【AI+量化实战 #11】AI+量化里最危险的幻觉：数据泄漏、伪造数据、事后解释

风险提示：本文仅用于技术演示，不构成投资建议。AI 生成的任何结论都只是研究辅助，不能替代独立判断。

很多人以为 AI 量化的风险是「AI 不够聪明」，其实恰恰相反——AI 太「自信」了。它会一本正经地用错数据、编造数字、给任何结果都配上看似合理的解释。这三种「幻觉」才是 AI 量化里最危险的坑。

本文你将得到什么

• 三个 AI 幻觉反例的可运行代码：未来函数、伪造财务数据、事后解释；
• 用真实行情和财报数据交叉验证 AI 输出的方法；
• 一套可复用的「AI 输出体检清单」；
• 一个 LLM 审计 Prompt 模板，可直接接入你自己的大模型。

一、AI 量化的三种幻觉

1. 数据泄漏：模型在训练或回测时偷看了「未来」的数据，表现好得离谱，实盘一跑就崩；
2. 伪造数据：AI 把不存在的财务数字、行情、公告说得头头是道，你若不交叉验证就会信以为真；
3. 事后解释：结果出来之后，AI（或你自己）总能编出一套听上去合理的因果，但它没有任何预测力。

下面分别用代码演示这三个坑，以及怎么拦。

二、反例一：数据泄漏（未来函数）

数据泄漏最常见的形态就是「未来函数」——用明天的涨跌决定今天买不买。我们拉取贵州茅台（600519）近 89 个交易日的日线，对比两版策略：

import os
import pandas as pd
import mairui

licence = "LICENCE-66D8-9F96-0C7F0FBCD073" # 演示证书，演示证书（读者复制即用，无需替换）
client = mairui.Client(licence)

拉日线，字段 t=日期 o=开 c=收 h=高 l=低 v=量 pc=前收

rows = client.stock_history(code="600519", period="d",
st="20260401", et="20260814", dividend="n")
df = pd.DataFrame(rows)

泄漏版：用明天的收盘价（close.shift(-1)）作信号

df["signal_leak"] = df["c"].shift(-1) > df["c"]
df["ret"] = df["c"].shift(-1) / df["c"] - 1

干净版：用昨天的涨跌（close.shift(1)）作信号

df["signal_clean"] = df["c"].shift(1) < df["c"]

leak_ret = df[df["signal_leak"]]["ret"].mean() * 100
clean_ret = df[df["signal_clean"]]["ret"].mean() * 100
print(f"泄漏版平均次日收益 {leak_ret:+.2f}%")
print(f"干净版平均次日收益 {clean_ret:+.2f}%")

真实运行结果：

泄漏版平均次日收益 +1.26%
干净版平均次日收益 -0.30%

同样是「次日收益」，只是信号时点不同，一个 +1.26%、一个 -0.30%。差值来自未来函数——实盘里你不可能在收盘前知道明天涨不涨。看到回测收益高得反常，第一反应就该查有没有 shift(-1)。

三、反例二：伪造财务数据

AI 最大的毛病是「不懂装懂」：你问它营收，它可能凭空给你一个漂亮数字。拦截办法只有一个——和真实数据交叉验证。我们用财报接口拉出真实数据，再对「AI 声称的数字」做体检：

拉真实财报：stock_income 返回按 jzrq 排序的列表，yysr=营业收入 jlr=净利润

items = client.stock_income(code="600519")
annuals = [it for it in items if str(it.get("jzrq", "")).endswith("-12-31")]
latest = annuals[-1]
real_yysr = latest["yysr"] # 单位：元
print(f"真实营业收入 {real_yysr/1e8:.2f} 亿元")

真实 2025 年报：营业收入 1688.38 亿元，净利润 853.10 亿元。

现在假设 AI 给了三条声明，逐一体检：

def check_fabricated(claimed, real, prev):
issues = []
if claimed <= 0:
issues.append("数值非正，直接不可信")
if real > 0:
ratio = claimed / real
if ratio > 5:
issues.append(f"是真实值的 {ratio:.1f} 倍，量级明显异常")
elif ratio > 1.5:
issues.append(f"较真实值高 {ratio-1:.0%}，需复核口径")
return issues or ["与真实数据一致"]

运行结果：

AI 声称：营业收入 5000 亿元 → [拒绝] 较真实值高 196%，需复核口径
AI 声称：净利润 2000 亿元 → [拒绝] 较真实值高 134%，需复核口径
AI 声称：营业收入 -80 亿元 → [拒绝] 数值非正，直接不可信

三条声明全部被拦下。「量级对比 + 同比对比 + 非正数」三层规则，就能挡住绝大多数 AI 编造的数字。

四、反例三：事后解释（叙事谬误）

最隐蔽的是事后解释：一只股票涨了，AI 能说「基本面支撑 + 题材催化 + 技术突破」；跌了，AI 也能说「估值偏高 + 缺乏催化 + 技术走弱」。两套话对涨跌都成立、都不可证伪。

def posthoc_explain(direction):
if direction == "up":
return "受消息面利好与资金流入推动，情绪回暖，放量上行。"
return "受获利盘回吐与消息面扰动影响，情绪谨慎，缩量调整。"

print("涨了 →", posthoc_explain("up"))
print("跌了 →", posthoc_explain("down"))

输出：

涨了 → 受消息面利好与资金流入推动，情绪回暖，放量上行。
跌了 → 受获利盘回吐与消息面扰动影响，情绪谨慎，缩量调整。

既然涨跌都能「解释」，这套解释就没有预测价值。判断一个研究靠不靠谱，要看它能不能事前给出可证伪的判断，而不是事后讲故事。

五、AI 输出体检清单

把上面的经验沉淀成六条，每条都可以写成代码：

1. 字段正确性：确认接口返回字段名（如 mairui 日线是小写 close/open/high/low/volume），AI 常写成大写；
2. 未来函数：全局搜索 shift(-、iloc[::-1]，命中即前视偏差；
3. 单日涨跌边界：主板股票单日涨跌超过 ±10%（ST 为 ±5%）即为脏数据/伪造数据；
4. 量级对比：AI 给的数字与真实值偏差 >50%，先默认可疑；
5. 非正数/空值：营收、净利润、价格为非正或空，直接拒绝；
6. 拒绝事后解释：任何结论必须事前给定、事后只看是否兑现。

六、LLM 审计 Prompt

把体检结果喂给 LLM，让它做二次审计：

你是一名量化数据审计员。请审查以下 AI 量化流程是否存在幻觉风险。
- 反例1：泄漏版 37 笔、平均次日收益 +1.26%；干净版 37 笔、-0.30%。
- 反例2：AI 声称营收 5000 亿元，真实值 1688.38 亿元。
请输出：1) 是否存在数据泄漏？2) 最可疑的伪造声明？3) 为避免事后解释应坚持什么？4) 是否建议直接决策？

没有配置 LLM_API_KEY / LLM_BASE_URL 时，脚本自动退回规则体检，保证可复现。

七、完整脚本与常见坑

依赖安装：

pip install mairui pandas numpy requests

完整脚本（含三个反例 + 体检清单 + LLM 审计入口）已整理归档，核心函数：

• load_history()：拉日线并统一字段；
• leaked_strategy() / clean_strategy()：未来函数版 vs 干净版；
• check_fabricated_claim()：伪造财务数据体检；
• posthoc_explain()：演示叙事谬误；
• sanity_check_daily_returns()：单日涨跌边界检查。

常见坑：

1. 接口字段名先 probe 再写代码：不要凭记忆猜，AI 更会猜错大小写；
2. 财报单位是元不是亿元：yysr 返回值是元，换算亿元要 /1e8；
3. 数据泄漏不止 shift(-1) 一种：还有 iloc[::-1]、训练集测试集混用、用未来时点的截面数据；
4. 交叉验证比「信 AI」更省事：一条量级对比规则就能挡住大部分伪造数字。

小结

AI 量化的三大幻觉——数据泄漏、伪造数据、事后解释——本质上都指向同一件事：AI 需要稳定、可复现的数据底座，也需要一道「体检闸门」。把真实数据交叉验证、静态体检、拒绝事后解释这三件事固化进流程，AI 才能当助手而不是当「股神」。

下篇（也是本系列收官）：【AI+量化实战 #12】从自然语言到可执行策略：LLM 生成代码的边界与校验。

---

代码与接口文档参考：https://github.com/MaiRuiApi