📚 课程目录第4章标签口径之时间窗口

4. 标签口径之时间窗口：固定窗口、滚动窗口、事件窗口、窗口对齐策略

在事件驱动回测中，标签（Label）的生成往往依赖一个关键参数——时间窗口。窗口定义了“从哪个时间点开始，到哪个时间点结束”来观测收益、波动或风险。不同的窗口口径会直接改变标签的数值分布，进而影响模型训练与回测结果。本章系统梳理四种核心窗口类型及其对齐策略。

4.1 四种窗口类型对比

窗口类型	定义	典型应用	优点	缺点
固定窗口	以事件发生时刻为起点，取固定长度（如 20 个交易日）	短期动量因子、事件驱动收益	简单直观，易于复现	忽略市场波动率变化，窗口边界生硬
滚动窗口	以当前时刻为终点，向前取固定长度（如 60 日滚动）	波动率估计、移动平均类因子	反映近期状态，适应市场变化	标签存在重叠，需注意数据泄漏
事件窗口	以事件发生日为中心，前后各取若干日（如 [-5, +10]）	财报公告效应、并购事件分析	捕捉事件前后对称/非对称效应	窗口长度需主观设定，事件密集时易重叠
自适应窗口	根据市场状态或波动率动态调整窗口长度	波动率目标策略、风险平价标签	更贴合市场真实节奏	实现复杂，需额外状态估计

选型建议： 固定窗口适合快速原型验证；滚动窗口适合时序特征工程；事件窗口适合事件研究法；自适应窗口适合高频或波动率敏感策略。实际回测中常将多种窗口组合使用。

4.2 窗口对齐策略

窗口定义好后，下一个关键问题是：如何将不同时间点的标签对齐到统一的回测时间轴上？ 常见的对齐策略包括以下三种：

起点对齐： 所有标签以事件发生日为基准，窗口起点对齐。适用于事件驱动策略，如“财报发布后持有 10 天”。
终点对齐： 所有标签以窗口结束日为基准，终点对齐。适用于预测类任务，如“未来 20 日收益”。
中心对齐： 以窗口中心点为基准，前后对称。适用于事件研究法，如“公告前后 5 日异常收益”。

  ⚠️ 常见陷阱： 终点对齐在回测中容易引入未来信息。例如，用“未来 20 日收益”作为标签时，若回测时间轴以当前日对齐，则标签实际上使用了未来数据。正确的做法是：在回测中，标签必须在当前时刻之后才能计算，因此通常采用起点对齐或滞后对齐。

4.3 窗口重叠与数据泄漏

当使用滚动窗口或事件窗口时，相邻样本的窗口可能高度重叠，导致标签之间不独立，进而造成过拟合。下图展示了滚动窗口的重叠问题：

数据泄漏风险： 当窗口重叠严重时，训练集与验证集之间可能存在信息泄漏。例如，使用滚动窗口生成标签时，相邻样本的标签值高度相关，导致回测表现虚高。解决方案包括：设置最小间隔（gap）、使用事件采样而非时间采样、或采用分组交叉验证。

4.4 代码示例：固定窗口与滚动窗口标签生成

以下代码展示了如何在 Pandas 中实现固定窗口与滚动窗口的标签计算：

import pandas as pd
import numpy as np

# 模拟价格数据
dates = pd.date_range('2023-01-01', periods=100, freq='D')
prices = pd.Series(np.cumsum(np.random.randn(100)) + 100, index=dates)

# 固定窗口：以事件日为起点，取未来 5 日收益
def fixed_window_label(series, window=5):
    return series.shift(-window) / series - 1

# 滚动窗口：以当前日为终点，取过去 20 日波动率
def rolling_window_label(series, window=20):
    return series.pct_change().rolling(window).std()

# 事件窗口：以事件日为中心，取 [-3, +3] 累计收益
def event_window_label(series, center_idx, left=3, right=3):
    start = center_idx - left
    end = center_idx + right
    return series.iloc[end] / series.iloc[start] - 1

# 示例：固定窗口标签
fixed_label = fixed_window_label(prices, window=5)
print("固定窗口标签（未来5日收益）：")
print(fixed_label.head(10))

# 示例：滚动窗口标签
rolling_label = rolling_window_label(prices, window=20)
print("\n滚动窗口标签（过去20日波动率）：")
print(rolling_label.dropna().head(10))

4.5 窗口对齐策略选择矩阵

策略类型	推荐窗口类型	推荐对齐方式	注意事项
趋势跟踪	滚动窗口	终点对齐	避免使用未来数据，需滞后一期
事件套利	事件窗口	起点对齐	注意事件密集期的窗口重叠
波动率预测	自适应窗口	终点对齐	需实时估计波动率状态
因子测试	固定窗口	起点对齐	窗口长度需与持有期匹配

最佳实践： 在回测框架中，建议将窗口定义与标签计算分离。窗口定义作为配置参数，标签计算作为独立模块。这样可以在不修改核心回测逻辑的前提下，灵活切换窗口口径。

4.6 本章小结

固定窗口 适合简单、可复现的场景；滚动窗口 适合时序特征；事件窗口 适合事件研究；自适应窗口 适合动态市场。
窗口对齐策略 决定了标签在时间轴上的位置，起点对齐最常用，终点对齐需警惕未来信息。
窗口重叠 是数据泄漏的主要来源，需通过间隔设置或采样策略加以控制。
代码实现时，优先使用向量化操作（如 shift、rolling），避免显式循环。