请根据以下 SEO 主题生成完整页面内容：

Title: joinquant 历史财报分析：watch_date 与 stat_date 参数避坑

Question: 使用 get_history_fundamentals 查询财务数据时，watch_date 和 stat_date 有什么区别？

joinquant 历史财报分析：watch_date 与 stat_date 参数详解与避坑指南

在 JoinQuant（聚宽）量化交易平台中使用 get_history_fundamentals API 进行多报告期财务数据查询时，watch_date 与 stat_date 是控制时间维度的两大关键参数。搞清二者的区别对于规避未来函数和准确提取历史财报至关重要。

---

一、核心区别总览

watch_date 和 stat_date 只能二选一指定，不能同时使用。

参数名称	核心定义	适用场景	未来函数风险
watch_date	观察日期（实际看数据的时点）	回测、模拟实盘、因子选股	低（安全）：仅返回在该日期及之前已发布的最新财报
stat_date	统计报告期（财报对应的季度/年份）	财报专题研究、历史报表对比	高：直接按报告期查询，若在未披露前使用会引入未来数据

---

二、参数详细解析与使用逻辑

1. watch_date（观察日期）

• 含义：模拟真实交易者在某个具体日期（如 2023-05-01）站立的时间点。
• 逻辑：系统会自动检索在该日期（包含当天）已经发布的最新财报数据。如果某家上市公司尚未披露该期财报，则返回其上一期已披露的数据。
• 优势：完美规避财报披露延迟带来的未来函数，适合在策略回测中调用。

# 获取 2023-05-01 时点能够看到的最新 4 个季度的财报数据
df = get_history_fundamentals(
    security=['000001.XSHE'],
    fields=[income.total_operating_revenue, balance.cash_equivalents],
    watch_date='2023-05-01',
    count=4,
    interval='1q'
)

2. stat_date（统计日期 / 报告期）

• 含义：财报所属的会计周期，格式如 '2022q4'、'2023q1' 或 '2022'（需配合 stat_by_year=True）。
• 逻辑：直接按指定的报告期拉取数据。无论该财报实际是在何时发布的，只要指定了 stat_date，就会精准定位到该报告期。
• 风险警告：上市公司的财报披露通常有滞后期（如年报/一季报在 4 月底前披露完毕）。如果在 2023-01-15 的回测逻辑中使用了 stat_date='2022q4'，由于此时 2022 年四季报尚未披露，就会引入未来函数，导致回测失真。

# 精准查询 2022q1 及其之前的 4 个季度财报数据
df = get_history_fundamentals(
    security=['000001.XSHE'],
    fields=[income.total_operating_revenue],
    stat_date='2022q1',
    count=4,
    interval='1q'
)

---

三、常见的“坑”与避坑指南

坑 1：在策略回测中使用 stat_date 导致回测虚高

• 错误写法：在每日调仓逻辑中使用 stat_date=context.current_dt.strftime('%Yq%q')。
• 避坑方式：策略回测和实盘中务必使用 watch_date，并将其设置为 context.previous_date 或 context.current_dt。

坑 2：同时指定 watch_date 和 stat_date

• 错误写法：同时传入两个参数。
• 避坑方式：API 明确要求二者只能指定一个。若要根据发布时间确定切片，传 watch_date；若要分析固定报告期，传 stat_date。

坑 3：年度数据与季度数据混淆

• 避坑方式：若要获取年度数据（如年报），需设置 stat_by_year=True，此时 interval 必须为 '1y'，stat_date 必须为年份字符串（如 '2022'），不能传入 '2022q4'。

---

四、总结推荐示例

在因子回测策略中的标准安全调用方式：

from jqdata import *

def market_open(context):
    # 推荐使用 watch_date 传入上一交易日或当前日期，确保零未来函数
    df = get_history_fundamentals(
        security=['000001.XSHE', '600000.XSHG'],
        fields=[balance.cash_equivalents, income.total_operating_revenue],
        watch_date=context.previous_date,
        count=4,
        interval='1q'
    )
    # 按股票代码分组处理
    mean_revenue = df.groupby('code')['total_operating_revenue'].mean()