📚 课程目录第4章案例3

4. 案例3

在行业轮动策略中，宏观指标常被用来判断经济周期位置，进而决定超配哪些行业。但很多回测代码里存在一个隐蔽的错误：用今天的宏观数据去解释昨天的市场。具体来说，研究者往往直接下载当前版本的宏观时间序列（例如最新公布的PMI、CPI、工业增加值、社融等），然后按指标发布月份对齐到行情数据上做回测。问题在于，这些序列中早期月份的数据点，早已不是当时市场参与者能看到的值，而是经过多次修订后的“最终值”。用修订后数据回测，等于让策略提前知道了后来才被修正的信息，这就是典型的前视偏差（look-ahead bias），也是宏观类行业轮动策略最常见的过拟合来源之一。

一、时滞与修订：两个必须分开处理的偏差

宏观数据从“统计期结束”到“市场可见”之间存在两类延迟，二者性质不同，处理方式也不同。

第一类是发布时滞。指标统计的是某个月的经济活动，但数据要等到下个月甚至更晚才公布。例如某月工业增加值通常在次月中旬发布，某月CPI在次月上旬发布，季度GDP在季后约两周到一个月发布。如果回测把“统计月份”当作“可用月份”，就会在数据尚未公布时就用上了它。

第二类是数据修订。初次公布的值（初值）之后会被修正，形成第二次、第三次公布值，最终可能还有年度修订。修订幅度有时不小，尤其是环比、季调类指标和分项数据。更关键的是，修订往往具有方向性：经济转折期初值可能偏乐观或偏悲观，后续修订会向真实方向靠拢。如果策略恰好依赖这种“修订方向”，用最终值回测就会显著高估收益。

因此，正确的回测数据不是“一条最终序列”，而是每个历史时点上市场真实可见的那一版数据。这正是实时数据库（Real-time Database，简称RTDS）要解决的问题。

二、实时数据库的结构：按“发布批次”而非“统计期”组织

实时数据库的核心思想是：对同一个统计期，保存它在不同发布日期上的多个版本，并记录每个版本的发布日期（release date）和数据版本号（vintage）。回测时，在任意交易日 t，只能取“发布日期 ≤ t”的最新一版数据。这样，策略看到的永远是当时真实可见的信息集。

下图展示了一个指标在三个统计期上的版本演化，以及回测在某个交易日应当取哪一版数据。

三、识别问题：三个快速自检信号

在动手改造回测之前，可以先判断自己的策略是否已经踩坑。以下三个信号出现任意一个，就应怀疑使用了修订后数据。

信号一：回测收益对“数据下载日期”敏感。用不同时间点下载的同一指标序列分别回测，如果绩效差异明显，说明序列版本在变化，而策略没有固定版本。
信号二：指标与行情的对齐方式按“统计月份”而非“发布月份”。代码里出现类似 merge(monthly_macro, monthly_price, on='month') 且没有滞后处理，几乎必然引入发布时滞偏差。
信号三：转折期表现异常好。策略在宏观拐点附近择时精准得反常，而在平稳期表现平平。这往往是因为修订后的数据“事后确认”了拐点，策略等于拿到了答案。

四、用实时数据库改造回测：可执行流程

下面给出一个可落地的实现思路，以月度宏观指标与行业指数月度收益对齐为例。示例参数与数值均为教学假设，不代表真实市场结果。

第一步，准备版本化数据表。每条记录至少包含四个字段：指标名、统计期、发布日期、数值。同一统计期允许多行，对应不同 vintage。

indicator | period  | release_date | value
PMI       | 2023-01 | 2023-01-31   | 50.1
PMI       | 2023-01 | 2023-02-28   | 50.4   ← 修订
PMI       | 2023-02 | 2023-02-28   | 51.2
PMI       | 2023-02 | 2023-03-31   | 51.0   ← 修订

第二步，构造“可见快照”函数。对任意日期 t，筛选 release_date ≤ t 的记录，按 period 分组取 release_date 最大的一行，得到 t 时刻的信息集。

def visible_snapshot(df, t):
    sub = df[df.release_date <= t]
    return (sub.sort_values('release_date')
               .groupby('period', as_index=False)
               .last())

第三步，按调仓日逐点取数。行业轮动通常按月调仓。设调仓日为每月最后一个交易日，则在每个调仓日调用一次 visible_snapshot，用返回的最新可见值计算信号，再与下一期行业收益对齐。注意信号只能用调仓日当天及之前可见的数据，收益则取调仓日之后的一期，二者不能重叠。

第四步，做“初值 vs 最终值”对照实验。分别用实时快照序列和最终修订序列跑同一套策略，比较年化收益、最大回撤、换手率和信号命中率。若实时版本绩效明显下降，说明原策略的收益有相当部分来自修订信息，属于过拟合。教学示例中，某动量类宏观择时策略在最终值上假设年化 14%、最大回撤 12%，改用实时快照后假设降至年化 8%、最大回撤 18%，这一落差就是需要警惕的偏差量级。

注意：实时数据库只解决“数据可见性”问题，不解决“指标选择是否合理”的问题。即使取数完全正确，若指标本身与行业收益无稳定经济逻辑，策略仍可能过拟合。实时化是必要门槛，不是充分条件。

五、常见坑与判断依据

实践中还有几个细节容易出错。其一，发布日期不等于交易日，若发布日恰逢周末或节假日，应顺延到下一个交易日才可用，否则又会提前一两天。其二，季度指标的发布时滞更长，GDP初值往往在季后数周，且后续有多次修订，不能按季度末直接对齐。其三，部分指标只公布修订值而不易获得初值，此时应保守地整体滞后一个发布周期，或直接放弃该指标，而不是假装拿到了初值。

判断改造是否成功的依据很直接：在实时快照下，策略的样本外表现与样本内表现的差距应当收窄，且绩效不再对“数据下载时点”敏感。若这两条同时满足，说明回测的信息集已经接近真实，修订后数据造成的过拟合被有效识别和剔除。