pandas-ta · 未来函数

pandas-ta 未来函数审计：哪些指标列不能直接进回测

Q: pandas-ta 有未来函数吗？

有，但集中在可预期的位置：实测 DPO 在默认 centered=True 下、Ichimoku 在默认 include_chikou=True 下的 ICS_26 列会被判为非因果。其余本站检查过的常用指标（SMA/RSI/MACD/BBands/Supertrend/TSI）在实测中均无不一致。

Q: Ichimoku 的 ISA / ISB 也有问题吗？

在默认 append_span=False 的实测中，ISA_9 与 ISB_26 的不一致时点数为 0；被判为非因果的是 ICS_26（Chikou Span）。若你把 append_span 打开做前瞻位移，需要重新判定。

指标算对了，回测仍然可能是错的——只要其中一列用到了未来数据。本节给出一个不依赖阅读源码的判定方法（逐时点增量重算），公开本站的逐列实测读数，并给出从指标到信号的完整审计清单。

先看判定方法回看指标默认参数

核验日期 2026-10-10逐时点重算实测120 行样本 × 60 次比对

截断到 t 重算

与全量结果比对第 t 行

一致 → 因果

不一致 → 含未来数据

依据本站逐时点增量重算实测绘制的因果性判定流程示意；非官方审计规范。

pandas-ta · 判定方法

pandas-ta 的指标列有没有用未来数据？怎么用代码判断

不要去猜指标公式。用数据本身做实验：把数据截断到时刻 t，只算到 t，再和「一次算完全部数据」在第 t 行的取值比。如果对不上，就说明这一列的值会因为后来的数据而变化。

def is_causal(df, fn, col):
    """fn: 传入 DataFrame 返回 Series/DataFrame 的调用；col: 要检查的列名。"""
    full = fn(df)[col]
    diffs = 0
    for t in range(warmup, len(df)):
        part = fn(df.iloc[: t + 1])[col]      # 只喂到 t
        if not np.isclose(part.iloc[-1], full.iloc[t], equal_nan=True):
            diffs += 1
    return diffs        # 0 表示这一列是因果的（不含未来数据）

为什么用这个方法	说明	局限
不需要读实现	只依赖「输入变了输出会不会变」这一条可观测性质	需要能反复调用，计算量随数据长度增长
能定位到列	多列指标（如 Ichimoku）可以逐列判定，而不是整块下结论	列数多时耗时明显
能当回归测试	升级版本后重跑一次，就能发现新引入的非因果列	需要一份有代表性的数据样本
注意点	本方法判定的是实现层面的因果性	—	有些指标在数学定义上就用未来窗口（如 DPO），会被正确地判为非因果

预热期（warm-up）要跳过：截断数据太短时很多指标本来就没有值，比对没有意义。本站的做法是从「所有列都已出值」的位置开始比对。

pandas-ta · 实测结果

pandas-ta 哪些指标列通过、哪些不通过？

下表是本站对 120 行合成 OHLCV 数据、逐个时点增量重算的实测结果（比对区间为第 61–120 个时点，共 60 次比对）。

指标	检查的列	不一致时点数	判定
`sma(length=20)`	`SMA_20`	0	因果，可安全使用
`rsi(length=14)`	`RSI_14`	0	因果
`macd()`	`MACD_12_26_9` 等 3 列	0	因果
`bbands(length=20)`	5 列	0	因果
`supertrend()`	4 列	0	因果
`tsi()`	2 列	0	因果
`tsignals()`	输出即原 df 的各列	0	不改变原数据
`ichimoku()`	`ITS_9` / `IKS_26` / `ISA_9` / `ISB_26`	各 0	这四列在默认 `append_span=False` 下不做前瞻位移
`ichimoku()`	`ICS_26`（Chikou Span）	34	非因果：默认 `include_chikou=True`，会向后位移
`dpo()`	`DPO_20`	49	非因果：默认 `centered=True`，用中心化窗口
其它振荡类（`willr` / `stoch` / `cci` 等）	未逐项检查	—	本站没有覆盖全部指标，请对你实际用到的那几个单独跑一遍
多列指标的逐列差异	按列分别统计，而不是整块判定	—	同一个指标里可能只有部分列非因果，必须逐列看

重要限定：这只是本站在该数据样本与当前版本上的读数。它足以说明「DPO 与 Ichimoku 的 Chikou 这两处需要处理」，但不能证明「其余所有指标在所有参数下都因果」——想确认你自己用到的那几个，请按上一节的代码跑一遍。

pandas-ta · 怎么处理

pandas-ta 的非因果列，三种处理方式怎么选？

判定出来后不一定要放弃这个指标，但绝不能把它原样当成信号。下表给出三种处置方式与适用情形。

处置方式	怎么做	适用情形	代价
① 关掉前瞻参数	`df.ta.dpo(length=20, centered=False)`；`df.ta.ichimoku(include_chikou=False)`	你只是不想要未来信息，指标本身仍要保留	指标含义会变，与教科书里的同名指标不再等价，要重新解释
② 自行位移对齐	把整列 `shift(n)` 到「在信息可得时点才可见」的位置，n 从实现里推导	保留原定义，但需要一个明确的可用时点	位移量算错会引入新的偏差；建议用上一节的判定代码回归
③ 从信号池剔除	不把这些列放进信号逻辑，只在事后研究中使用	指标本身是「事后描述型」（例如 Chikou 用于回顾）	放弃这部分信息在信号里的作用

先确认它到底在哪个时点才可得 对非因果列，用判定代码找出「第 t 行的值在第几行之后才稳定」——这个差值就是需要位移的量。实测中 DPO 与 Chikou 的位移都由定义决定（中心化窗口、向后 kijun 根）。
再决定是关参数还是做位移 如果只想要趋势信息，直接关前瞻参数最省事；如果要对齐教科书定义，就做位移并在注释里写清位移依据。
最后在回测里做一次对照 同一策略跑两遍：一遍带非因果列、一遍不带。如果两者绩效差距很大，说明原策略的核心收益来自未来信息，这个结论比任何参数优化都重要。

pandas-ta · 从指标到信号

指标值算对了，信号就写对了吗？

指标因果不等于信号因果。下面这张表是从指标值到下单动作之间最容易错位的四个环节。

环节	常见错误	为什么会出错	正确做法
成交时点	用当根 K 线的收盘价成交，但信号也来自当根收盘价	收盘价在收盘那一刻才知道，你不可能用同一个价格成交	信号在 t 根收盘生成，成交记为 t+1 根开盘（或 t 根收盘加滑点，但要明确写出来）
位移符号	以为 `shift(1)` 是「往前看」，实际是「往后挪」	pandas 的 `shift(1)` 把值下移一行，等于「让 t 行看到 t−1 行的值」	在代码注释里写清「shift 后第 t 行代表 t−1 时刻的信息」，用一段断言验证首行是 NaN
预热期	从最开头的一根 K 线就开始下单	前 N 根里指标是 NaN，比较结果不可靠	丢弃预热期内的信号，并记录丢了多少根
参数越多越危险	在历史上反复调参直到曲线好看	参数越多，越容易拟合噪声	用样本外区间或滚动窗口验证，并保留一份调参记录

指标层与信号层要分开审计：先证明每个指标列是因果的（上一节），再证明从列到信号的映射满足「用 t 时刻可得的信息决定 t+1 时刻的动作」。两件事都做完，才谈得上「回测结果可以看」。

pandas-ta · 审计清单

接回测之前要做哪些审计？

把下面七项做成一张检查表，每次改策略都过一遍。前四项是数据层，后三项是信号层。

#	检查项	判据	不通过的典型后果
1	列名契约	必需列齐全、索引为递增日期且无重复	静默不加列或整列 NaN
2	缺口处理	在算指标之前完成 dropna，或明确记录保留策略	依赖 rolling 的指标大面积 NaN
3	复权口径一致	指标与收益计算使用同一套价格口径	指标看到的波动与实现的收益不是同一件事
4	预热期隔离	预热期内的信号被丢弃并计数	最早一批信号建立在 NaN 之上
5	指标因果性	用增量重算代码逐列检查并留读数	回测结果被未来数据抬高
6	成交时点	信号时点与成交时点的关系被显式写出并断言	同根收盘价既发信号又成交
7	样本外验证	至少留出一段未参与调参的区间	参数过拟合，上线后失效
8	交易成本建模	佣金、滑点、冲击成本至少给出一组假设并写在结论里	回测收益被高估，与实盘差距无法解释
9	极端行情检查	把涨跌停、停牌、跳空区间单独看一遍结果	策略在特殊区间失效但在全样本上看不出来
10	信号密度检查	统计每期产生多少信号，确认不是「几乎每根都发信号」	信号过密通常意味着阈值失效或存在信息泄露
11	可复现性检查	在干净环境里用锁定版本重跑一次，比对结果	结论无法复现，等于没有结论

本站不提供回测框架的选择建议，也不对任何策略的收益做评价。上面这份清单只解决一件事：让回测里不存在你自己都不知道的信息泄露。

FAQ

pandas-ta 未来函数常见问答：哪些列有问题、怎么自己验证

下面的回答都指向可核验的官方文件或本站实测；与官方表述冲突时，以官方仓库与文档为准。

pandas-ta 有未来函数吗？

有，但集中在可预期的位置：实测 DPO 在默认 centered=True 下、Ichimoku 在默认 include_chikou=True 下的 ICS_26 列会被判为非因果。其余本站检查过的常用指标（SMA/RSI/MACD/BBands/Supertrend/TSI）在实测中均无不一致。

DPI/DPO 这类指标是不是有 bug？

不是。DPO 的定义本身就是中心化窗口（用未来若干根 K 线做参照），非因果是它的定义特征。问题只在于你不能把它原样当成可交易的信号。

多周期数据会对不齐吗？

会。把日线指标与周线指标放在同一张表上时，周线值在一周内是不变的（或只在周末更新），对齐方式决定了下单时看到的是哪一期数值。本站不给统一答案，但要求把对齐规则写进代码注释并做断言。

怎么自己验证我用的指标？

用本页给出的判定代码：把数据截断到时刻 t 重新计算，与全量结果比对第 t 行的取值。60 次比对里只要出现不一致，就说明该列受到未来数据影响。

Ichimoku 的 ISA / ISB 也有问题吗？

在默认 append_span=False 的实测中，ISA_9 与 ISB_26 的不一致时点数为 0；被判为非因果的是 ICS_26（Chikou Span）。若你把 append_span 打开做前瞻位移，需要重新判定。

用 shift(1) 处理一下就行吗？

可能不够。位移量应当由「该列的值在第几行之后才稳定」推导，而不是凭经验写 1。用判定代码求出的差值才是依据；位移后建议再回归一次。

预热期要留多长才够？

以「最长窗口 + 信号窗口」为下限。本站实测 SMA(20) 的起始非空值在第 20 根，ATR(14) 在第 15 根，而 MACD 需要先跑满慢线再加信号窗口。保守做法是把预热期设为最长窗口的两倍，并统计被丢弃的信号条数写进记录。

本站的回测建议是什么？

本站不给策略建议，也不评价任何策略收益。只提供一份七项审计清单，用来确认你的回测里不存在你自己都不知道的信息泄露。