2. 前视偏差与幸存者偏差
在Point-in-Time（PIT）数据集构建中，最容易被低估、却最具破坏力的两类错误是前视偏差与幸存者偏差。它们不会让代码报错，也不会让回测崩溃，反而常常让策略曲线“漂亮得不像真的”。本节从成因、危害、案例与识别方法四个层面拆解这两类偏差，为后续PIT数据建模打下判断基础。
一、核心原理：两类偏差的成因
前视偏差（Look-ahead Bias）的本质是：在时刻 t 的决策中，使用了在 t 之后才可获得的信息。常见来源包括：财务数据按报告期对齐而非按公告日对齐；指数成分股使用当前名单回溯历史；复权因子使用最新股本回算；宏观数据使用修订后终值而非初值。其根源是研究者把“数据的时间标签”误当成“信息的可获得时间”。
幸存者偏差（Survivorship Bias）的本质是：样本只保留了“活到今天”的标的，退市、被并购、破产、清盘的标的被系统性剔除。其根源是数据供应商以当前存续证券为基准构建历史库，导致历史横截面天然缺失失败者。两类偏差经常叠加：用当前成分股名单回溯，同时用最新财务数据回填，回测结果会被双重高估。
二、方法流程：PIT视角下的偏差识别路径
识别偏差不是一次性检查，而应嵌入数据构建流水线。建议按以下流程执行：
- 建立时间轴双标签：每条记录同时保留“事件时间”（如报告期）与“可见时间”（如公告日、生效日）。
- 构建可投资域快照：按日或按月保存当时真实存在的证券集合，而非当前集合。
- 执行可获得性断言：在因子计算前校验
visible_date <= as_of_date。 - 做偏差对照回测：分别用PIT数据与非PIT数据跑同一策略，比较差异。
- 归因差异来源：定位差异来自财务对齐、成分股名单还是复权处理。
其中第4步最直观。下面是一段伪代码，用于对比两种数据口径下的因子暴露：
# 非PIT口径：按报告期直接merge
df_nonpit = merge(factor, financials, on=['code','report_period'])
# PIT口径：按公告日做as-of join
df_pit = merge_asof(
factor.sort_values('trade_date'),
financials.sort_values('announce_date'),
left_on='trade_date',
right_on='announce_date',
by='code',
direction='backward'
)
# 差异诊断
diff = df_pit['roe'] - df_nonpit['roe']
print(diff.describe()) # 均值、极值、缺失率
三、经典案例与场景
案例一：财报前视。某多因子策略使用年报ROE选股，但数据表按12月31日对齐。实际上年报多在次年3—4月公告，策略在1月就“知道”了全年利润，回测年化被显著抬高。修正为按公告日对齐后，IC从0.08降至0.03。
案例二：指数成分股回溯。用当前沪深300成分股回溯2015年，会天然排除当年被调出或退市的股票。若这些股票恰是高风险高收益或持续下跌的样本，回测的风险与收益都会被扭曲。
案例三：退市股缺失。某小市值策略回测显示稳定超额，但数据源未包含已退市股票。补入退市样本后，组合在2018—2019年的回撤明显放大，说明原结果部分来自“只看到活下来的小票”。
四、误区与复盘：识别方法清单
实践中常见误区是“只要用了PIT数据库就没有偏差”。事实上，PIT供应商也可能存在回填、修订覆盖、成分股名单更新不及时等问题。研究者必须做独立验证。下表给出可操作的识别清单：
| 检查项 | 前视偏差信号 | 幸存者偏差信号 | 验证动作 |
|---|---|---|---|
| 时间字段 | 只有报告期，无公告日 | 只有当前代码列表 | 检查字段元数据与更新日志 |
| 横截面数量 | 历史期股票数与当前接近 | 退市股占比异常低 | 按年统计证券数量变化 |
| 因子分布 | 早期因子值与后期高度相似 | 小市值组收益异常平滑 | 分年度做分布对比 |
| 回测曲线 | 公告日前收益已反应 | 回撤偏小、夏普偏高 | PIT与非PIT对照回测 |
| 数据修订 | 使用终值而非初值 | 并购退市样本被删除 | 引入vintage版本数据 |
复盘时建议固定三个动作：第一，对每个因子字段标注“可见时间”来源；第二，对每个历史横截面保存“当时可交易集合”；第三，对关键结论做一次“最坏口径”压力测试，即假设所有不确定信息都按最晚可见处理。只有通过这三步，PIT数据集才具备支撑因子研究的基本可信度。