Skip to content

回测中的前视偏差是什么?

前视偏差,是指回测(用历史数据模拟交易)在作出模拟交易决策时,使用了当时尚不存在的信息。例如,一根K线尚未结束,就使用了它的收盘价。这样的测试会得出实盘策略无法实现的结果。在我们的欧元兑美元(EUR/USD)测试中,仅将交易提前一根K线,就让同一规则的未扣成本收益从555点变成了10,782点。点是外汇价格变动的常用计量单位。

Fintrix trading desk •

前视偏差是怎样产生的?

前视偏差是一种回测错误:模拟决策使用了决策当时无法获取的数据。这并非有人刻意为之。未来数据与其他数据放在同一张表里,可能就在下一行或旁边一列,代码便读取了它。

这与过拟合不同。过拟合是反复调整策略,直到它迎合了历史数据中的随机噪声。过拟合策略使用的都是当时可获得的信息,只是从中学到了错误规律;存在前视偏差的策略,则使用了当时不可能获得的信息。过拟合通常在实盘交易后逐步暴露,前视偏差往往立即显现,因为测试依赖的未来数据已不复存在。

一根K线能让结果相差多少?

我们用Fintrix Markets的MT5 EUR/USD小时数据,测试了一条简单规则。数据涵盖2026年1月13日至10月29日,共4,980根K线。

  • 若小时收盘价高于20根K线的简单移动平均线,即这20个收盘价的算术平均值,则持有多头仓位;低于均线,则持有空头仓位。多头对应价格上涨方向,空头对应价格下跌方向。

我们运行了两次测试,唯一的区别是将仓位应用于哪一根K线。

未来数据泄漏版修正版
信号计算依据第N根K线的收盘价第N根K线的收盘价
仓位应用区间第N根K线本身,从开盘至收盘第N+1根K线,从开盘至收盘
合计,未扣成本+10,782点+555点
每根K线平均收益+2.17点+0.11点
持仓方向正确的K线占比59.0%48.4%

数据泄漏版在交易第N根K线之前,就知道了这根K线的收盘情况。收盘价较高的K线,更可能收在均线上方,因此规则会在一根已经上涨的K线上做多。它能很好地描述过去,但没有人能实际执行这样的交易。

修正后的结果能证明交易优势吗?

不能,计算即可说明原因。样本中,EUR/USD小时价格变动的标准差为8.51点。标准差衡量数据围绕均值的离散程度。在4,980根K线上,即使规则毫无交易优势,结果也大约有三分之二的概率落在零上下约600点的区间内(8.51 × √4,980 ≈ 600)。+555点就在这一区间内,单凭随机性也可能产生。

计入成本后,结论更明确。这条规则共切换持仓方向557次,每次都要平掉原仓位并建立反向仓位,每轮完整开平仓都需支付点差,即买价与卖价之差。按每次切换0.5点计算,总收益降至约+277点;按每次1点计算,则约为−2点。修正版才如实反映测试结果:这条规则在这十个月内,计入成本后并未盈利。

前视偏差通常来自哪些环节?

个人交易者的回测和EA(自动交易程序)中,最常见的来源如下:

来源问题所在常见修正方法
当前K线的收盘价用第N根K线的收盘价生成信号,却在第N根K线开盘时建仓在第N+1根K线开盘时执行
同一根K线的最高价和最低价止损位和目标位均在一根K线范围内,测试却假定按更有利的顺序触发使用更短周期或真实逐笔报价测试,或假定按更不利的顺序触发
会重绘的指标ZigZag、分形或枢轴点在数根K线后才得到确认,却绘制在更早的K线上使用该根K线收盘当时的指标值
全样本统计量使用包含未来数据的完整数据集均值或范围进行缩放或归一化采用滚动窗口,仅用过去数据计算
修订后的经济数据使用如今的修订值,而非当时公布的数值使用首次发布时留存的历史版本数据
时区不匹配将一个时区的日线数据与另一个时区的日内数据合并,导致收盘价在实际收盘前就已出现合并前将全部时间统一为UTC

一根K线的高低价如何误导回测?

2026年10月14日,EUR/USD在12:00 UTC(北京时间20:00)开始的小时K线,开盘价为1.11926,最高升至1.11986,最低跌至1.11271。这一小时正值美国消费者价格指数(CPI)发布。

假设在开盘价1.11926建立空头仓位,止损设为1.11980(5.4点),止盈设为1.11826(10点)。止损和止盈分别是在预设亏损价位和盈利价位触发平仓的设置。这根小时K线表明,价格触及了两个价位。仅使用小时K线的测试必须猜测先后顺序;若按有利于该笔交易的顺序处理,就会记下一笔10点盈利。

15分钟K线揭示了实际过程。价格在12:15 UTC(北京时间20:15)开始的K线中升至1.11986,触发止损。下跌发生在12:30 UTC(北京时间20:30)开始的K线中,此时仓位早已平掉,实际结果是亏损5.4点。MQL5参考文档对MT5策略测试器也作出同样提示:如果较快的“1分钟OHLC”(每分钟的开盘、最高、最低和收盘价)或“仅开盘价”模式结果好得异常,应使用“每个即时价格”模式重新测试。要确定一根K线内部的事件顺序,只能使用逐笔报价数据,并在有条件时使用真实逐笔报价。

修订数据为何会引入前视偏差?

如今数据库里的数值,往往不是交易者当天看到的数值。美国劳工统计局在每月结束约三周后,公布非农就业人数的首次估计值,随后两个月内再修订两次。自2003年以来,经季节性调整的首次与第三次估计值之间,平均绝对变动为5.1万个岗位。

2026年5月就是一个明显例子。首次估计新增17.2万个岗位,第二次为12.9万个,第三次为6.3万个,合计下修10.9万个。如果回测在处理6月发布的数据时,从如今的数据库读取6.3万,就等于依据一个当时无人知晓的数字进行交易。保存每次首次发布版本的档案库,正是为此而设,圣路易斯联储的ALFRED就是其中之一。

为何AI和机器学习策略风险更大?

机器学习模型很擅长找出能够预测目标的输入,包括本不该出现的输入。人工检查代码时,可能会发现某个特征使用了明天的收盘价;模型则会直接使用它,让测试结果看起来格外出色。

需要了解的四类陷阱:

  • 随机划分训练集与测试集。常规交叉验证会打乱数据行,因此模型可能用周三的数据训练,再用周二的数据测试。交叉验证是通过多次划分数据来评估模型的方法。scikit-learn文档因此指出,普通交叉验证不适用于按时间排序的数据,并提供了TimeSeriesSplit,始终用较早数据训练、较晚数据测试。其中的gap参数可在两者之间留出缓冲间隔。
  • 预测标签与输入特征重叠。若预测目标是“未来10根K线的价格变动”,而某项输入特征包含这10根K线中的任何一根,模型就已看到了部分答案。
  • 对整个数据集一次性预处理。用完整数据集进行缩放、填补缺失值或筛选特征,会将测试期的统计信息泄漏到训练过程中。
  • 语言模型已经知道后续结果。大语言模型使用截至某一日期的文本训练。如果询问该日期之前的业绩电话会或市场走势,它可能是在回忆后续结果,而非根据当时已知信息推理。Sarkar和Vafa(2024)为此设计了直接测试,并在基于企业业绩电话会作出的预测中发现了相关证据。Didisheim、Fraschini和Somoza(《Economics Letters》,2025)衡量了大语言模型对历史股票收益的记忆程度,发现模型越大、数据频率越低,以及使用指数数据时,偏差越大;小模型使用高频数据时,偏差则可忽略不计。

这些情况有同一个警示信号:结果远好于任何可比测试,却在遇到首批模型未见过的数据时迅速失效。

如何检查EA或回测的前视偏差?

  1. 将每个信号延后一根K线。没有前视偏差的策略,结果应只略有变化。若结果大幅下滑,像我们的测试从10,782点降至555点,就说明原测试使用了未来数据。
  2. 检查EA读取的是哪根K线。MQL5参考文档说明,在MQL4/5中,时间序列按从新到旧的顺序索引。因此,索引0是尚在形成的K线,索引1是最近一根已收盘K线。在仅模拟K线收盘状态的测试中,从索引0读取信号,是常见的问题来源。
  3. 使用合适的测试器模式。MT4/5策略测试器可以模拟每个即时价格,也可以仅模拟K线开盘价。若策略将止损位和目标位设在一根K线范围内,就需要逐笔报价数据,否则只能猜测最高价与最低价出现的先后顺序。
  4. 所有统计计算都仅使用过去数据。均值、范围、标准分数及机器学习缩放器,都应使用截至当前K线的滚动窗口。标准分数表示一个数值偏离均值多少个标准差。
  5. 在模拟账户中进行前向测试。让策略运行数周,将实际产生的交易与回测在相同日期给出的交易作比较。若回测执行了实时运行版本不可能执行的交易,就表明可能存在数据泄漏。
  6. 对简单规则的高命中率保持审慎。我们的数据泄漏版仅使用20周期移动平均线,就在59%的小时K线上判断对了方向。对于EUR/USD这样流动性充足的货币对,移除数据泄漏后,简单规则很少能接近这一水平:修正版的占比为48.4%。

本课要点

  • 回测只要使用了模拟交易决策当时无法获得的信息,就存在前视偏差。
  • 在我们的EUR/USD测试中,将仓位应用于生成信号的同一根K线,而非下一根K线,就让未扣成本的结果从+555点升至+10,782点。
  • 修正版结果仍在随机性可能产生的范围内;按每次切换方向1点的成本计算,结果降至约−2点。
  • 小时K线掩盖了2026年10月14日止损位与目标位触发的真实顺序:记录中的10点盈利,实际是5.4点亏损。
  • 机器学习模型和大语言模型尤其容易受到影响:应按时间划分数据,仅使用过去数据进行预处理,并留意语言模型可能已经知道哪些信息。

相关课程

资料来源

学以致用

开设 Fintrix Markets 账户,或登录交易外汇、黄金、指数等差价合约(CFD)。