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。

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 提供了简洁的 API，基于 matplotlib 生成核心图表。

13.3.1 基础绘图¶

import akquant as aq
import matplotlib.pyplot as plt

# 运行回测
result = aq.run_backtest(...)

# 绘制权益曲线和回撤图
aq.plot_result(result, title="Strategy Performance")
plt.show()

13.3.2 交互式图表 (Plotly)¶

在 Jupyter Notebook 环境中，推荐使用交互式图表，可以缩放、拖拽，查看具体某天的持仓。

# 生成 HTML 交互式报告
result.plot(engine="plotly", filename="backtest.html")

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¶

pip install quantstats

13.4.2 生成综合报告¶

import quantstats as qs

# 1. 获取收益率序列 (pd.Series)
returns = result.metrics_df.loc['daily_returns']
# 注意：akquant result 对象通常需要转换，这里假设有一个辅助方法
# 或者直接从 equity curve 计算:
returns = result.equity_curve.pct_change().dropna()

# 2. 生成 HTML 报告
qs.reports.html(
    returns,
    benchmark="000300.SH", # 对比沪深300
    output='stats.html',
    title='Alpha Strategy Report'
)

13.5 完整示例代码¶

下面的代码演示了如何运行策略，并分别使用 akquant 内置工具和 QuantStats 生成可视化报告。

"""
第 10 章：可视化与报告 (Visualization).

本示例展示了如何将回测结果可视化，生成包含权益曲线、回撤图和日收益分布的综合图表。
AKQuant 内置了基于 `matplotlib` 的绘图工具，可以一键生成专业级报表。

依赖：
需要安装 matplotlib: `pip install matplotlib`

演示内容：
1. 运行一个简单的策略。
2. 使用 `aq.plot_result` 生成可视化图表。
3. 保存图表为图片文件。
"""

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 11 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，正在生成图表...")

    try:
        # 使用 akquant 内置的绘图函数
        # filename: 如果指定，将保存为文件而不是直接弹窗显示
        aq.plot_result(
            result,
            filename="backtest_report.png",
            title="Moving Average Strategy Performance",
        )
        print("图表已保存至: backtest_report.png")

        # 如果在 Jupyter Notebook 中，可以直接显示
        # result.plot()

    except ImportError:
        print("绘图失败: 请确保安装了 matplotlib (pip install matplotlib)")
    except Exception as e:
        print(f"绘图过程中发生错误: {e}")

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')

观察要点：

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。