4. 数据准备与窗口切分工程

滚动窗口回测的可信度，首先取决于进入窗口之前的数据是否干净、对齐、无偏。策略逻辑再精巧，如果行情序列存在重复时间戳、停牌缺口未处理、或股票池里混入了“未来才知道会退市”的标的，回测结果就只是数据缺陷的投影。本节围绕真实行情数据，完成从原始数据到可复用窗口切分方案的完整管道设计。

一、数据清洗：先定义“什么算脏数据”

以日频A股行情为例，原始数据通常包含日期、代码、开高低收、成交量、成交额、复权因子等字段。清洗的第一步不是写代码，而是明确校验规则。常见问题包括：同一代码同一日期重复记录、价格为零或负、最高价低于最低价、成交量非整数、复权因子缺失。建议在管道入口设置硬性校验，任何一条不满足即拒绝该批次数据并记录日志，而不是静默丢弃。

校验规则示例（日频行情）：
1. (date, code) 唯一
2. low <= open, close <= high
3. low > 0 且 volume >= 0
4. 复权因子 > 0 且非空
5. 单日涨跌幅绝对值 <= 涨跌停限制 + 容差

复权处理需要统一口径。回测中若使用前复权价格，历史价格会随新除权事件变化，导致同一窗口在不同运行时间得到不同数值。工程上更稳妥的做法是：存储后复权价格用于计算收益，同时保留原始价格与复权因子，确保任意时点可重建。这样窗口切分方案不会因数据更新而漂移。

二、对齐与缺失处理：交易日历是基准

多标的回测中，各股票停牌、上市时间不同，直接按各自日期序列拼接会造成错位。正确做法是以交易所交易日历为主轴，将所有标的对齐到统一日期索引，缺失位置显式标记为NaN，而不是前向填充。前向填充会制造“停牌期间仍有价格变动”的假象，严重扭曲波动率和换手率计算。

缺失值的处理策略应分场景：对于收益计算，停牌日收益记为零、复牌日使用复牌价对停牌前收盘价计算累计收益；对于因子计算，若某标的在窗口内缺失比例超过阈值（例如20%），则该标的在该窗口内不参与选股，而不是用均值填补。阈值本身应作为参数写入配置，便于后续敏感性分析。

三、幸存者偏差检查：股票池必须“时点化”

幸存者偏差是回测中最隐蔽的偏差来源。若用当前仍在交易的股票列表回溯历史，等于提前剔除了退市、暂停上市和重大重组失败的标的，收益会被系统性高估。检查方法是：为每个标的维护上市日期、退市日期、暂停上市区间，构建“时点股票池”——在任意历史日期t，只允许使用当时已上市且未退市的标的。

工程实现上，可将股票池表示为区间表：代码、起始日期、结束日期、状态。窗口切分时，对训练段和测试段的每个交易日分别求交集，得到该日可用标的集合。若某标的在测试段中途退市，其退市前数据仍应保留在池中，退市后自动移出。这样回测的每一笔交易都只使用当时真实可交易的对象。

四、窗口切分规则：训练段与测试段的边界设计

窗口切分的核心参数有三个：训练段长度、测试段长度、滚动步长。以日频数据为例，一种常见配置是训练段500个交易日、测试段60个交易日、步长60个交易日，即训练段与测试段不重叠、窗口之间首尾相接。若希望训练样本更充分，可让训练段重叠，例如步长设为20个交易日，但必须保证测试段之间不重叠，否则同一段行情会被重复评估，夸大策略稳定性。

切分时必须遵守“训练段结束日 < 测试段开始日”的严格时序约束，且两者之间建议留出隔离带（embargo），长度至少覆盖策略持仓周期或标签计算窗口。例如策略使用未来5日收益作为标签，则训练段与测试段之间应空出5个交易日，防止标签泄漏。隔离带内的数据不参与训练也不参与测试，仅作为缓冲。

五、可复用窗口切分方案与数据管道

将上述规则固化为一份窗口清单表，是管道可复用的关键。清单表每行对应一个窗口，字段包括：窗口ID、训练开始日、训练结束日、测试开始日、测试结束日、隔离带起止、数据快照版本号。回测引擎只读取该表，不自行推算日期，从而保证不同策略、不同运行批次使用完全一致的切分口径。

窗口清单表示例（片段）：
window_id | train_start | train_end  | test_start | test_end   | embargo_days | snapshot_ver
W001      | 2018-01-02  | 2019-12-31 | 2020-01-08 | 2020-04-01 | 5            | v2024.03
W002      | 2018-04-02  | 2020-03-31 | 2020-04-08 | 2020-07-01 | 5            | v2024.03
W003      | 2018-07-02  | 2020-06-30 | 2020-07-08 | 2020-09-30 | 5            | v2024.03

数据管道则按“抽取—校验—对齐—掩码—时点池—切分—快照”的顺序组织，每个环节输出带版本号的中间产物。快照版本号与窗口清单绑定，确保任何时候重跑都能复现同一份数据状态。当原始数据发生除权调整或补充退市记录时，生成新版本快照，旧窗口清单仍指向旧版本，避免历史回测结果被无声改写。

完成以上步骤后，进入回测的每一段行情都具备明确的时间边界、干净的数值、真实的标的范围和可追溯的数据版本。窗口切分方案不再是散落在脚本里的日期硬编码，而是一份可审计、可复用、可版本化的工程资产，为后续参数稳定性评估提供一致的数据底座。