数据泄漏
检查特征、标签、预处理和验证时间边界，识别未来信息进入研究过程的路径。
AI量化邹老师 · 研究与教学 ↗这个专题解决什么问题
数据泄漏指训练或模型选择使用了真实决策时不可获得的信息。除了未来价格，完整样本预处理、特征选择和反复查看测试结果也可能引入偏差。
建议检查顺序
列出每个字段在实际决策时何时可获得。
先切分数据，再仅在训练样本上拟合预处理与特征选择。
检查标签覆盖期与训练验证区间，保留最终独立检验。
适用边界
时间顺序正确只是必要检查之一。公布延迟、修订数据、标签重叠和试验选择仍需分别审计。
相关文章
第一场公开课暴露的 5 个回测陷阱 ↗
总结第一场公开课里最值得警惕的回测误区，包括数据切分、市场中性误解、绩效错读与未来函数风险。
机器学习量化里最致命的不是模型，而是特征泄漏 ↗
分析机器学习量化中的特征泄漏问题，帮助研究者识别未来函数、时间错位和样本污染等风险。
为什么做机器学习量化时，嵌套验证比普通调参更靠谱 ↗
讲解嵌套验证在机器学习量化中的意义，帮助研究者避免把测试集当成调参工具而导致过拟合。
基本面数据最容易忽略的不是口径，而是发布时间滞后 ↗
讲解基本面数据在量化研究中的发布时间滞后和可得性问题，帮助研究者避免未来信息污染。
机器学习量化里的标签周期怎么选？很多模型不是学不好，是标签设错了 ↗
讲解机器学习量化中标签周期选择的思路，帮助研究者让预测目标更贴近真实策略需求。
量化标签里类别不平衡怎么处理？不是简单过采样就能解决 ↗
讨论量化机器学习中类别不平衡问题的处理方式，帮助研究者避免在标签设计和评价阶段踩坑。
量化研究里怎样做样本内外划分，才更接近真实世界 ↗
讲解量化研究中的样本内外划分方法，包括时序切分、滚动验证、市场阶段分层与避免未来信息泄露的关键原则。
机器学习量化为什么最怕标签定义错了 ↗
解释机器学习量化中标签设计的重要性，帮助研究者理解标签窗口、目标定义、样本污染和训练目标错配对模型结果的影响。
原始方法资料
以下文档解释相关工具和方法，不构成对本站课程或交易效果的认可。