数据窥探（Data Snooping）是同时或反复测试大量模型、规则、资产或参数后，把同一历史样本里最漂亮的结果当成好像事前已经独立指定一样，从而产生的选择偏差。
它是怎么运作的
即使每个候选都没有真正优势，只要测试足够多，也可能随机出现一个历史冠军；一旦按成绩选冠军，它的回测结果就不能再按单次独立检验来理解。
样本外数据、walk-forward、事前写好的假设和多重检验控制，都是为了把“选择模型”和“评价模型”分开。
为什么交易者需要知道
它解释了为什么策略在样本内极其漂亮，上线后却迅速掉队，即使代码本身没有bug。
它与未来数据泄漏相关但不同：数据窥探来自反复搜索同一样本；look-ahead bias是直接使用当时尚不可得的信息。
一个简单的市场例子
20组实际上都没有edge的参数一起竞争，历史最强的一组被选中，但样本外表现明显恶化。问题不仅在参数，而在选择过程本身。
常见误区
只展示冠军参数，却不披露总共试了多少版本。
同一段历史既用来选参数、调阈值，又用来当最终验证。
常见问题
调参一定是数据窥探吗？
不一定，但要把调参与最终评价分开，并记录搜索过程。
什么是样本外测试？
用没有参与模型选择或拟合的数据进行评价。
walk-forward能完全避免过拟合吗？
不能，它提高纪律，但整个验证流程本身也可能被反复优化。
仅供教育用途。部分术语在不同国家、机构和市场中的具体口径可能不同。