AI 很容易写出一段能运行、能画收益曲线的代码。但能运行，只说明程序接受了输入；它不一定遵守“在当时只能知道当时的信息”。
这篇做一个可以离线运行的小实验：把同一段指标代码分别放在完整数据和历史片段上运行，看过去的输出会不会改变。用 8 个虚构价格、4 个小函数，先认识一种检查方法，再看它会漏掉什么。
这是 AI 辅助完成的方法实验，使用虚构数据，没有接行情、下单或测策略收益。附件只有 Python 标准库代码；没有运行 Freqtrade 或 pandas。
1. 先问：到第 3 步时，代码知道多少？
设一段价格序列为：
步骤： 1 2 3 4 5 6 7 8
价格：10 12 11 13 12 14 13 15
每一行都代表已经完成的观测。到第 3 步时，当前价格 11 已知，但第 4 步的 13 还不知道。这里没有交易日历、复权和盘中更新。
下面的函数故意取“下一步价格”：
def next_close(prices):
future = list(prices[1:])
return future + [None]
如果一次喂入 8 个价格，第 3 步输出 13；如果只给前三个价格，第 3 步只能输出 None。这就是一个很容易看见的时序问题：完整历史让代码获得了当时尚未出现的信息。
这类风险也出现在全样本预计算中。Freqtrade 官方的 lookahead-analysis 文档介绍了通过多次回测的输出变化检查前瞻问题的办法。下面借用“比较输出”的思路，做更小的指标练习，不是复现它的命令或回测流程。
2. 四个实现：三个问题，一个对照
next_close：读取下一行，当前步骤直接用了未来价格。centered_mean3：算前一行、当前行、后一行的均值，居中窗口包含下一步。full_sample_demean：当前价格减完整样本均值，早期步骤也用了后面的价格。trailing_mean3：算当前行和前两行的均值，对照只用已完成的观测。
居中窗口在离线描述数据时可以有用途，但不能把包含未来观测的值直接当成当时可用的信号。pandas 的 rolling 文档说明了窗口位置的 center 参数；检查 AI 代码时，要留意窗口究竟取了哪些行。
对照函数如下。前两行历史不足，返回 None：
from statistics import fmean
def trailing_mean3(prices):
return [
fmean(prices[i-2:i+1])
if i >= 2 else None
for i in range(len(prices))
]
注意“当前行已完成”的前提：这里可以使用当前收盘值，不意味着你能在获得它之前成交。
3. 怎么检查：完整输出与每个历史前缀比较
“前缀”就是从第 1 行开始，截到当前行的片段。第 3 步比较的是：
- 完整 8 行输入，取输出的第 3 个值。
- 只输入前 3 行，取输出的最后一个值。
然后对第 1 到第 8 步各做一次。检查器要求函数确定、无外部状态，返回长度与输入相同；所有片段的起点固定为第 1 行。
核心循环可以概括为：
full = indicator(prices)
for i in range(len(prices)):
partial = indicator(prices[:i+1])
# 比较 full[i] 与 partial[-1]
附件中的完整实现还处理三件事：双侧都为 None 时跳过，不当作通过；只有一侧为 None 时算差异；两侧为有限数值时，用相对和绝对容差 1e-12 比较。无效价格、非有限输出和长度不符会报错。
这是一份教学实现，会反复计算，适合小样本和小函数。不要直接拿它逐行重跑多年全市场数据。
4. 实际结果：差在哪里，比差几个更有用
下表来自附件代码实跑，在 Python 3.14.7 与 3.12.2 下结果一致：
| 实现 | 差异 / 比较 |
|---|---|
| 下一步价格 | 7 / 7 |
| 居中均值 | 6 / 6 |
| 全样本去均值 | 7 / 8 |
| 历史均值 | 0 / 6 |
双空跳过数按上表顺序为 1、2、0、2，不计入比较数。
差异位置：下一步价格和全样本去均值均在步骤 1–7；居中均值在步骤 2–7；历史均值没有差异。
例如第 3 步，按“完整输入 → 前三行输入”列出输出：
| 实现 | 完整 → 前缀 |
|---|---|
| 下一步价格 | 13 → None |
| 居中均值 | 12 → None |
| 全样本去均值 | −1.5 → 0 |
| 历史均值 | 11 → 11 |
完整样本均值是 12.5，前三行均值是 11，所以第三行的去均值结果分别为 11−12.5 和 11−11。第 8 步时两份输入完全相同，去均值自然相同；这不抵消前七步的问题。
拿到差异后，回到具体步骤查看“它用了哪些行”，比只盯着一个通过率更有帮助。
5. 零差异，不等于没有偏差
把 8 个价格全部改成 10，故意使用全样本均值的 full_sample_demean 也会得到 0 / 8 差异：完整样本和所有前缀的均值恰好相同。附件测试包含这个反例。
因此，这个检查只能说明：在选定输入和运行条件下，截去未来行有没有改变对应输出。它不能替你确认：
- 成交时点：用收盘值生成信号，再声称按同一收盘价无条件成交，指标仍可能通过检查。
- 数据可用时点：后来修订的财报、成分股名单、复权数据，可能本身就含有当时拿不到的信息。
- 模型训练：函数外提前用全样本拟合并缓存的模型，不会因为你截短函数输入就自动重新训练。
- 数据覆盖与运行状态：常数样本、未覆盖分支、随机数、外部缓存、跨标的数据可能让结果失真。
- 历史长度：本例所有片段从同一起点开始，不检查上线时只拿到短历史造成的初始化差异。相关问题可参看 Freqtrade recursive-analysis。
发现差异是继续排查的线索；没有差异，也要检查数据、训练和成交流程。
6. 下载、复现，以及让 AI 帮忙检查
下载完整复现包 ZIP，解压后在该文件夹运行：
python3 check_prefix.py --out run-01
python3 -m unittest discover \
-p test_prefix.py -v
代码面向 Python 3.10+，本次实际验证为 3.12.2、3.14.7，其他版本未逐个测试。不需要安装第三方依赖或提供密钥。已有 run-01 时请改用新名字，程序会拒绝覆盖旧报告。
run-01/report.json 含逐点输出、差异位置、容差、输入和脚本 SHA-256、Python 版本。附件另有已跑结果、使用说明和文件校验清单。换数据后请保留自己的输入和新报告，不把本例结果当作你的结果。
可以把下面这段提示连同一小段代码交给 AI：
请标出这个指标在每一步读取了哪些数据。假设当前行已经完成，对比完整输入与每个从第一行开始的历史前缀，列出对应输出的差异位置。双侧都无值时单独统计；给出可手算的小样本和一个可能漏检的反例。再单独检查函数外拟合、数据可用时点和信号成交顺序。不要把零差异写成策略无偏或可盈利的证明。
最后用四个问题收尾：当前行完成了吗？指标读取哪些行？数据当时已经公开了吗？订单最早何时能成交？