如何识别交易机器人回测中的未来数据泄漏？

先建立信息时间线

对每笔交易记录四个时点：原始数据发布时间、策略可以读取的时间、决策时间和订单最早可能成交的时间。K线时间戳通常表示开盘，并不意味着最高价、最低价和收盘价在那一刻已知。交易所数据流、交易日历及市场时段还可能改变实际可得时间。

假设一根标为 10:00 的五分钟K线覆盖 10:00 至接近 10:05。依赖其最终收盘价的规则无法在 10:00 知道结果。如果回测因为该K线后来收在阈值以上，就按 10:00 开盘价买入，决策已经越过信息边界。即便使用 10:05 收盘价成交，也取决于模拟器是否支持该时点；默认在收盘计算的市价单通常要等到下一个可用价格跳动，常见情况是下一根K线开盘。

这个时间例子仅用于说明，并非 TensorParadigm 的真实交易或业绩记录。

哪些迹象值得进一步核查

几乎总能买在转折点、异常平滑的权益曲线，或将信号推迟一根K线后收益骤降，都值得审查。但没有任何一个现象单独证明泄漏。合法的短周期策略也可能对延迟敏感；有泄漏的策略也可能亏损。

• 规则依赖本根K线收盘，交易却记在同一根K线的最高价或最低价。
• 历史回测在较早的五分钟K线上使用了整小时结束后的指标值。
• 某个特征与未来收益或目标标签的关联强得不寻常。
• 只在训练数据上拟合预处理步骤后，测试成绩大幅变化。
• 模拟成交早于对应报价或观察值可用的时间。

审查 Pine Script 的较高周期请求

TradingView 文档说明：在 request.security() 中请求较高周期数据时，如果使用 barmerge.lookahead_on，却没有给请求的表达式加上历史偏移，历史K线可能提前获得该较高周期的最终值。例如把一小时结束时的收盘价交给这一小时内第一根五分钟K线，规则便提前知道了小时终值。

如果策略只需要上一根已经完成的较高周期K线，TradingView 文档提供的避免重绘模式，是让请求表达式在较高周期上回退一根，同时使用 lookahead_on。这种方式针对该用途对齐历史与实时数据可得性。不要未经检验就套用到较低周期请求，或有意使用尚在形成中的数值的规则。

逐一检查 request.security() 的表达式、周期、lookahead 参数，以及决策读取的K线索引。还要确认图表周期的信号是否使用已确认的K线。修复输入时间，并不会自动修复过早成交的模拟器。

在模型训练前审查 Python 特征

居中滚动均值使用当前时刻之前和之后的观察值。特征列中的负向 shift 可能把明天的数值放进今天这一行。这类处理可以用来制作日后评估预测的目标标签，但不能混入今天实际可用的输入特征。

建立一个小表，包含 decision_time、各特征的 source_time 和 available_time、target_window_end、signal_time 与 earliest_fill_time。断言每个特征的 available_time 不晚于 signal_time。下一根K线收益等未来标签，不应通过输入列、合并后的元数据或预处理步骤间接泄露给模型。

事件数据应使用真实发布或采集时间。资金费率、后来修订的宏观数据或新闻，即使带有较早的市场时间戳，也可能当时尚不可得。如果这些变量决定交易，就需要当时能够看到的数据版本。

按时间划分，并在训练段内拟合预处理

随机划分可能让模型在更晚的市场环境中学习，再拿较早的数据做测试。scikit-learn 的 TimeSeriesSplit 保持训练与测试的时间顺序，也提供两者之间的 gap 参数。间隔应根据标签预测期限和重叠的观察窗口来选，并没有适用于所有策略的固定数值。

标准化、缺失值填补、特征筛选与超参数选择，都应在每次划分的训练数据内完成。scikit-learn Pipeline 有助于把转换步骤放入交叉验证流程。即使没有使用标签，在整个样本上拟合的标准化器也会学到未来测试阶段的数据特性。保留一个开发期间未接触的最终评估时段。

看过测试结果后反复修改规则，即使输入特征完全没有未来值，也会产生选择偏差或过度拟合。记录实验次数，并把这种问题与直接的前视泄漏区分开。

核对信号与模拟成交

信号生成和实际成交是两件事。TradingView 的经纪商模拟器通常在某次计算时创建订单，最早在下一个可用价格跳动成交。process_orders_on_close 选项允许尝试在K线收盘跳动成交。K线内部计算设置和订单类型也会改变执行方式，因此要先看具体策略配置，再判断相差一根K线是否有错。

对可疑交易导出或记录当时的指标值、收盘确认状态、下单时间、订单类型，以及报告的成交时间和价格。询问在做出决策之后，是否真的还能获得该价格。点差、手续费和滑点要另外纳入：它们不会修复信息泄漏，却会影响修复后的回测有没有经济价值。

做三项反证检查

第一，把所有信号延后一个完整图表K线，观察结果变化。这是诊断方法，不是自动修复：合法的快速信号也可能因延迟而失效。第二，严格按时间逐根重算指标，并在每个决策时点与一次性计算全历史所得结果比较。第三，独立重建每个训练段，在查看更晚时段之前固定策略，再重新评估。

如果结果不一致，不要只比较总收益；找到第一笔不一致的交易，追查在该时刻不可能存在的字段或成交价。修复之后，纳入执行成本并测试合理的参数变动。结果通过这些检查只是更有力的证据，并非实盘保证。

具体审查一笔可疑交易

假设机器人认为五分钟K线收于上一根高点之上，因此在 10:00 开盘买入。把拟定的成交时间写为 10:00，把最终收盘最早可知的时间写为 10:05，再记下策略真正的决策和下单时间。规则依赖拟定成交之后才出现的信息，所以这笔记录在该规则下无效。

若把代码修正为 10:05 再决定交易，应继续查看执行引擎接下来如何处理订单。下一个价格跳动的市价成交可能接近下一根K线开盘；收盘时尝试成交属于另一种假设，也可能无法反映实际警报传到市场后的价格。不能只推迟信号时间，却沿用原来的买入价格。

还要检查这笔交易的一小时过滤条件。如果它在小时尚未结束时就读到了整小时最终收盘，哪怕五分钟订单时间已修复，输入仍被污染。数据可得性和成交时点都必须过关。

通过检查的回测能说明什么

清除未来信息是可信回测的基本要求，却不能证明策略能承受市场环境变化、服务中断、点差扩大、资金费、流动性不足或风险限制。时间上有效的回测仍可能属于糟糕的策略。

保存数据版本、策略代码、成本、参数选择和各训练段边界，以便复现。发现缺陷时，将原来的可疑结果与修正结果同时披露，并解释改动。透明的修正比漂亮却无法审查的权益曲线更有价值。