增加 1 根K线的延迟。如果策略的夏普比率下降超过 30%，很可能是同一根K线执行在夸大结果。
• 模拟交易对比：在实时数据上向前运行策略几周。相对于回测的系统性表现不佳，是流程中某处存在前视偏差的强烈信号。

如何防止前视偏差

预防需要在回测流程的每个阶段保持纪律：

1. 始终在下一根K线执行。如果信号在第 N 根K线收盘时生成，就在第 N+1 根K线开盘时执行。这一条规则就能消除前视偏差最常见的来源。
2. 使用时点数据。对于基本面因子，确保你使用的是每个历史日期当时可得的数据，而不是追溯重述后的数字。
3. 谨慎处理复权。拆股复权和分红复权数据只用于收益计算，不要用于依赖绝对价格水平的信号生成。
4. 冻结你的标的池。不要用未来的知识来选择纳入回测的资产。如果你在 S&P 500 成分股上测试策略，就使用每个历史日期当时的 S&P 500 成分股名单，而不是把今天的名单追溯套用。
5. 加入执行延迟。加入符合实际的订单成交延迟——即使你的券商能在毫秒内成交，也要加入 1 根K线的延迟作为安全余量，以捕捉任何意外的同一根K线逻辑。

时点数据（Point-in-Time Data）

时点（PIT）数据库按每个历史日期当时已知的样子存储数据。与用重述数字覆盖旧值的标准数据库不同，PIT 数据库保留完整的修订历史。如果一家公司在 10 月 28 日最初公布第三季度盈利为 1.20 美元，后来在 12 月 5 日重述为 1.15 美元，PIT 数据库会记录这两个值及各自的时间戳。

对于主要资产上基于价格的策略，数据修订带来的前视偏差问题较小——价格在收盘时就已确定。但对于任何使用基本面数据的策略（价值投资、质量因子、基于盈利的信号），PIT 数据都是必不可少的。使用 PIT 数据与非 PIT 数据的差别，可能就是一个看起来夏普比率为 1.5 的策略与一个实际夏普比率只有 0.7 的策略之间的差别。

亲自试试

QuantPrompt 默认就被设计为防止最常见的前视偏差形式。在第 N 根K线上由指标交叉或价格条件生成的信号，会自动以下一个可用价格执行，而不是以同一根K线的收盘价执行。这样无需任何特殊配置就能消除同一根K线执行偏差。

想亲眼看看影响，可以描述一个策略，并比较同一根K线执行与下一根K线执行的结果。两者的差异会准确地告诉你，前视偏差把典型的回测收益夸大了多少——以及为什么对于任何你打算投入真金白银交易的策略，消除它都没有商量的余地。