🎯 今日核心问题

  1. 你的因子里,有没有哪个数据在「决策时点」其实还拿不到?
  2. 财报的「报告期」和「公告日」差多久,这个差值会让回测虚高多少?

📖 精读提纲

【一】前视偏差的本质:时间戳错位

前视偏差(look-ahead bias)不是「偷看未来」这种道德问题,而是一个纯粹的数据工程问题:你在 t 时点做的决策,用到了 t 时点之后才存在的信息。它最阴险的地方是——代码不报错、结果很漂亮、你完全不知道自己在骗自己。

A股最典型、最普遍、最高频的前视偏差来源就是财报:报告期 ≠ 公告日。以 2024 年年报为例,报告期是 2024-12-31,但绝大多数公司直到 2025 年 3 月至 4 月才披露;一季报报告期 2025-03-31,法定截止时间是 2025-04-30。也就是说,2025 年 1 月 1 日你在数据表里能查到「2024 年净利润」,但市场上根本没人知道这个数字——年报还没发。

如果你在构建因子时直接按报告期 report_date 做 merge,那么在 2025 年 1 月到 4 月这段时间里,你的策略「提前知道」了全市场所有公司的年度业绩。这几个月恰好是业绩预告与年报行情博弈最激烈的窗口,用这份「作弊数据」选股,回测年化能凭空多出 10 个点以上。

【二】三类最常被忽略的时间戳

第一类:财务数据。除了年报、季报,还有业绩快报、业绩预告,它们各自的披露时间不同,但都早于正式报告。更隐蔽的是财务数据的追溯调整:公司 2025 年因为会计政策变更重述了 2024 年的报表,如果你用的是从数据库拉到的「当前版本」2024 年数据做 2024 年的回测,你用的是 2025 年才存在的数字。

第二类:指数成分股与行业分类。今天沪深300 的成分股名单,和在 2015 年 6 月那个时点上的名单,重合度不到七成。用当前名单回测历史,等于提前把后来的赢家装进了组合。行业分类同理,申万分类在 2014 年和 2021 年都做过大改版。

第三类:价格本身。用当日收盘价计算当日信号、再以当日收盘价成交,这是最常见的一日偏差。信号必须用 T 日收盘数据计算,成交必须在 T+1 日(A股 T+1 交割,当日买入不能当日卖出,但更重要的是——你不可能在收盘价的同一瞬间完成「算完信号」和「下完单」两件事)。

【三】实战应用:用公告日重构 Point-in-Time 数据

标准做法只有一条:给每一条财务记录打上「可知时间」(publish_date),任何时点 t 只允许使用 publish_date <= t 的最新记录。这是 Point-in-Time(PIT)数据库的核心思想,Wind、聚源这些商业库卖得贵,一大半价钱就花在这上面。

实现上有两个细节必须注意。第一,公告日经常落在非交易日(周六年报很常见),要顺延到下一个交易日才可用;第二,同一报告期可能有多次公告(修正、重述),要取「在 t 时点已公告的最新一版」,而不是最终版。用 merge_asof 按时间向后对齐,正好能干净地解决这个问题,它比任何 shift 加 groupby 的手工写法都可靠。

【四】常见误区

💻 代码示例

import pandas as pd
import numpy as np

# ── 1. 构造示例财务数据:报告期 vs 公告日 ──────────────
financials = pd.DataFrame({
    "code":        ["600519", "600519", "600519", "000001", "000001"],
    "report_date": pd.to_datetime(["2023-12-31", "2024-03-31", "2024-12-31",
                                   "2023-12-31", "2024-12-31"]),
    "publish_date": pd.to_datetime(["2024-03-29", "2024-04-26", "2025-03-28",
                                    "2024-03-22", "2025-03-25"]),
    "roe":          [0.31, 0.08, 0.34, 0.11, 0.10],
}).sort_values(["code", "publish_date"])

# ── 2. 交易日序列(示意:实际用 akshare 交易日历)──────
trade_days = pd.DataFrame({
    "date": pd.date_range("2024-01-01", "2025-06-30", freq="B")
})
trade_days["code"] = "600519"   # 只演示单票,全市场用 cross join

# ── 3. merge_asof:取每个交易日「已公告」的最新一期 ─────
trade_days = trade_days.sort_values("date")
fin = financials[financials.code == "600519"].sort_values("publish_date")

pit = pd.merge_asof(
    trade_days, fin[["publish_date", "report_date", "roe"]],
    left_on="date", right_on="publish_date",
    direction="backward",        # 只往前找,绝不取未来
)
pit = pit.rename(columns={"report_date": "known_report_date"})

# ── 4. 对比错误的做法:按报告期直接 merge ──────────────
wrong = trade_days.merge(
    fin[["report_date", "roe"]],
    left_on="date", right_on="report_date", how="left"
)
# 错误版在 2024-12-31 就能拿到 2024 年报的 ROE=0.34
print(pit.loc[pit.date == "2024-12-31", ["date", "roe"]])   # 0.08(三季报)
print(wrong.loc[wrong.date == "2024-12-31", ["date", "roe"]])  # 0.34 ← 作弊

# ── 5. 全市场版本:panel 上按 code 分组做 asof ──────────
def build_pit(universe_codes, trade_dates, fin_df):
    out = []
    for c in universe_codes:
        td = pd.DataFrame({"date": trade_dates, "code": c})
        f = fin_df[fin_df.code == c].sort_values("publish_date")
        if f.empty:
            continue
        out.append(pd.merge_asof(td.sort_values("date"), f,
                                 left_on="date", right_on="publish_date",
                                 direction="backward"))
    return pd.concat(out, ignore_index=True)

# 校验:任何一行都不允许 publish_date 晚于交易日期
assert (pit.publish_date.dropna() <= pit.date).all()
print("PIT 校验通过,无未来数据泄露")

✏️ 今日动手

1) 用 akshare 的 stock_yjbb_em(业绩报表)或财报接口,拉 20 只票近 3 年财务数据,确认接口里到底有没有「公告日期」字段;如果没有,把这份数据标记为「不可用于回测」。

2) 在上一周的回测框架里加一条断言:所有因子合并后,assert (df['publish_date'] <= df['trade_date']).all()。跑一遍,看看它有没有爆。

3) 写一个对照实验:同一策略,一次用报告期 merge、一次用公告日 asof,比较两者年化收益差多少。把这个差值记下来——它就是「你原来在骗自己多少」。

🔖 明日预告

明天讲幸存者偏差:你拉到的「当前全部A股」,本身就是一份被筛选过的名单。过去十年退市、被借壳、被 ST 到无法翻身的那几百只票,悄悄从你的宇宙里消失了,而回测虚高的部分正好就是它们的跌幅。