训练大模型预测股市的最大隐形杀手：时间穿越与数据泄漏 • halo 的技术博客

训练一个”股市预测大模型”，最难的不是模型结构、不是算力，而是一个几乎所有人第一次都会踩、且踩了还不自知的坑：数据泄漏。它不像过拟合那样好歹还报个”训练集好、测试集差”的警，泄漏会让你的回测、验证、甚至实盘前的信心全部虚高，而且曲线漂亮得让人舍不得怀疑。

这篇文章不讲玄学，我用一个可复现的合成实验，把”时间穿越”（look-ahead bias）到底能把一个平庸策略吹成什么样，用数字摊开给你看。

泄漏信号与诚实信号的逐月 rank-IC 对比：泄漏把弱信号系统性放大 4 倍

一、什么是”时间穿越”#

金融预测的本质约束只有一条：在 t 时刻做决策，只能使用 t 时刻及之前的信息。任何违反这条的建模动作，都叫 look-ahead。它常常伪装成一些看似无害的操作：

标签泄漏：用”未来收益”当特征。比如做新闻情绪因子时，用了文章的抓取时间而不是发布时间，等于把”收盘后才知道的新闻”塞进了”收盘前”的特征里。
全样本标准化：对特征做 z-score 时用了整段历史（含未来）的均值方差。一只股票今天的”低估值”判断，偷偷参考了它三年后的估值分布。
事后修正的数据：财务数据用”最新修订版”而不是”当时披露版”（point-in-time 数据），公司后来被 ST、被退市、财报重述，这些信息都”穿越”回去了。
对齐 bug：特征和标签的 shift 方向搞反，X[t] 对上了 y[t] 而不是 y[t+1]。

这些操作单看都很小，但它们的共同后果是：模型学到的不是”预测”，而是”事后诸葛”。

我用 200 只股票、180 个月的面板数据做了一个最小可复现实验。构造如下：

真实信号很弱——每股的横截面信号是一个 AR(1) 过程，它与下月收益的真实 rank-IC 只有 0.054，这是量化世界里”勉强能用”的强度。
泄漏信号只是在真实信号基础上，把 t+1 期的未来收益混进去 18%：s_leak[t] = s[t] + 0.18 * r[t+1]。

就这么一点污染，结果如何？

多空累计净值（log 轴）：泄漏策略的漂亮曲线只是海市蜃楼

看清楚了吗？你几乎什么都没做，只是让特征”偷看”了一眼明天的答案，一个普通的弱信号就被吹成了”圣杯”。Sharpe 10 的量化策略，现实中凤毛麟角；但在泄漏的回测里，遍地都是。

诚实策略与泄漏策略的年化、Sharpe、最大回撤对比

传统量化的泄漏，发生在特征工程和回测框架里，好歹有迹可循。而大模型预测股市，泄漏会从更多你意想不到的缝隙渗进来：

1. 预训练语料的”未来信息”。 如果你用一个已经训练好的通用大模型去读财报、新闻，模型在预训练阶段可能已经”见过”了 2024 年的股价走势。当你让它分析 2023 年的财报时，它脑子里那套”事后知识”就是天然的泄漏源——它未必是在预测，而是在”回忆”。

2. 检索增强（RAG）的时间线错乱。 给模型喂历史新闻做因子，检索库如果混入了”事件发生之后”的评论、复盘、事后归因文章，模型就能学到”用结果反推原因”的捷径。

3. 指令微调的标签污染。 用”历史行情 + 未来涨跌”构造 SFT 数据时，如果切分边界不严格（比如训练集和测试集用了重叠的时间窗），模型在微调阶段就背下了答案。

4. 评估指标的穿越。 用”预测精度”评估大模型选股时，如果标签是未来收益、而特征里藏着同期或未来信息，精度再高也是假象。

要训练一个诚实的股市预测模型，这三条必须写进代码评审，而不是留在嘴上：

铁律一：严格的时间切分。 特征只能用 t 及之前的信息，标签只用 t+1 之后的信息。做 SFT/回测/验证时，用**滚动前向（walk-forward）**切分，训练窗和测试窗之间留出”禁地”（embargo），绝不随机打乱时间顺序。

铁律二：只用 point-in-time 数据。 财务数据要”当时披露版”，新闻要”发布时间”，指数成分要”当时成分”，退市股要保留到退市当天（含退市冲击），而不是直接删掉。

铁律三：泄漏审计自动化。 写一个检查脚本，把每个特征和未来收益算一遍”穿越相关性”；一旦某个特征的 IC 好得离谱，先怀疑泄漏，而不是先庆祝找到 alpha。

最后说一句反直觉的实话：如果你训练的大模型预测准确率高得不像话，那不是你厉害，是数据漏了。 一个诚实的股市预测模型，IC 有个 0.05、Sharpe 有个 1-2，已经是相当体面的成绩。剩下的时间，应该花在把泄漏堵死，而不是把曲线画得更漂亮。