第 13 章：策略可视化与报表分析¶
数据可视化 (Data Visualization) 不仅是展示结果的手段，更是探索性数据分析 (Exploratory Data Analysis, EDA) 的核心工具。通过高质量的图表，我们可以直观地识别策略的风险特征、收益来源以及潜在的过拟合迹象。本章将介绍如何使用 AKQuant 及第三方工具生成专业的量化回测报告。
本章实践入口¶
快速运行与验收¶
验收要点：
- 脚本可生成至少一组回测图表或可视化产物。
- 图表包含收益曲线与回撤维度信息。
- 修改参数后图表形态变化可用于解释策略风险特征。
13.1 可视化原则与核心图表¶
13.1.1 权益曲线 (Equity Curve)¶
最基础的图表，展示账户总资产随时间的变化。
- 线性坐标 (Linear Scale)：适合短期回测。
- 对数坐标 (Logarithmic Scale)：适合长期回测。在对数坐标下，直线的斜率代表复利增长率，且能清晰展示早期的波动（避免被后期的指数增长掩盖）。
13.1.2 水下曲线 (Underwater Plot)¶
专门用于展示回撤 (Drawdown) 的深度和持续时间。
- Y轴：当前净值距离历史最高点的百分比跌幅（0% ~ -100%）。
- 阴影面积：反映了投资者承受痛苦的“时间和空间”。
- 分析：重点关注回撤修复期 (Recovery Period)。如果修复期过长（如超过 1 年），说明策略可能已经失效。
13.1.3 收益分布图 (Return Distribution)¶
展示日收益率的直方图 (Histogram) 和核密度估计 (KDE)。
- 尖峰肥尾 (Fat Tails)：金融数据的典型特征。关注分布的左尾 (Left Tail)，那是“黑天鹅”藏身之处。
- 偏度 (Skewness)：
- 正偏 (Positive Skew)：小亏大赚（趋势策略）。
- 负偏 (Negative Skew)：小赚大亏（套利策略/卖期权）。
13.2 高级分析图表¶
13.2.1 月度热力图 (Monthly Heatmap)¶
将收益率按年份和月份排列成矩阵，用颜色深浅表示收益高低。
- 用途：识别季节性 (Seasonality) 和策略衰退。
- 特征：如果某一年份全是绿色（亏损），可能意味着市场风格发生了根本性转变。
13.2.2 滚动指标 (Rolling Metrics)¶
静态指标（如全周期夏普）可能掩盖局部的剧烈波动。
- 滚动波动率：观察市场恐慌时策略的风险暴露。
- 滚动夏普：观察策略表现的稳定性。
13.3 AKQuant 内置绘图工具¶
AKQuant 提供了统一的 Plotly 报告接口，可直接输出交互式 HTML，并内置基准对比分析模块。
13.3.1 基础绘图¶
import akquant as aq
# 运行回测
result = aq.run_backtest(...)
# 生成交互式仪表盘
fig = result.plot(show=False, title="Strategy Dashboard")
fig.write_html("dashboard.html")
13.3.2 策略报告与基准对比 (Plotly)¶
result.report 会生成整合版策略报告，默认包含：
- 核心指标与权益回撤图
- 收益分布与滚动指标
- 交易复盘图（提供行情数据时）
- 基准对比模块（传入
benchmark时）
benchmark_returns = benchmark_df["close"].pct_change().fillna(0.0)
result.report(
title="Alpha Strategy Report",
filename="akquant_report.html",
show=False,
benchmark=benchmark_returns,
)
基准对比模块会展示以下相对指标：
- 累计超额收益 (Total Excess)
- 年化超额收益 (Annual Excess)
- 跟踪误差 (Tracking Error)
- 信息比率 (Information Ratio)
- Beta / Alpha
13.3.3 信用账户强平审计视图¶
在融资/融券回测中，如果发生维持担保比例触发的强平，BacktestResult 会产出结构化审计表：
使用内置报告：
报告会自动包含：
- 强平审计明细表（日期、当日计息、强平标的、强平顺序）
- 风险图表区中的按日强平统计图（有数据时展示）
13.4 第三方工具集成：QuantStats¶
AKQuant 完美支持 QuantStats，这是一个强大的 Python 量化分析库，能生成媲美专业基金的 Tearsheet。
13.4.1 安装与使用¶
13.4.2 生成综合报告¶
result.report_quantstats(
benchmark="000300.SH",
filename="qs_stats.html",
title="Alpha Strategy QuantStats Report",
)
13.5 完整示例代码¶
下面的代码演示了如何运行策略，并使用 AKQuant 报告接口生成包含基准对比的可视化报告。
"""
第 13 章：可视化与报告 (Visualization).
本示例展示如何使用 AKQuant 的 Plotly 报告能力，并加入基准对比分析。
演示内容：
1. 运行一个简单的策略。
2. 构造一个简单基准收益序列。
3. 使用 `result.report(..., benchmark=...)` 生成交互式 HTML 报告。
"""
import akquant as aq
import numpy as np
import pandas as pd
from akquant import Bar, Strategy
# 模拟数据生成
def generate_mock_data(length: int = 500) -> pd.DataFrame:
"""生成模拟数据."""
np.random.seed(42)
dates = pd.date_range(start="2022-01-01", periods=length, freq="D")
# 构造一个有趋势的数据，让曲线好看一些
trend = np.linspace(100, 150, length)
noise = np.cumsum(np.random.randn(length))
prices = trend + noise
df = pd.DataFrame(
{
"date": dates,
"open": prices,
"high": prices + 1,
"low": prices - 1,
"close": prices,
"volume": 100000,
"symbol": "MOCK_PLOT",
}
)
return df
class PlotStrategy(Strategy):
"""可视化演示策略."""
def __init__(self) -> None:
"""初始化策略."""
super().__init__()
self.ma_window = 20
self.warmup_period = 20
def on_bar(self, bar: Bar) -> None:
"""收到 Bar 事件的回调."""
symbol = bar.symbol
closes = self.get_history(
count=self.ma_window + 1, symbol=symbol, field="close"
)
if len(closes) < self.ma_window + 1:
return
ma = closes[:-1][-self.ma_window :].mean()
pos = self.get_position(symbol)
# 简单的均线突破
if bar.close > ma and pos == 0:
self.order_target_percent(0.95, symbol)
elif bar.close < ma and pos > 0:
self.close_position(symbol)
if __name__ == "__main__":
df = generate_mock_data()
print("开始运行第 13 章可视化示例...")
result = aq.run_backtest(
strategy=PlotStrategy, data=df, initial_cash=100_000, commission_rate=0.0003
)
print("回测完成，正在生成带基准对比的报告...")
benchmark_returns = (
df.set_index("date")["close"].pct_change().fillna(0.0).rename("MOCK_BENCH")
)
result.report(
title="AKQuant Chapter 13 - Visualization with Benchmark",
filename="ch13_report_with_benchmark.html",
show=False,
market_data=df,
plot_symbol="MOCK_PLOT",
include_trade_kline=True,
benchmark=benchmark_returns,
)
print("报告已保存至: ch13_report_with_benchmark.html")
13.6 专业 K 线图绘制 (Professional Candlestick Charts)¶
虽然折线图能展示大致趋势，但量化交易员更习惯看 K 线图 (Candlestick)。Python 中最专业的库是 mplfinance。
13.6.1 基础 K 线与成交量¶
import mplfinance as mpf
# 准备数据 (必须包含 Open, High, Low, Close, Volume 列)
df.index.name = 'Date'
# 绘制蜡烛图 + 成交量
mpf.plot(df, type='candle', volume=True, style='yahoo')
13.6.2 叠加买卖点信号¶
在 K 线图上标注买入 (Buy) 和卖出 (Sell) 信号，直观复盘交易逻辑。
# 生成买卖点标记
buys = [price if sig == 1 else np.nan for price, sig in zip(df['low'], df['buy_signal'])]
sells = [price if sig == -1 else np.nan for price, sig in zip(df['high'], df['sell_signal'])]
# 添加到副图
apds = [
mpf.make_addplot(buys, type='scatter', markersize=100, marker='^', color='r'),
mpf.make_addplot(sells, type='scatter', markersize=100, marker='v', color='g')
]
mpf.plot(df, addplot=apds)
13.7 3D 波动率曲面 (3D Volatility Surface)¶
对于期权交易员，仅仅看 IV 曲线是不够的，我们需要看到整个曲面（Strike x Expiry）。
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111, projection='3d')
# X: 行权价, Y: 到期时间, Z: 隐含波动率
ax.plot_surface(X, Y, Z, cmap='viridis')
ax.set_xlabel('Strike Price')
ax.set_ylabel('Time to Expiry')
ax.set_zlabel('Implied Volatility')
- Smile/Skew：沿 Strike 轴的弯曲程度。
- Term Structure：沿 Time 轴的倾斜程度。
13.8 交易分析图表 (Trade Analysis)¶
13.8.1 MAE/MFE 散点图¶
最大不利偏离 (MAE) 与最大有利偏离 (MFE) 的散点图是优化止盈止损的神器。
- X轴：MAE（最大浮亏）。
- Y轴：最终盈亏 (PnL)。
- 分析：
- 如果大量盈利交易的 MAE 都很小（如 < 1%），说明入场点非常精准。
- 如果亏损交易的 MAE 很大，说明止损设置过宽，或者执行拖沓。
- 黄金法则：截断亏损 (Cut Loss)，让利润奔跑 (Let Profit Run)。这就意味着在图上，左下角的点（止损单）应该密集且受控，右上角的点（盈利单）应该发散且无上限。
本章小结¶
- 可视化是策略诊断工具，不只是结果展示页面。
- 收益、回撤、分布与交易行为应通过多图联动分析。
- 高质量图表能显著提升策略复盘效率和沟通透明度。
课后练习¶
- 为同一策略分别绘制线性与对数权益曲线并比较解读差异。
- 增加一个收益分布图，分析左尾风险变化。
- 为交易记录生成 MAE/MFE 图并据此调整止损阈值。
常见错误与排查¶
- 图表结论偏差：确认时间轴与收益频率是否一致。
- 指标与图形不一致：核对绘图数据源和统计口径是否统一。
- 图表过于拥挤：拆分子图并统一色彩与尺度规范。