量化模型中的前瞻偏差：数据泄露的隐蔽成因与检测机制

它偷看了明天的牌。

更准确地说，模型使用了决策时点之后才真正可获得的信息。这个信息可能藏在一条财报记录的修订版本里，也可能藏在一个没有移位的滚动指标、一次默认使用全样本统计量的归一化操作，或者一张被错误关联到历史日期的新闻表里。代码能正常运行，回测也不会报错，只有资金进入真实市场后，问题才会以亏损的形式浮出来。

前瞻偏差（Look-Ahead Bias）不是什么玄学，它是数据流里的时间漏洞：特征、标签、行情、事件或模型参数，在构造时使用了当时尚未公开、尚未生效，或者当时根本无法稳定获取的信息。回测因此不再是对历史决策的模拟，而变成了站在未来回看过去。

判断一个量化模型是否存在前瞻偏差，不能只盯着代码里有没有一个 .shift(1)。真正要追问的是：在每一个决策时点，模型究竟能看到什么？这些数据是什么时候产生的，什么时候发布的，什么时候被系统接收，又是什么时候能够被交易策略实际使用？

前瞻偏差的本质：违反非预测性条件的隐蔽陷阱

什么是前瞻偏差？说穿了就是时间维度上的数据泄露。学术界常用“非预测性条件”（Non-anticipativity Condition）描述这条边界，名字听起来有些绕，但意思很简单：

在时间 \(t\) 做决策，只能使用时间 \(t\) 之前已经可用的信息。时间 \(t\) 之后发生的事情，不管它后来被记录得多完整，都不能倒灌回当时的特征。

这条规则看似常识，到了工程实现里却极容易被破坏。数据仓库里的记录往往按照“事件发生日”整理，行情接口可能默认返回经过复权和修订后的完整历史，机器学习流程则习惯先对全部数据做清洗、缩放和缺失值处理。每一步单独看都很合理，连起来却可能把未来的信息混进过去。

关键在于，“日期”从来不是一个足够清楚的时间概念。一条数据至少可能涉及以下几个时点：

• 事件发生时间：例如公司完成一个季度的经营活动，或某项政策正式出台。
• 信息形成时间：报表、公告、新闻或统计数据被编制完成的时间。
• 公开披露时间：市场参与者第一次能够看到这条信息的时间。
• 数据供应商接收时间：信息进入数据库或行情系统的时间。
• 策略可用时间：你的交易系统完成下载、解析、清洗并允许策略读取的时间。
• 交易执行时间：订单真正提交、成交或开始影响持仓的时间。

这几个时间点可能相差几分钟，也可能相差几周。用季度截止日代替财报披露日，用公告日期代替系统可用时间，用自然日代替交易所时区，都会制造看不见的提前量。

举个最容易犯的错误。某公司在季度末完成了经营活动，但财报在数周之后才对外披露。如果你的回测在季度末那天就把这份财报中的净利润、负债率或现金流数据放进模型，那么模型看到的并不是当时市场知道的信息，而是未来才公布的结果。即使你的交易信号在下一交易日执行，也无法挽救这个错误，因为污染已经发生在特征构造阶段。

前瞻偏差还有一个很麻烦的特点：它不一定让模型表现得“异常好”，而可能只是让曲线比真实情况稳定一点、尖锐一点、少几次错误。也就是说，模型不一定会出现离谱的收益率，反而可能呈现出一种很有说服力的平滑感。回撤更小、换手更低、胜率更高，所有指标都只改善一点点，最后叠加成一张极具诱惑力的净值曲线。

过去三年里，如果一只股票的价格走势看起来像一条完美趋势线，你的因子又恰好捕捉到了每一次拐点，首先应该怀疑的不是自己终于找到了市场规律，而是拐点是否被未来数据定义过。只要因子的计算过程使用了后来修订的价格、最终收盘价，或者事后确认的事件标签，这条曲线就是你用未来信息重新描出来的艺术品，和当时市场真正能够被交易者感知的节奏没有多少关系。

模型在回测里无所不能，不是因为它聪明，而是因为它偷看了你还没看到的东西。

财报发布与特征工程中的典型数据泄露场景

财报的“所属期间”不是“可交易时间”

基本面因子最经典的前瞻偏差，通常来自财报发布延迟。数据库里的字段往往会告诉你“这是某年某季度的数据”，但这个标签描述的是数据所属期间，不是数据进入市场的时间。

例如，某份财报标记为第四季度数据，并不意味着交易者在第四季度最后一天就知道其中的利润、库存和现金流。企业需要编制报表，经过审核或内部确认，再通过规定渠道披露。数据库随后还可能进行格式化、标准化和字段映射。回测如果只按季度字段对齐，而没有使用实际披露日，就等于提前获得了完整答案。

有些研究曾经发现，在回测中把季度财报直接视为季度末可用，会让盈余收益率等基本面因子的表现出现系统性高估，幅度甚至可以达到相当可观的水平。这个问题的危险之处，不在于某一个数字是否精确，而在于偏差方向非常稳定：你把未来信息提前给了模型，收益当然会被抬高。

财报还存在“首次披露值”和“后来修订值”的区别。今天下载到的历史数据库，可能已经把原始数据替换成了修订后的版本。假设当时市场先看到的是一组利润数据，数月后公司又进行了更正或供应商重新整理了口径，那么回测应当使用当时那一版，而不是今天看起来最准确的最终版本。

这也是为什么“我已经按照发布日期对齐了”有时仍然不够。发布日期解决的是信息什么时候第一次出现，不能自动解决数据库是否保留了当时的原始版本。

全局归一化：最安静的污染源

特征缩放通常被视为机器学习里的基础步骤，却是前瞻偏差最常见的来源之一。

如果你先用全部样本计算均值和标准差，再把这些统计量用于训练集、验证集和测试集，那么训练阶段已经间接看到了未来区间的分布。未来价格水平、波动率变化和极端行情，都可能影响全样本均值与方差。模型虽然没有直接读取未来某一天的收益，但它已经知道未来数据大致长什么样。

对横截面因子来说，问题还会更隐蔽。你可能每天对股票池进行截面标准化，这通常没有问题；但如果你把整个回测区间的数据一次性合并后做排名、分位数切分或异常值截断，就可能把后来的分布信息传播到早期。特别是股票数量、行业结构和价格波动发生明显变化时，全局统计量会改变历史时点的特征含义。

更稳妥的做法是让统计量拥有明确的“有效期”。在时间 \(t\) 计算特征时，只使用 \(t\) 之前允许使用的数据估计均值、方差、分位数和截断边界。对于滚动窗口，则要明确窗口是否包含当前观测值，以及当前观测值在信号形成时是否已经可用。

未移位的滚动统计

“今天的特征里包含今天的价格”是最基础的一类泄露，但仍然每天发生。

以收盘价计算二十日均线为例，如果策略在收盘前生成信号并下单，那么当天收盘价在决策时点还不存在。此时直接使用包含当天收盘价的二十日均线，相当于把交易结束后的信息提前放进了盘中决策。

有些回测框架默认在收盘后计算指标，再按下一交易日开盘执行，这样包含当日收盘价可能是合理的；另一些框架则在当天开盘、盘中或收盘前生成信号，使用同一个指标就会产生不同结果。问题不在于某个写法永远正确，而在于指标计算时间和订单执行时间有没有明确对应。

因此，不能脱离执行语义单独讨论 .shift(1)。把指标整体向后移一天，确实可以解决部分“当前收盘价泄露”，但也可能掩盖更深层的问题：你到底是在什么时候计算信号？行情数据的时间戳表示开盘、收盘还是数据到达？订单是按下一根开盘价成交，还是使用了当根收盘价？如果这些问题没有答案，移位只是一个看起来安全的补丁。

多表关联中的隐式对齐

财务表、行情表、事件表和新闻表通过日期字段连接，是研究环境里最容易被忽略的地方。

一张行情表可能按交易日记录，一张财报表按自然季度记录，一张新闻表按发布时间记录，另一张宏观数据表则可能按统计期和发布日期同时存在。把它们简单地按照日期做连接，数据库会很高兴地返回结果，但返回结果并不代表当时的策略能够获得这些信息。

常见的错误包括：

• 用季度结束日直接连接财报，而不是使用首次披露日；
• 用新闻所属日期代替新闻真正发布的时间；
• 只保留日期，不保留小时、分钟和时区；
• 将盘后公告归入当天收盘前的信号；
• 使用最近版本的宏观数据，而不是当时发布的初值；
• 在缺失值填充时，用未来第一个非空值向前填充历史记录；
• 将退市股票从历史股票池中删除，使早期模型只看到后来幸存的公司。

最后一种属于生存者偏差，但它经常与前瞻偏差同时出现。虽然两者不是同一个问题，检测时却不能完全分开。一个只保留今天仍然存在的股票池，本质上也把未来结果带回了过去：模型提前知道哪些公司能够活到今天，哪些公司已经退市、重组或被收购。

复权价格与公司行动

复权价格对研究长期收益很有用，但它不等于“当时屏幕上看到的价格”。

分红、拆股、配股、合并和其他公司行动会改变历史价格序列。供应商通常会根据后来的公司行动，对历史行情进行调整。这种价格适合计算连续收益，却未必适合还原某个历史时点的交易决策。如果策略用复权后的高低点判断当时是否触发止损、是否达到涨停或是否满足流动性条件，就有可能把后来才确定的调整结果带入过去。

同样，指数成分也不能默认是静态的。用今天的指数成分回测过去，会让模型避开后来被剔除的弱势股票，并且提前享受到后来纳入成分股的公司表现。对于行业分类、股票标签和交易状态，最好也保留历史版本，而不是只读取当前状态。

从时间戳对比到时间旅行：量化回测的防御机制

发现一个可疑字段只是第一步。真正困难的是建立一套可以反复执行的检测机制，让数据更新、特征修改和模型重训都必须经过时间一致性验证。

我见过太多团队，写完回测代码直接跑出漂亮曲线，却从来没有回答过“这个数据到底是哪天、几点、以什么形式可用”。模型上线两个月后表现恶化，大家开始检查模型结构、参数和市场环境，最后才发现问题根本不在模型，而在研究数据早就站在了未来一侧。

没有时间戳验证的回测，不叫策略，叫算命。

第一层：建立可用时间，而不只是一个日期字段

数据表至少应当尽可能保留事件时间、发布时间、接收时间、版本时间和可用时间。并不是每个数据源都能提供全部字段，但你需要知道缺少的究竟是哪一层。

在研究阶段，最有用的字段通常不是“这条数据描述哪一天”，而是“策略在什么时刻第一次能够读取它”。如果一个公告在交易日收盘后发布，那么它对当天收盘前的策略不可用；如果系统在第二天开盘后才接收到它，那么即使市场已经在盘前看到公告，你的策略也不能假设自己能够同步反应。

可以把数据记录理解成两条时间线：

只要这张时间表没有建立起来，后续的特征工程就没有可靠地基。

第二层：时间戳对比法

时间戳对比是最朴素、也最值得优先做的一招。对每一个输入字段，问它三个问题：

1. 这条信息的内容描述的是哪一个时间段？

2. 它第一次公开发布是在什么时候？

3. 策略在计划交易的那个时点，是否真的可以读取并使用它？

财报尤其需要这样检查。季度截止日和实际披露日之间可能相隔很长时间，如果回测使用的是前者，结果大概率已经被污染。新闻也不能只看日期，因为同一天上午发布和收盘后发布的消息，对同一个日频策略可能属于完全不同的信息集。

时间戳对比还要覆盖标签。很多预测任务把未来收益、未来最高价、未来是否触发止损作为标签，这本身没有问题；问题在于标签列被不小心并入了特征表，或者训练集和测试集切分后，预处理步骤读取了全部标签。标签必须只参与目标构造和评估，不能以任何形式进入决策时点的数据集合。

第三层：时间旅行测试

时间旅行测试不是让模型真的穿越，而是故意在未来注入一个只应当影响未来的事件，然后观察历史信号是否发生变化。

例如，在某个日期之后修改一条新闻的内容、改变一份财报的最终版本，或者人为加入一个未来公告。如果修改发生后，修改日期之前的特征、信号或订单发生变化，说明数据管道中存在回溯依赖。正常情况下，未来发生的任何变化，都不应该改变过去已经生成的特征。

这个测试尤其适合发现数据仓库和缓存层的问题。有些系统虽然在计算逻辑上使用了正确日期，但每次运行时都会重新读取“最新历史数据”。当供应商修订过去记录后，早期回测结果也跟着变化。若系统没有版本快照，研究者甚至不知道曲线为什么变了。

时间旅行测试可以从多个方向进行：

• 修改某个未来日期的财报修订值，检查更早日期的特征是否变化；
• 删除或延迟一条新闻，观察它之前的信号是否被重新计算；
• 改变未来的股票池组成，检查过去的横截面排名是否变化；
• 只更新未来行情，验证历史滚动指标和训练参数是否保持不变；
• 将未来样本替换为随机值，确认训练集统计量不会随之变化。

第四层：扰动测试与反事实测试

扰动测试的核心是：对未来数据做不会影响过去的信息修改，然后重新运行整条特征管道。如果历史特征发生变化，就说明某个环节读取了不该读取的数据。

把特定时间点之后的数据打乱顺序、替换为缺失值，或者换成另一组随机序列，都可以作为扰动方式。真正稳健的历史特征不应该因为未来样本被改写而变化。需要注意的是，测试结果要按时间切片比较，而不是只比较最终收益。如果只看净值曲线，局部泄露很容易被整体噪声掩盖。

扰动测试对以下问题特别有效：

• 全样本归一化和全样本异常值截断；
• 滚动窗口边界错误；
• 缺失值向前填充和向后填充混用；
• 多表连接时的隐式未来匹配；
• 特征缓存没有按数据版本隔离；
• 训练过程自动读取整个数据目录；
• 交叉验证中预处理器在切分前就已经拟合。

它的局限也很明显：计算开销较大，而且对于复杂的非线性组合，单次扰动不一定能触发明显变化。因此它不能替代字段级审计，只能作为数据层面的压力测试。

第五层：用截断重跑验证结果是否稳定

一个实用的方法是进行滚动截断重跑。假设你要评估某个历史日期的策略表现，就把数据仓库恢复到当时能够获得的状态，只允许模型看到该日期之前的数据，然后重新进行特征构建、参数拟合和预测。

如果“当时运行得到的结果”和“今天用完整历史数据回放得到的结果”差异很大，需要继续追查原因。差异可能来自数据修订，也可能来自股票池、行业分类、复权因子或模型参数的泄露。重要的不是要求两次结果完全一致，而是能够解释每一个差异来自哪里。

对于机器学习模型，滚动训练还要检查模型本身的生命周期。模型在某个日期训练完成后，不能在回测中自动使用未来样本更新参数；特征选择、超参数搜索和阈值确定也必须只使用当时已经结束的训练窗口。否则，即便每一行特征都没有使用未来价格，模型选择过程仍然可能提前知道哪组参数在未来表现最好。

大语言模型在金融预测中的前瞻偏差与时点隔离

传统因子会泄露，语言模型同样会泄露，只是泄露的位置更深，也更难通过一眼看懂的字段名发现。

很多量化团队会把历史行情、新闻、公告和研究报告交给大语言模型，让模型总结信息、生成情绪分数，或者直接预测未来价格。问题在于，语言模型的训练语料通常来自整个互联网和各种历史文档，而文档本身可能包含后来才发生的事件、事后总结和修订后的结论。

一篇标注为早期日期的文章，正文里可能引用后来更新的统计数据；一份历史研报可能经过网页编辑，页面保留了原始发布日期，却已经被加入后续市场表现的回顾；新闻数据库还可能将后续报道合并到同一篇内容中。对于普通文本分析，这些变化未必重要；对于金融预测，它们会直接改变模型在某个历史时点“知道了什么”。

训练语料的时间污染

语言模型的前瞻偏差主要有三层。

第一层是预训练语料污染。模型在预训练阶段已经读过未来事件的报道、复盘和结果。如果你让它回答一个历史日期的问题，它可能并不是根据该日期之前的信息进行推理，而是从参数中调用了后来形成的完整叙事。

第二层是微调数据污染。研究者可能先收集完整历史区间的新闻和价格，再根据最终结果生成“利好”“利空”或“是否上涨”的解释，最后把这些文本用于训练。这样生成的解释天然带有结果导向，模型学到的是事后描述，不是当时可执行的判断。

第三层是提示词污染。即使基础模型经过了时间过滤，提示模板也可能把未来收益、后续新闻摘要或完整事件链条一起传入模型。很多泄露不是模型“自己猜到”的，而是研究者为了方便，把评估时点之后的上下文拼接进了输入。

所以，金融大模型的时间隔离不能只靠一句提示词完成。你不能告诉模型“请忽略未来信息”，然后继续把未来信息放在上下文里。模型是否遵守限制，最终取决于数据集、语料库、检索系统和评估流程是否真的执行了截止时间。

如何设计时点隔离

更可靠的做法是为每条文本建立不可覆盖的时间元数据，至少记录发布时间、抓取时间、内容版本和可用时间。对网页内容，还要考虑页面后来被编辑的情况。若无法还原历史版本，就不应把它当成严格的历史预测材料。

检索增强系统尤其需要注意。假设要模拟某一天的新闻分析，检索器必须带有时间过滤条件，只返回截止时间之前已经存在的文档。不能先从今天的知识库中检索，再让模型“自行判断哪些内容属于过去”。这个判断本身就可能受到未来叙事影响。

模型评估也要避免随机切分。随机把文本分为训练集和测试集，会让相近事件、同一篇文章的不同版本，甚至同一事件的后续报道同时出现在两边。时间切分更接近真实交易，但还不够：同一事件的重复转载、后续复盘和修订版本也要进行去重和版本隔离。

可以把语言模型的时点测试拆成几个问题：

• 输入文本在评估日是否已经公开？
• 文本是否在评估日之后被编辑或补充？
• 检索系统是否会返回未来的后续报道？
• 标签生成是否使用了未来收益之外的解释性信息？
• 训练和验证集是否存在同一事件的不同版本？
• 模型参数是否在评估区间结束后才训练完成？
• 生成的情绪分数是否在信号形成前已经被稳定计算并存储？

对于金融预测，大模型最容易给人一种“理解了市场”的错觉。它能流畅解释一段走势，并不代表它在当时真的具备预测能力。事后解释往往比实时预测容易得多，因为结论已经存在，模型只需要把结果重新组织成一个听起来合理的故事。

对语言模型来说，时间隔离不是数据集上的装饰字段，而是决定“预测”与“复盘”是否仍是两件事的分界线。

超越 shift(1)：应对数据重述与复杂逻辑的系统性挑战

很多新手以为，只要在代码里加了 .shift(1)，或者使用时间序列交叉验证，就可以高枕无忧。这是一个危险的幻觉。

.shift(1)通常只解决最浅层的问题：让今天的特征不直接包含今天尚未完成的价格。它解决不了底层数据源本身带着历史重述，也解决不了训练参数使用未来样本、股票池使用当前成分、公告时间与交易时间错位等问题。

数据重述：历史不是静止的

财务数据库和宏观数据库经常会修订历史数据。修订可能来自企业更正、统计口径调整、供应商重新解析，也可能只是数据源后来补充了当时缺失的字段。今天查询到的“某季度净利润”，未必等于当时投资者第一次看到的数字。

如果数据库只保留当前版本，回测就会自动使用最终修订值。你即使把特征向后移动一天，仍然是在用未来才形成的历史记录。这个问题与滚动窗口没有关系，而与数据版本有关。

真正可复现的回测需要保存点时版本，也就是在每个历史时点能够恢复“当时数据库中是什么内容”。如果暂时无法取得完整版本快照，至少应当把首次披露值和后来修订值分开存储，并在研究报告中说明使用的是哪一版。不要让供应商的“最新值”无声覆盖历史样本。

复杂因子中的时间边界

假设你构造一个因子，形式是过去二十天的行情收益率乘以财务杠杆，再叠加新闻情感得分。三个输入源分别拥有不同的时间特性：

• 行情数据可能在收盘后才最终确认；
• 财务数据按季度发布，修订频率较低但延迟明显；
• 新闻情感分数可能实时生成，却受文本到达和模型处理延迟影响。

只要其中一个输入的可用时间对齐错误，整个因子就会被污染。更麻烦的是，最终结果可能仍然看起来合理，因为每个单独字段都没有明显异常。污染发生在组合逻辑里，静态代码审计很容易漏掉。

对于多表关联，普通的日期连接往往不够。需要使用“截至某时点的最近可用记录”进行连接，并明确当信息在盘后发布时应该归入下一个交易时段。连接完成后，还要抽样检查边界日期：公告当天、周末、节假日前后、跨时区发布时间和数据修订日，通常最容易暴露问题。

交易成本也可能带着未来信息

前瞻偏差不只存在于特征和标签中，交易模拟也可能泄露。

例如，回测用当天的最高价和最低价判断止损、止盈是否先后触发，却没有真实的盘中顺序数据；或者用最终成交量决定当天是否能够成交，再把订单安排在当天早些时候执行。再比如，滑点模型根据完整回测区间的波动分布拟合参数，交易容量模型则使用后来才知道的实际成交量。这些做法不一定会在代码层面报错，却会让执行结果变得过于乐观。

如果一根日线同时触发止损和止盈，而没有更高频数据判断先后顺序，回测就不应该随意选择对策略有利的路径。对无法确定的情况，宁可采用保守规则，或者把不确定性作为区间报告出来。真实交易不会因为回测者不知道顺序，就自动选择最有利的成交结果。

把检测纳入自动化流水线

应对系统性挑战，不能只靠研究员在上线前手工看一遍代码。前瞻偏差检测应当成为数据和模型流水线的一部分。

每次数据更新、特征改动、模型重训或交易规则变化，都至少应触发以下检查：

1. 输入可用性检查：确认每个特征的可用时间不晚于信号形成时间。

2. 版本一致性检查：确认历史样本使用的是对应时点的数据版本，而不是最新修订值。

3. 切分隔离检查：确认训练、验证和测试区间之间没有共享未来统计量、缓存和预处理器。

4. 扰动重跑检查：改变未来数据后，确认过去的特征和信号不发生变化。

5. 边界案例检查：单独测试盘前、盘后、周末、节假日、时区切换和公告延迟。

6. 执行语义检查：确认信号时间、报价时间、订单提交时间和成交价格彼此匹配。

7. 股票池检查：确认历史回测使用的是当时可交易的股票集合，而不是今天仍然存在的集合。

8. 标签隔离检查：确认未来收益、未来波动和事件结果没有通过缓存、连接或特征选择进入输入。

这些检查不需要全部做成复杂平台，但必须能留下可追溯的结果。某次回测使用了哪份数据快照、哪一版特征、哪组参数、哪一个股票池，都应该能够复原。无法复原的回测，即使收益看起来很漂亮，也很难称为可靠研究。

从一次排查到长期的数据纪律

前瞻偏差排查通常从一条异常曲线开始：样本内很好，样本外突然失效；换一个时间区间，收益完全消失；把交易成本提高一点，阿尔法就被抹平。此时不要急着给市场环境变化找解释，先做最基本的时间审计。

可以先把所有输入按照可用时间排序，画出每个字段从产生到进入策略的路径。然后从一个具体交易日反向追踪：当天的信号使用了哪些值，这些值来自哪张表，表里的记录是哪一版，数据何时发布，系统何时接收，指标何时计算，订单何时提交。这个过程会比盯着最终净值曲线有效得多。

对于不确定的数据，最危险的处理方式是默认“应该没问题”。如果供应商没有给出首次披露时间，就不要把事件发生日直接当成可用日；如果网页无法恢复历史版本，就不要把它当作严格的点时数据；如果盘中成交顺序无法确定，就不要在日线回测里选择最有利的成交路径。

量化研究的效率来自自动化，但可靠性来自边界意识。机器可以很快地计算一百万行数据，却不会主动提醒你其中一半记录在当时还没有发布。模型也可以在未来信息污染后表现得非常稳定，但这并不意味着它理解了市场。

最后说一句不太好听的话：量化交易里，最贵的一句话不是“我判断错了”，而是“我的回测曲线看起来挺稳的”。前者可能只亏一笔交易，后者却能让你把整个策略、整个资金账户，甚至整个研究方向都建立在一块不存在的地基上。

前瞻偏差不会让模型报错，不会让程序崩溃，也不会在日志里弹出一个醒目的警告。它更像一种慢性污染：让收益率高一点，让回撤低一点，让预测准确率好看一点，直到真实市场把这些虚假的优势全部收回。

你在回测里看到的每一个数字，都是从某条数据流里抽出来的。那条数据流有没有偷看未来，决定了你是在做交易研究，还是在做一场事后算命。

把事件时间、发布时间、版本时间和策略可用时间分开；把数据快照和历史股票池保存下来；把时间戳对比、时间旅行测试和扰动重跑放进自动化流水线。.shift(1)可以是工具，但不能是护身符。真正的防线，是让每一条输入都能回答清楚：它在当时是否已经存在，是否已经公开，是否已经被系统读取，以及策略是否真的来得及使用。

盘口不会替你兜底。

Related reading: 量化回测中的滑点与手续费设置：为什么模拟盘赚钱实盘却亏损.