lookahead bias는 예측 모델이나 투자 전략을 과거 데이터로 평가할 때, 판단 시점에는 알 수 없었던 미래 정보가 입력에 섞여 들어가 실제보다 성능이 좋게 나오는 편향이다. 금융의 백테스트에서 오래전부터 알려진 문제이며, 기계학습에서는 데이터 누수(data leakage)의 한 형태로 다뤄진다.
전형적인 예로 나중에 수정된 재무 데이터를 발표 전 시점의 데이터처럼 쓰거나, 학습 데이터에 평가 기간의 정보가 포함되는 경우가 있다. 이를 막으려면 각 시점에 실제로 이용할 수 있었던 데이터만 쓰는 point-in-time 데이터와 평가 시점 이후의 자료를 차단하는 환경이 필요하다. 대형 언어 모델을 평가할 때는 모델의 학습 데이터에 정답이 들어 있을 가능성도 같은 맥락에서 문제가 된다.