时间点数据（Point-in-Time）与前瞻偏差防线

时间戳不对齐：把所属期当作披露期

财务报表的统计所属期（如 3 月 31 日）与其实际公布于法定信披渠道的时间（如 4 月 28 日）之间存在数周甚至数月的时差。回测引擎若以会计周期截止日作为因子计算基准，等于向模型提前透视了数周的未来财报信息。

自举量化严格区分「数据发生时间」与「数据可交易时点（Point-in-Time）」，确保每一个历史切片的特征输入，仅使用在撮合时钟前确已在市场上公开发布的信息。

财务重述陷阱与事后清洗偏差

上市公司在后续季度常常对其往期财报进行会计调整、差错更正或审计重述。商业数据库的默认最终表往往直接覆盖历史数值，抹去了发布当期的真实数字。

回测若基于事后清洗后的终版数据，策略便在不知不觉中消费了事后才能确认的修正结论。量化数据管道必须支持按历史版本回溯的多版本快照，还原当时决策者所能看到的原始披露。

幸存者偏差与退市成分股全息重构

仅使用当下存续的股票池或当前指数成分股回溯历史，会系统性剔除过去因业绩暴跌、违规暴雷或破产而退市的标的。这种「只看幸存赢家」的样本构造，会虚增任何多头选股模型的历史夏普。

真实的研究空间必须全息重构历史每日的成分股名单、除权除息价格序列以及停牌、ST 等流动性锁定状态，让不可交易的损失在回测中如实呈现。

无前瞻假设的科学敬畏

杜绝前瞻偏差不仅是代码时序的精准设计，更是量化团队对时间箭头与市场未知的基本敬畏。任何在事后能轻易获取的完美回测，只要包含哪怕一天的未来数据泄露，在实盘中都毫无生还可能。