回测不会主动「撒谎」，但研究者可能把模型结果解释成超过证据范围的结论。最危险的偏差往往不是代码报错，而是代码正常运行、结果漂亮、假设却没有写清楚。
案例一：知道收盘再假设此前成交
假设规则使用当天收盘价确认突破，却让订单在这根 K 线更早的价格成交。模型可能给出好看的结果，但信号在那个执行时点尚未知。正确的检查顺序是：什么时候知道条件、什么时候下指令、模型何时处理成交。
同根 K 线的高低顺序、限价与止损同时触发等也依赖历史撮合假设，不能直接等同于真实逐笔。
案例二：挑了赢家再统计表现
如果样本只包含当前热门股、仍在交易的标的，或事后挑出的趋势区间，结果可能不能代表原研究范围。报告应说明对象怎样选、哪些历史数据没有纳入，以及这会限制什么结论。
测试更多标的本身也不自动消除偏差：如果不断筛到最好看的组合，仍然可能是在历史数据上挑赢家。
案例三：测试集被反复拿来调参
一次样本外结果不理想，于是改参数、再看同一段数据，最终直到结果好看。到这时，它已经参与调参，不再是原意义上的独立测试。
Walk-Forward 可以固定时间顺序，但研究过程仍应记录规则修改与搜索次数。邻近参数、失败窗口和交易数比单个最佳分数更有用。
案例四：把成本和制度留到最后
零费用、零滑点、理想成交或未完整处理市场制度的曲线，可以是基线，不能写成实盘可得结果。加入成本后要查看哪些交易发生变化，不只换一个总收益数字。
在观潮 Plus 中，先核对一笔交易的时序，再检查数据、成本与样本外；Pine 编译通过或 AI 草稿试跑通过，都没有完成这些验证。
怎样写一个诚实的结论
记录本次测试能说明什么、不能说明什么、哪些数据缺失、哪些现实约束未模拟。保留失败案例与下一步检查，而不把不确定性藏进一个评分。
本文仅供研究方法参考，不构成投资建议。