第 13 章：策略可视化与报表分析¶

⏱️ 预计阅读 ~20 分钟｜ 🎯 难度 ★★★☆☆（进阶）

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。

学习目标¶

掌握权益曲线、回撤、收益分布与交易行为图的基本读法。
理解可视化在策略诊断、复盘与沟通中的作用。
能够把报告图表与风险解释对应起来。

前置知识¶

已完成第 10 章的指标分析基础。
了解 Matplotlib、Plotly 或基础图表阅读方式。

本章实践入口¶

主示例：examples/textbook/ch13_visualization.py
进阶示例：examples/11_plot_visualization.py
对应指南：可视化指南

快速运行与验收¶

python examples/textbook/ch13_visualization.py

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)¶

权益曲线是最基础的图表，展示账户总资产随时间的变化，而坐标系的选择会直接影响解读视角。线性坐标 (Linear Scale) 适合短期回测；对数坐标 (Logarithmic Scale) 则更适合长期回测，因为在对数坐标下，直线的斜率代表复利增长率，且能清晰展示早期的波动，避免它被后期的指数增长所掩盖。

13.1.2 水下曲线 (Underwater Plot)¶

水下曲线专门用于展示回撤 (Drawdown) 的深度和持续时间。其 Y 轴表示当前净值距离历史最高点的百分比跌幅（0% ~ -100%），而阴影面积则反映了投资者承受痛苦的“时间和空间”。分析时应重点关注回撤修复期 (Recovery Period)：如果修复期过长（如超过 1 年），就说明策略可能已经失效。

13.1.3 收益分布图 (Return Distribution)¶

收益分布图展示日收益率的直方图 (Histogram) 和核密度估计 (KDE)，从中可以读出两个关键特征。其一是尖峰肥尾 (Fat Tails)，这是金融数据的典型特征，分析时尤其要关注分布的左尾 (Left Tail)，那正是“黑天鹅”藏身之处。其二是偏度 (Skewness)：正偏 (Positive Skew) 对应“小亏大赚”，是趋势策略的典型形态；负偏 (Negative Skew) 则对应“小赚大亏”，常见于套利策略或卖出期权。

13.2 高级分析图表¶

13.2.1 月度热力图 (Monthly Heatmap)¶

月度热力图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，主要用途是识别季节性 (Seasonality) 和策略衰退。从图形特征上看，如果某一年份全是绿色（亏损），就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，因此需要借助滚动指标观察其随时间的变化。其中，滚动波动率用于观察市场恐慌时策略的风险暴露，滚动夏普则用于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.set_index("date")["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 结构化 Benchmark Analysis 与前端复用¶

长期项目里，更推荐把 benchmark analysis 当成结构化分析资产，而不是只存在于 HTML 报告中。

benchmark_returns = (
    benchmark_df.set_index("date")["close"].pct_change().fillna(0.0)
)

payload = result.benchmark_analysis(
    benchmark=benchmark_returns,
    curve_freq="D",
)

print(payload["summary"])
print(payload["series"][:2])

推荐做法：

回测结束后由后端调用 result.benchmark_analysis(...)
将 summary + series + meta 直接返回给前端
result.report(..., benchmark=...) 与前端页面复用同一套 benchmark analysis 逻辑

这样可以避免前端再次计算超额收益、IR、Beta、Alpha，减少口径漂移。

如需把 benchmark analysis 作为回测产物保存：

result.export_benchmark_analysis(
    path="artifacts/benchmark_analysis.json",
    benchmark=benchmark_returns,
    format="json",
    curve_freq="D",
)

13.3.4 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：

liq_audit = result.liquidation_audit_df
print(liq_audit.head())

使用内置报告：

result.report(filename="report_margin.html", show=False)

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¶

pip install quantstats

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')

观察要点在于两个方向上的形态：沿 Strike 轴的弯曲程度反映了 Smile/Skew，而沿 Time 轴的倾斜程度则反映了波动率的期限结构 (Term Structure)。

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，它以 X 轴表示 MAE（最大浮亏）、Y 轴表示最终盈亏 (PnL)。从这张图可以读出入场与离场的质量：如果大量盈利交易的 MAE 都很小（如 < 1%），说明入场点非常精准；反之，如果亏损交易的 MAE 很大，则说明止损设置过宽，或者执行拖沓。它背后的黄金法则是截断亏损 (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¶

必须掌握¶

可视化不是装饰页面，而是发现风险、漂移和过拟合迹象的诊断工具。
收益、回撤、分布与交易行为需要联动解读，而不是单图下结论。

理解即可¶

同一策略在不同坐标、频率和基准下会呈现不同的解释视角。

实践提醒¶

统一图表口径、时间轴与色彩规范，避免图形与指标互相打架。

主线推进¶

贯穿全书的那条最小多均线 / 趋势策略，在前几章先后跑通了回测闭环、重写为标准策略类、扩展到多资产组合，并在上一阶段补齐了评价与优化口径。到本章，它进入“可视化诊断”的环节：我们不再只用一串汇总数字去判断它好坏，而是把它的回测产物摊开成一组相互印证的图表——用权益曲线（线性与对数）看复利轨迹，用水下图看回撤的深度与修复期，用收益分布看左尾与偏度，用月度热力图和滚动夏普看它在不同年份、不同市场状态下的稳定性，再借基准对比模块算出它相对沪深 300 的超额收益、信息比率与 Beta/Alpha。这样一来，主线策略从“能算出一个夏普”推进到了“能被一组图表交叉诊断”，为下一步把它因子化、并最终接入实盘前的复盘检查打好了观察基础。

延伸阅读¶

经典著作

Tufte, E. R. The Visual Display of Quantitative Information, Graphics Press, 1st ed. 1983 / 2nd ed. 2001 —— 统计图形设计的奠基之作，提出“数据墨水比 (data-ink ratio)”与小型多重图等原则，为本章 13.1（可视化原则与核心图表）提供方法论基础。
Bailey, D. H., & López de Prado, M. "The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality," The Journal of Portfolio Management, 40(5), 2014, 94–107 —— 指出报表中的夏普比率会被多重检验与非正态分布系统性高估，呼应本章 13.2（滚动指标）与“识别过拟合迹象”的诊断目标。
Bacon, C. R. Practical Portfolio Performance Measurement and Attribution, John Wiley & Sons, 1st ed. 2004 / 3rd ed. 2021 —— 系统讲解绩效度量与归因的实务计算，对应本章 13.3（基准对比：超额收益、跟踪误差、信息比率、Beta/Alpha）。

官方文档与工具

QuantStats（Ran Aroussi） —— 本章 13.4 集成的第三方组合分析库，提供 stats / plots / reports 三大模块与 Tearsheet 报告。
mplfinance —— 本章 13.6 用于绘制专业 K 线与成交量、叠加买卖点信号的 Matplotlib 金融图表库。
AKQuant 可视化指南 —— result.plot、result.report、benchmark_analysis 等内置绘图与报告接口的权威说明，对应本章 13.3。

本书相关

第 10 章：策略评价体系与风险指标 —— 本章 13.1、13.2 中权益曲线、回撤、滚动夏普等图表，是第 10 章指标分析的可视化呈现。
第 9 章：基金投资与资产配置理论 —— 本章 13.3 的基准对比与超额收益分析，可直接用于复盘第 9 章的股债轮动与组合配置结果。

课后练习¶

基础题¶

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。

应用题¶

增加一个收益分布图，分析左尾风险变化。

综合题¶

为交易记录生成 MAE/MFE 图并据此调整止损阈值。

参考答案要点（先独立思考再展开）

基础题：对数坐标下直线斜率代表复利增长率，能清晰展示早期波动；线性坐标在后期指数增长时会掩盖早期细节。

应用题：关注收益分布左尾的肥厚程度与偏度；负偏（小赚大亏）形态需警惕黑天鹅风险。

综合题：若盈利交易的 MAE 普遍很小，可适当收紧止损；若亏损交易 MAE 很大，说明止损过宽或执行拖沓。

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。