

> 本文你将得到什么：
> 1. 一个前视偏差的对照实证：同一组信号，"当日收盘成交" vs "次日开盘成交"各跑一遍
> 2. 一个反直觉发现：未来函数不一定美化收益——但无论方向，它都是必须消灭的口径错误
> 3. 一份 8 条的回测数据陷阱自查清单，发报告前逐条打钩
> 4. 整个系列的收官盘点：从零到可信回测的完整路径

---

## 痛点：回测曲线漂亮，实盘就变脸

前五篇搭好了引擎、算清了成本、管住了仓位、解耦了策略、配齐了指标。但所有这些都有一个前提：**回测本身是可信的**。一个最常见的可信度杀手是"未来函数"——用当天的收盘价算出信号，又按当天收盘价成交。你以为在预测，其实在抄答案。

这篇先做一个对照实证，再给一份可以逐条打钩的自查清单。

---

## 环境准备

```bash
pip install mairui pandas matplotlib
```

---

## 第一步：数据与信号

```python
from mairui import Client
import pandas as pd

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")  # 演示证书，请换成你自己的正式证书
bars = client.stock_history(code="600519", period="d", dividend="f")

df = pd.DataFrame(bars)
df = df.rename(columns={"t": "date"})
df = df.sort_values("date").reset_index(drop=True)
for col in ("o", "h", "l", "c", "v"):
    df[col] = df[col].astype(float)

def ma_signals(df, fast=5, slow=20):
    df = df.copy()
    df["maf"] = df["c"].rolling(fast).mean()
    df["mas"] = df["c"].rolling(slow).mean()
    signals = []
    for i in range(1, len(df)):
        prev, curr = df.iloc[i - 1], df.iloc[i]
        if pd.isna(curr["mas"]):
            continue
        if prev["maf"] <= prev["mas"] and curr["maf"] > curr["mas"]:
            signals.append((i, 1))
        elif prev["maf"] >= prev["mas"] and curr["maf"] < curr["mas"]:
            signals.append((i, -1))
    return signals
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

---

## 第二步：两种执行口径，一个函数跑完

关键在 `exec_mode`：`same_close` 用**当日信号、当日收盘价成交**（未来函数）；`next_open` 用**昨日信号、次日开盘价成交**（实盘可达）。两种模式统一不做期末强平、全程按收盘记净值，只隔离"成交价口径"这一个变量。

```python
def run_backtest(df, signals, exec_mode, cash=100000.0):
    sig_by_idx = {i: side for i, side in signals}
    sig_by_next = {i + 1: side for i, side in signals}
    position, cash_now = 0, cash
    equity, fill_dates = [], []
    n = len(df)
    for i in range(n):
        row = df.iloc[i]
        if exec_mode == "same_close":
            side = sig_by_idx.get(i)      # 当日信号当日成交
            buy_px = sell_px = row["c"]
        else:
            side = sig_by_next.get(i)     # 昨日信号次日开盘成交
            buy_px = sell_px = row["o"]
        if side == -1 and position > 0:
            cash_now += position * sell_px
            position = 0
        elif side == 1 and position == 0 and i < n - 1:
            shares = int(cash_now / buy_px / 100) * 100
            if shares > 0:
                cash_now -= shares * buy_px
                position = shares
                fill_dates.append(row["date"])
        equity.append(cash_now + position * row["c"])
    return equity, fill_dates

signals = ma_signals(df)
for mode, name in [("same_close", "当日收盘执行(未来函数)"),
                   ("next_open", "次日开盘执行(正确)")]:
    eq, fd = run_backtest(df, signals, mode)
    r = eq[-1] / eq[0] - 1
    print(f"{name}: 收益 {r:+.2%}  买入成交日: {fd}")
```

**输出示例**：

```
当日收盘执行(未来函数): 收益 -0.26%  买入成交日: ['2025-11-10']
次日开盘执行(正确): 收益 +0.35%  买入成交日: ['2025-11-11']

收益差（前视偏差美化幅度）: -0.62%
```

---

## 结果怎么读（这个样本很有意思）

1. **未来函数这次反而更差了**（-0.26% vs +0.35%）。为什么？金叉次日**低开**了——"偷看当日收盘再按当日收盘成交"反而买到了更贵的价；
2. 这说明前视偏差的本质是**口径错误**，不是"自动美化器"。偏差的方向取决于行情结构：在"突破追涨"场景（次日高开）它通常大幅美化收益，在低开场景它会丑化；
3. 无论方向，结论都一样：**口径错了，这个数字就不能信**。它没法与任何正确口径的结果比较，也没法复现到实盘；
4. 对照的价值在于方法：怀疑某段回测有前视偏差，就把执行口径改成实盘可达的版本重跑一遍，差异就是被污染的幅度。

---

## 回测数据陷阱自查清单（发布前逐条打钩）

1. **执行时点**：信号是否收盘后产生、次日才成交？（`same_close` = 未来函数）
2. **shift(1)**：所有"创新高/新低/昨收"类判断，用的是不是"截至昨日"的数据？
3. **指标只用历史窗口**：均线、RSI、布林带是否都基于 `rolling`/历史切片，没有引入未来数据？
4. **复权口径**：价格是否统一复权？除权日附近用不复权价会制造假跳空、假金叉；
5. **停牌与涨跌停**：停牌日、一字板能不能成交？不能成交的日子必须跳过而不是照价成交；
6. **幸存者偏差**：股票池是否只包含"活到今天"的股票？退市股被剔除，回测收益会被系统性抬高；
7. **成本与滑点**：佣金、印花税、滑点是否计入（见本系列 #02）？零成本回测普遍高估 1~3 个百分点；
8. **参数过拟合**：最优参数是否只在同一段样本上选出？用 Walk-Forward 把"选参数的窗口"和"验证的窗口"分开（滚动训练+测试），测试段成绩才算数。

---

## 系列收官：从零到可信回测的六步

| 篇 | 主题 | 解决的问题 |
|----|------|-----------|
| #01 | 最小回测引擎 | 50 行代码跑通"信号→次日开盘→净值" |
| #02 | 交易成本建模 | 佣金/印花税/滑点算进引擎 |
| #03 | 仓位管理对比 | 全仓/半仓/金字塔同信号对比 |
| #04 | 事件式 on_bar 接口 | 策略与引擎解耦，一个引擎跑 N 个策略 |
| #05 | 绩效指标全家桶 | 年化/回撤/夏普/卡玛/胜率一键输出 |
| #06 | 前视偏差与自查清单 | 回测可信度 |

把这六块拼起来，你就有了一个自己完全看得懂、改得动、信得过的小型回测系统——它不比现成框架强大，但每一行你都知道在干什么。下一步，可以把它接到实时行情上做模拟盘验证，再考虑接入实盘。

---

## 免责声明

本文所有内容仅用于技术学习与交流，不构成任何投资建议。股市有风险，投资需谨慎。


一个前视偏差的对照实证：同一组信号，"当日收盘成交" vs "次日开盘成交"各跑一遍

【Python量化回测实战 06】回测结果可信吗？前视偏差、未来函数与数据陷阱自查清单

编程语言

算法

回测前视偏差实证：当日收盘执行与次日开盘执行收益差-0.62%，揭示未来函数非自动美化器，方向取决于行情结构。附8条数据陷阱自查清单，涵盖执行时点、复权口径、幸存者偏差等，助你构建可信回测体系。

代码解释

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化回测实战 06】回测结果可信吗？前视偏差、未来函数与数据陷阱自查清单-腾讯云开发者社区-腾讯云

【Python量化回测实战 06】回测结果可信吗？前视偏差、未来函数与数据陷阱自查清单

【Python量化回测实战 06】回测结果可信吗？前视偏差、未来函数与数据陷阱自查清单

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐