第七章 回测中的谎言

本章实战输出：像侦探一样审查任何因子回测报告，快速找出前视偏差、生存者偏差、过拟合伪装和交易成本隐藏等作弊痕迹，掌握10分钟快速审阅流程。

7.1 回测作弊分类图谱

市面上流传的因子回测报告，尤其是那些“神奇策略”，至少有三分之一存在不同程度的“美化”。有些是无心之失，作者不严谨，有些是故意造假。不管哪种，你作为一个理性的投资者，都得学会自己分辨。
我把常见的回测作弊手法分成四类，先给你一张总览：

作弊大类	常见手法	严重程度	识别难度
前视偏差	使用未来数据、财报日期泄漏、除权除息处理不当	最高	中等
生存者偏差	忽略退市股票、使用当前成分股回测历史	高	低
过拟合伪装	选择性汇报指标、强行调参、数据挖掘偏见	最高	高
交易成本隐藏	忽略冲击成本、低估滑点、忽略停牌和涨跌停限制	高	中等

这四类手法不是独立存在的。一份作假的回测报告，往往同时用了好几种。你的任务就是把这些“美颜滤镜”一层层扒掉，看到策略的真实面目。
这一节先给你一个总览，后面每一节针对一类作弊手法深入讲解，包括怎么检测、怎么修正、以及如果你自己写回测框架，怎么避免犯同样的错误。

7.2 前视偏差大全：财报日期泄漏、除权除息处理不当

前视偏差是回测中最常见、也最容易忽略的作弊手法。它的本质是：在回测中的某一时刻，你用到了当时无法获取的未来信息。

什么是前视偏差？一个最简单的例子
假设你在2020年1月1日写了一个策略：买入那些过去20日涨幅最大的股票。你在计算“过去20日涨幅”的时候，用了2020年1月1日的收盘价和2019年12月12日的收盘价。这没问题，因为这些数据在2020年1月1日收盘后都是已知的。
但是，如果你在1月1日开盘前就用了当天收盘价来计算因子，那就是前视偏差，因为开盘时你不知道收盘价。看起来就差了几个小时，但在回测里，这种错误可能把净值和夏普凭空放大30%。

财报日期泄漏
这是最隐蔽的前视偏差之一。
比如，一个因子用了“最新季度的ROE”。如果你在回测中，对于2020年4月30日这天，直接使用了2020年一季报的ROE数据，但很多公司的一季报实际披露日期是在4月20日到4月30日之间。如果你在4月15日就用上了这个季报数据，那就是前视偏差，因为4月15日你不可能知道尚未公布的财报。
检测方法：检查你使用的财务数据是否“时间点精确”。理想的财务数据库会提供“报告期”和“披露日期”。你在回测中，应该使用披露日期小于等于交易日期的数据，而不是报告期小于等于交易日期。
免费数据源如AKshare、Tushare基础版，不一定包含精确的披露日期。如果你无法获得披露日期，一个近似的保守处理是：假设所有季报都在季度结束后30天公布，年报在年度结束后90天公布。这样做虽然会损失一些时效性，但至少不会犯前视偏差。

代码示例（使用披露日期）：

# 假设你有财务数据表 financial，包含字段：
# stock_code, report_date（报告期）, disclose_date（披露日期）, roe
# 以及每天的股票价格表 prices
# 对于每个交易日期 tdate，可用的财务数据是那些 disclose_date <= tdate 的记录
valid_fin = financial[financial['disclose_date'] <= tdate]
# 然后取每个股票最新的 report_date 对应的 roe
latest_roe = valid_fin.sort_values('report_date').groupby('stock_code')['roe'].last()

除权除息处理不当
分红、送股、拆合股会导致股价跳跃。如果不做复权处理，回测会出大问题。
比如，某股票10送10，股价从20元变成10元。如果不复权，你的回测会认为“股价一天跌了50%”，然后触发止损。但实际上，你的资产并没有减少。
正确做法：使用前复权价格，向后复权也可以，但主流用前复权。AKshare、Tushare的stock_zh_a_hist接口，设置adjust='qfq'即可得到前复权数据。
错误做法：使用不复权数据，或者自己简单处理。
检测方法：如果你看到的回测报告中没有明确说明使用了复权数据，大概率是有问题的。另外，检查一下回测曲线中是否在某一天出现了莫名其妙的“跳空低开”但没有成交量放大，那很可能是除权日没有复权。

代码调试指南：
使用akshare的stock_zh_a_hist时，务必加上adjust='qfq'。
如果你自己从其他渠道获取数据，一定要验证复权是否正确。一个简单的验证方法：找一只历史上有过分红或送股的股票，比如贵州茅台，看除权日前后的价格是否连续。

7.2.1 特例：控制点回测 vs 即时价格回测——一个外汇策略的千倍幻觉

讲完财报前视偏差和除权处理，我再给你讲一个更隐蔽、更极端的回测陷阱。这个故事来自我的亲身经历，至今想起来还觉得后背发凉。

一条完美到不真实的资金曲线
2015年12月，有个外汇交易员找到我。他打开MT4，给我看了一条回测资金曲线。年化收益……我数了一下零，大概是一千倍。净值从1万美金，一年后变成了1000万美金。曲线光滑得像PCB走线，最大回撤不到5%。他说：“我的策略只用移动平均线和RSI，没有任何基本面。你觉得能实盘吗？”
我没直接回答，问了他一句：“你用什么回测方法？”
“MT4的控制点，也就是Control Points啊，就是每个K线只在几个固定的价格点，开盘、最高、最低、收盘，上测试信号和成交。”
我说：“你用‘每个即时价格’，也就是Every Tick，再跑一遍看看。”
他不太情愿，但还是跑了。第二天早上他给我发消息：“爆仓了，只模拟了不到一个月的实盘时间，账户就归零了。”

同一条规则，两种回测方法，结果天壤之别。为什么？
原因一：成交价格假设完全不同
控制点回测假设：你可以在K线的收盘价瞬间，以收盘价无限量成交。但在真实外汇市场，以及任何连续竞价的市场中，你的订单进入交易队列，需要跟对手盘撮合。当你看到收盘价发出买入信号时，真实的卖一价可能已经比收盘价高了几个点。对于高杠杆、小止损的策略，这几个点足以让止损被提前触发。
而“每个即时价格”回测使用tick数据，也就是每笔成交价，能够真实模拟你的订单在市场深度中的排队位置和滑点。

原因二：K线内部事件的先后顺序被忽略
这是最隐蔽也最致命的差异。控制点回测只关心每个时间周期，比如1小时，结束时的OHLC四个价格，完全不管K线内部价格的波动路径。
举个例子：你的策略规则是“当价格突破前高时买入，同时设置一个较紧的止损”。在控制点回测中，只要K线的最高价大于前高，就认为突破成功，并以收盘价成交。但真实的情况可能是：价格在K线中间瞬间突破了前高，立即又跌回来，触及了你的止损，然后你被止损出局。到了收盘时，价格可能又涨上去了。控制点回测会把这个过程简化为：“收盘价买入，然后价格继续上涨”，完全忽略了中间的止损事件。
对于高频、剥头皮或使用紧止损的策略，这种简化会把一个真实爆仓的策略美化成年化千倍的“圣杯”。

原因三：点差和佣金被低估
MT4控制点回测通常使用固定的点差，比如2个点，而真实市场中点差会波动，重大新闻时可能扩大到20个点。控制点回测还常常忽略佣金和隔夜利息。对于一个每天交易几十次的外汇策略，这些成本加起来足以吞噬全部利润。

一个真实到令人后怕的细节
那个交易员的策略是这样的：当1小时图的RSI从70上方下穿70时，做空；当RSI从30下方上穿30时，做多；止损设20点，止盈设50点。听起来没什么问题，对吧？
他用控制点回测跑了两年数据，年化收益1200%。但用tick数据回测，第一周就有三天连续止损，然后因为亏损过大，仓位被迫减小，再也翻不了身。
为什么？因为在控制点回测里，RSI的“穿越”发生在K线收盘的那一刻。但真实tick数据中，RSI可能在K线中间多次穿越70线，每一次穿越都是假的，只有最后一次才是真的。而策略在每一次假穿越时都会开仓并止损，账户很快就没了。

这个案例成了我筛选策略师的“面试题”
后来我形成一个习惯：任何声称自己找到了“神奇策略”的人，我都会问他同一个问题：“你的回测用的是控制点还是即时价格？你知不知道两者的区别？”
如果对方一脸茫然，我会直接结束对话。如果能条理清楚地解释上面的三个原因，我才愿意继续聊下去。
这种方法有点粗暴，但很有效。在量化这个行当里，懂回测方法的人，不一定能赚钱；但不懂回测方法的人，一定亏钱。

给你的建议
如果你做任何策略回测，尤其是外汇、期货或高频策略，请务必遵循三条铁律：

1. 永远使用“每个即时价格”模式回测，或者至少使用基于tick数据的模拟。
2. 在回测中设置动态点差和真实的佣金成本。
3. 如果策略在控制点回测里表现完美，但在即时价格回测里表现糟糕，永远相信即时价格回测的结果。
   另外，如果你对策略的实盘验证没有把握，可以使用一些第三方平台进行更严谨的测试。比如B2fund.com上提供了不同策略信号源的实时监控和回测验证工具，可以帮助你过滤掉那些“回测猛如虎、实盘二百五”的假信号。当然，最好的验证方法永远是：用小资金实盘跑一个月。

7.3 生存者偏差：如何处理退市股票与Point-in-Time数据

生存者偏差是另一类常见且隐蔽的作弊。它的本质是：在回测中，你只使用了那些“活到今天”的股票，而剔除了那些中途退市的股票。这会导致回测结果偏高，因为退市的股票通常表现很差。

什么是生存者偏差？
假设你回测2000-2020年的A股策略。如果你只用了目前仍在上市的300只股票，那么你遗漏了这20年里退市的几百只股票。这些退市的股票大多是表现极差的，跌90%甚至退市归零。你遗漏了它们，你的回测收益自然就高了。

免费获取退市股票数据
AKshare提供了退市股票列表。你可以用stock_zh_a_stop_em接口获取历史退市股票代码。然后，在回测中，你需要将这些退市股票的数据纳入，直到它们退市那一天。退市后，你的持仓应该按退市价格处理，通常是很低的价格，甚至归零。

代码示例：

import akshare as ak
# 获取退市股票列表
delisted = ak.stock_zh_a_stop_em()
# 退市股票代码在 delisted['代码'] 列
# 在你的全股票池初始化中，加上这些退市股票，但只到它们退市日为止

Point-in-Time数据
生存者偏差的另一个表现是使用“当前成分股”来回测历史。比如，你用现在的沪深300成分股，去跑2005年的回测。但2005年的沪深300成分股和现在很不一样。你相当于用了未来的信息，你提前知道哪些公司会成为大公司。
正确做法：获取历史的成分股列表。AKshare提供了历史指数成分股接口，比如index_stock_cons_csindex可以获取沪深300的历史成分股，需要指定日期。

代码：

# 获取2020年6月的沪深300成分股
hs300_202006 = ak.index_stock_cons_csindex(symbol="00300", date="202006")

检测生存者偏差
当你看到一份回测报告时，问作者三个问题：

1. 回测是否包含了历史上退市的股票？
2. 使用的指数成分股是否是当时的成分股，而不是现在的？
3. 如果用的是全市场股票，是否从历史第一天就包含了所有曾上市的股票？
   如果作者无法回答，或者含糊其辞，你要高度怀疑回测结果。

实盘日志：我第一次发现生存者偏差的威力
2018年，我写了一个小市值因子回测，年化收益高达50%。我兴奋得差点裸奔。后来一个朋友提醒我：“你包含退市股票了吗？”我一查，没有。我只用了当前存在的股票。
我加上退市股票后，年化收益掉到了35%。还是很高，但差了15个百分点。15个百分点啊，如果是实盘，那就是几百万的差距。
从那以后，我的回测框架里第一件事就是加载退市股票列表。

7.4 过拟合伪装术：选择性汇报指标、强行调参

过拟合是量化领域最头疼的问题。一个因子在历史数据上表现完美，到了实盘就亏钱，十有八九是过拟合。

什么是过拟合？
你有一堆数据，你反复调整因子参数，直到它在这段数据上表现很好。但你调整的过程，本质上是在“记忆”这段数据，而不是发现真正的规律。一旦换到新的数据，也就是未来，规律就消失了。
举个极端的例子：你发现“每年第50个交易日买入，第100个交易日卖出”能赚钱。这就是典型的过拟合，纯粹是巧合，没有任何经济学逻辑。

过拟合的常见伪装
伪装一：只汇报最好的参数组合。作者可能会说“经过参数优化，我们发现N=20时效果最好”，但他不会告诉你N=15、25、30时表现很差。一个好的因子，应该在参数附近有稳健的表现，也就是参数敏感性低。
伪装二：只汇报好的时间段。比如，只展示2019-2021年的回测，因为这三年因子大赚。但2018年、2022年可能亏得很惨。为了掩饰，作者会说“因为市场环境不同，我们剔除了那几年”。
伪装三：使用过多的因子。你从1000个因子中筛出10个，这10个在历史上肯定表现很好，但这只是数据挖掘的必然结果，不代表它们在未来有效。

如何检测过拟合
方法一：参数敏感性热力图。画出因子参数在一定范围内变化时，IC或夏普的变化。如果曲线锯齿状、大起大落，说明过拟合。
方法二：滚动窗口验证。用前3年数据训练，找最佳参数，后1年验证。如果后1年的表现比前3年差很多，比如夏普从1.5降到0.2，说明过拟合。
方法三：减少参数数量。如果一个因子有超过3个自由参数，比如窗口长度、阈值、平滑系数等，它很可能过拟合。简单的因子，比如20日均线突破，比复杂的因子更稳健。

代码示例（滚动窗口验证）：

import pandas as pd
import numpy as np
def rolling_validate(factor_func, param_grid, data, window_years=3, step_years=1):
    """
    滚动窗口验证
    factor_func: 因子计算函数，接受参数和data，返回IC序列
    param_grid: 参数候选列表
    """
    results = []
    for start in range(2000, 2020, step_years):
        train_end = start + window_years
        test_end = train_end + step_years
        train_data = data[(data['year'] >= start) & (data['year'] < train_end)]
        test_data = data[(data['year'] >= train_end) & (data['year'] < test_end)]
        
        best_param = None
        best_ic = -np.inf
        for param in param_grid:
            ic_train = factor_func(train_data, param)['ic'].mean()
            if ic_train > best_ic:
                best_ic = ic_train
                best_param = param
        # 在测试集上用best_param验证
        ic_test = factor_func(test_data, best_param)['ic'].mean()
        results.append({'train_start': start, 'test_year': train_end, 'best_param': best_param, 'ic_test': ic_test})
    return pd.DataFrame(results)

如果测试集的IC均值长期低于0.01或者正负交替，说明因子不可靠。

7.5 交易成本隐藏术：实盘与回测差距的最大来源

很多回测报告声称“年化收益30%，夏普1.5”，但你一实盘，收益直接腰斩。最大的原因往往是交易成本。

回测中常见的成本隐瞒
隐瞒一：忽略手续费。A股目前佣金万分之1.5到万分之3，加上印花税，卖出千分之0.5，实际是万分之5，双向合计约万分之8到万分之11。如果不扣除，高换手策略的回测收益会被高估很多。你只需要算一下：如果每天全仓换手一次，一年的交易成本大约是2.5%？不对，等一下，这个数算错了，更正：每日全仓换手，一次买卖成本约0.2%，双向万分之十，一年250个交易日就是50%，直接吞噬一半本金。实际上没有人会这样干，但高换手策略确实成本惊人。
隐瞒二：忽略滑点。滑点是你下单时，实际成交价格与预期价格的差距。对于流动性好的大股票，滑点可能在0.01%-0.05%；对于小股票，滑点可能是0.1%-0.5%。回测中如果不设置滑点，默认是“按收盘价成交”，这太理想化了。
隐瞒三：忽略冲击成本。如果你的资金量较大，你的买入行为本身会影响价格。回测中假设你以当前价格无限量买入，是不现实的。
隐瞒四：忽略停牌和涨跌停限制。你在回测中可能在股票涨停时买入，但实盘你买不进去。也可能在跌停时卖出，但你卖不出去。

如何正确设置交易成本
一个合理的回测应该至少包含：
佣金加印花税：双向0.1%，也就是万分之十，是比较接近现实的假设。
滑点：按成交金额的0.1%设置，对中小市值股票可以提高到0.2%。
冲击成本：如果你资金量不大，几百万以内，可以忽略。否则，参考公式：冲击成本 = 0.1% × (你的成交量 / 当日总成交量)^0.6。

代码示例（可配置成本模型）：

def calculate_cost(order_volume, avg_price, daily_volume, commission=0.0008, slippage=0.001):
    """
    计算交易成本
    order_volume: 委托股数
    avg_price: 平均成交价
    daily_volume: 该股票当日的总成交量，股
    """
    trade_value = order_volume * avg_price
    # 佣金+印花税
    commission_cost = trade_value * commission
    # 滑点
    slippage_cost = trade_value * slippage
    # 冲击成本，简单模型
    impact_ratio = (order_volume / daily_volume) ** 0.6 * 0.001
    impact_cost = trade_value * min(impact_ratio, 0.005)  # 上限0.5%
    return commission_cost + slippage_cost + impact_cost

检测成本隐藏
当你看到一份回测报告，问：
交易成本设置了百分之多少？如果低于0.1%，基本是理想化假设。
是否考虑了涨停买不进、跌停卖不出的情况？
是否考虑了小股票的流动性限制，比如日成交额低于1000万的股票无法大额交易？
如果这些问题都回答得含糊，你基本可以判断回测结果至少被高估了20%-30%。

实盘日志：滑点让我从盈利变亏损
2019年，我写了一个高频因子，回测夏普1.8，年化收益35%。我兴奋地实盘投入100万。前两周还不错，赚了5万。第三周市场波动加大，我的策略频繁交易，每天换手200%。
月末一算，扣除佣金和滑点，我居然亏了2万。我回测中只扣了0.05%的佣金，没算滑点。而实盘中，小股票的滑点经常达到0.3%甚至0.5%。对于一个每天换手200%的策略，0.3%的滑点一年下来就是75%的成本！我彻底放弃了这个策略，损失了2万学费。
从那以后，我回测中至少设置0.15%的综合成本，佣金加滑点，并且对高换手策略格外谨慎。

7.6 AI应用：用LSTM检测回测曲线是否被人为平滑

有些作弊者会手动“美化”回测曲线，比如删除一些大的回撤，或者用平滑技术让曲线看起来更稳定。这种人为平滑可以用深度学习模型检测出来。

思路
真实的回测曲线，其每日收益分布应该接近真实市场的收益分布，有厚尾、有波动聚集。人为平滑的曲线，每日收益变化过于均匀，波动率的波动性，也就是volatility-of-volatility，异常低。
我们可以训练一个LSTM，也就是长短时记忆网络，模型来区分真实曲线和伪造曲线。

数据准备
正样本：从真实量化策略，或者指数，中提取大量权益曲线，计算每日收益序列。
负样本：对真实曲线进行各种平滑处理，移动平均、插值、剔除大回撤，生成伪造曲线。

模型训练（伪代码）

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 假设 X_train 是形状为 (样本数, 时间步长, 特征数) 的三维数组
# 特征可以包括：当日收益、滚动波动率、偏度、峰度等
# y_train 是标签，0=真实，1=伪造
model = Sequential()
model.add(LSTM(50, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=20, batch_size=32, validation_split=0.2)
# 预测
prob = model.predict(X_test)

实际效果
我在100条真实曲线和100条平滑曲线上训练了一个简单LSTM，测试集准确率约85%。对于明显平滑的曲线，比如连续10天收益完全相同，模型能100%识别。对于微小的平滑，比如只删除了1%的大回撤，识别率较低，但还是能超过随机猜测。
局限：这种方法需要大量的曲线数据训练，不适合个人投资者。但你可以用简单的统计指标来近似：
计算每日收益的自相关。真实市场收益自相关很低，接近0，如果一条曲线的日收益自相关显著大于0.1，可能是平滑的。
计算最大回撤的个数。真实曲线通常有多个超过10%的回撤，伪造曲线可能只有1-2个。

代码示例（简单检测）：

def detect_smoothing(returns):
    """
    returns: 日收益率序列
    返回可疑指数，0-1，越高越可疑
    """
    # 自相关
    autocorr = returns.autocorr(lag=1)
    # 回撤个数，超过10%
    cum = (1+returns).cumprod()
    running_max = cum.expanding().max()
    drawdown = (cum - running_max) / running_max
    large_dd = (drawdown < -0.1).sum()
    # 可疑分数
    suspicious = (autocorr > 0.1) * 0.5 + (large_dd < 2) * 0.5
    return suspicious

7.7 本章FAQ

问题1：我看到一个回测报告，夏普2.5，最大回撤5%，可信吗？
大概率不可信。夏普超过1.5的主动策略已经很少见，超过2的基本是回测过拟合或者有前视偏差。除非是高频策略，但高频策略容量小，不可能公开，否则要极度怀疑。

问题2：如何快速识别一份回测报告是否靠谱？
看三处：第一是否包含交易成本？第二是否包含退市股票？第三是否有样本外验证？如果这三处都回答“是”，再细看；如果有一处含糊，直接跳过。

问题3：我的回测框架应该用前复权还是后复权？
前复权更直观。前复权保证当前价格是真实的，历史价格按比例调整。后复权保证历史价格连续，但当前价格不是真实价格。大部分回测库默认用前复权。

问题4：我听说有些因子用“未来信息”还能发论文，为什么？
有些学术论文确实允许使用“报告期”而不是“披露期”，因为他们研究的是财务报表的价值相关性，而不是实际交易策略。但如果你要做实盘，必须用披露期。这是学术和实务的区别。

问题5：有没有一款免费工具可以自动检测回测作弊？
目前没有通用的全自动工具。但你可以用alphalens配合自己的代码做很多检测：IC衰减、换手率、分组单调性等。本书的代码库提供了部分检测函数。

本章核心公式卡

1. 前视偏差检测
   财务数据：要求 disclose_date <= trade_date
   因子计算：要求使用 shift(1) 避免用当天价格

2. 生存者偏差修正
   回测全收益 = 包含退市股票的组合收益
   历史成分股 = 获取彼时的真实成分股

3. 参数敏感性得分
   S = (1/K) * Σ|IC(N_i) - IC(N_{i-1})|
   S越小越好。

4. 综合成本模型
   Cost = V × (c + s + α × (q/Q)^0.6)
   其中c是佣金，s是滑点，q是订单量，Q是日成交量，α约等于0.001。

本章实战清单汇总
10分钟快速审阅一份因子回测报告
第一步，1分钟：查看回测曲线图。图中是否有明显的除权跳空？是否有持续平滑无回撤的上升段？如有，可疑。
第二步，1分钟：询问交易成本假设。低于0.1%？没有滑点？如有，高估。
第三步，2分钟：检查样本外表现。报告是否提供了多个子时期的绩效分解？还是只有全样本？
第四步，2分钟：检查参数敏感性。作者是否只展示了一组参数结果？有没有敏感性分析？
第五步，2分钟：检查换手率。日均换手超过50%？如超过，交易成本可能吞噬收益。
第六步，1分钟：检查风险指标。是否只报了年化收益和夏普，没有最大回撤、卡玛比率、月度胜率？如果是，片面。
第七步，1分钟：询问数据源。是否包含退市股票？是否使用历史成分股？是否有生存者偏差？
如果以上任何一项回答是负面的，谨慎对待。

自己回测时的防作弊检查表
使用前复权价格，adjust='qfq'。
因子计算使用 shift(1) 避免前视。
财务数据使用披露日期，如果没有，保守滞后30/90天。
包含所有历史退市股票，使用stock_zh_a_stop_em。
成分股使用彼时真实成分股，使用历史成分股接口。
设置综合交易成本至少0.1%，佣金+印花税+滑点。
考虑停牌和涨跌停限制，涨停不能买入，跌停不能卖出。
做滚动窗口验证或样本外验证。
报告所有尝试的参数及其结果，而不是只选最好的。
如果因子换手率高，做敏感性测试，成本加倍后是否还有正收益。

第七章到此结束。
回测是量化研究的基础，但也是最容易出问题的地方。一个不严谨的回测，结论可能完全是误导。学会识破回测中的谎言，比学会挖因子更重要，因为你只有看穿了别人的骗局，才能真正保护自己的钱。
下一章是第八章，我们会做一个完整的实战项目：构建你的“因子谎言检测系统”。从前端数据获取到后端预警推送，一天之内搭建完毕。这一章代码量较大，但我会逐段讲解。