把策略净值变成可审阅的报告

你可以把回测引擎和报告工具想成两位分工不同的同事。

Backtrader 负责按时间推进数据，模拟信号、下单、成交和账户变化。QuantStats 负责接收收益序列，计算统计指标并画图。它们有一些功能重叠，但不能互相替代。

一次完整流程是：

1. 用回测引擎得到每天的账户净值 NAV；
2. 把净值转换成每日收益率；
3. 把收益率交给 QuantStats 的统计、绘图和报告模块；
4. 同时保存原始净值、基准序列、参数和交易明细，方便以后回算。

净值 NAV 不是“卖出后赚了多少钱”。它应该包括现金，以及当天仍然持有的仓位按当天市值计算的金额。只把已经卖出的盈亏加起来，会漏掉未平仓持仓。

收益率公式是：

r_t = NAV_t ÷ NAV_(t−1) − 1

例如三天净值是 100、98、101：第二天收益率是 98 ÷ 100 − 1 = −2%；第三天收益率是 101 ÷ 98 − 1 ≈ 3.06%。这两个数不是把净值直接相减得到的。

回测引擎按一根一根的 K 线推进，也不会自动消除未来函数。数据准备、指标计算、信号时间和成交假设仍然要单独检查。

QuantStats 常见的功能可以分成三类：

• stats：计算指标，例如收益、波动率、最大回撤和夏普；
• plots：生成图表，例如净值、水下、月度收益和滚动风险；
• reports：把统计和图表组织成可阅读的报告。

不同安装版本的函数签名、默认参数和支持的指标数量可能不同。真正使用时，要按当前版本的官方说明核对，不能只看函数名字猜口径。

你至少应该把下面这些东西一起保存：

• 原始净值序列；
• 每日收益率；
• 基准序列；
• 策略参数和数据区间；
• 交易明细 CSV；
• 报告生成时使用的软件版本。

中文报告可以继续使用同一套统计结果，再用 Matplotlib 设置中文字体、绘图并写入 HTML。这样做解决的是展示问题，不会自动修复统计口径。

一份报告可以按六组指标来读：

收益组常见累计收益、复合年化收益、最佳单日和最差单日。累计收益来自逐期复合，不是把每天百分比直接相加。

复合收益的通用写法是：

累计净值 = (1 + r_1) × (1 + r_2) × … × (1 + r_n)

例如三天收益由净值 100、98、101 得到：(1 − 2%) × (1 + 3.06%) ≈ 1.01，所以最终净值约为 101，累计收益约为 101 ÷ 100 − 1 = 1%。

年化收益要写清楚持有天数和频率。风险调整指标里：

• 夏普看超出无风险收益的回报，相对于整体收益波动有多少；
• Sortino重点看下行偏差；
• Calmar常用年化收益除以最大回撤的绝对值。

相对基准时，Alpha来自回归模型中的定义，不能简单等同于“策略收益减基准收益”；Beta描述策略对基准变动的敏感度；信息比率使用主动收益相对跟踪误差。不同名称不能因为都带“超额”就混写成同一个指标。

先看一个具体数字。把历史日收益从差到好排序，在 95% 水平下，历史 VaR 可以看作最差 5% 附近的分位点。这个例子得到的 VaR 是 −1.82%。

如果报告用“收益率”表示，写成 VaR95 = −1.82%；如果报告用“正的损失额”表示，则写成 1.82%。两种符号都可能见到，报告必须先写清楚约定。

“95%”不是说每 20 天一定有一天损失超过 1.82%。它只是概率直觉：在 100 天的样本里，大约取最差 5 天附近的位置。实际分位数可能会插值，20 天约一天也不是固定周期。

VaR 只告诉你一个尾部阈值，不告诉你越过阈值以后会有多严重。CVaR，也叫 Expected Shortfall，会计算超过这个阈值的尾部样本平均损失。例子中的 CVaR 是 −2.67%，意思是在所定义的最差尾部样本里，平均收益约为负 2.67%，不是每次跌破 −1.82% 都刚好亏 −2.67%。

VaR 不是最大可能亏损，也不保证未来的损失不会超过它。短样本、厚尾和没有覆盖到的极端事件，都会降低估计的可靠性。

不要把历史分位 VaR 和“均值加减两倍标准差”混成一回事。正态分布下，双侧约 95% 区间和单侧 95% 分位不是同一个边界；布林带也不保证价格有 95% 的时间落在带内。

实际使用库时，还要核对它用的是历史分位法还是参数法。函数名叫 VaR，不代表它一定和你的手算口径相同。

累计净值图要看完整过程，而不只是最后一点。把策略和从同一起点开始的基准放在一起，观察超额收益究竟来自哪个阶段。

水下图显示净值相对历史高点跌了多少。除了最大深度，还要看多久没有回到高点。短暂急跌和小回撤但长期停滞，对执行者是两种完全不同的体验。

月度热力图把每个月的复合收益放在一起，便于发现收益是否集中在某些阶段。图例必须标明正负颜色，不同市场对红绿颜色的习惯可能相反。

滚动夏普和滚动波动是在固定长度的窗口上重复计算，观察稳定性怎样变化。窗口太短，指标会很跳；早期样本还不够一个完整窗口时，应留空或明确标记，不能画出看似精确的数字。

收益分布图要联合看偏度、峰度和极端值。胜率高，可能仍然有少数大亏；平均收益高，也可能只是靠少数大赚日。比如报告比较 2024—2025 的策略时，不能只看最终累计收益，还要看收益来自哪些月份、最大回撤持续多久。

如果你有三种策略，报告应让你能同时看到三条净值、三组回撤和三组收益分布，而不是只把排名第一的曲线放大。

假设在同一段贵州茅台行情里比较双均线、MACD 和 RSI。某次固定区间的结果显示 RSI 表现优于另外两种方法，这只能说明它在这段行情和这组参数下更适配，不能推出 RSI 长期最好。

公平比较前，至少要统一：

• 数据区间和数据版本；
• 初始资金；
• 仓位规则；
• 手续费、滑点和其他成本；
• 信号到成交的时间规则；
• 基准；
• 计算频率和缺失处理。

日频夏普的常见近似写法是：

夏普 ≈ 日超额收益均值 ÷ 日收益标准差 × √252

例如把同一组日收益、同一个无风险收益处理和同一个标准差口径放进去，再乘 √252。这里的 252 是常用年化约定，不是每年精确的交易日数。若 Backtrader 和 QuantStats 的夏普不同，可能是收益频率、无风险收益、复合方式、样本标准差、年化系数或缺失处理不同。

不要因为两个工具都输出“夏普”就认定结果都正确。要逐项对齐，再用一个很小的手算例子核对。也不要分别给每个策略挑最有利的参数和日期，否则比较从一开始就不公平。

实盘数据可以从券商历史成交或交割单导出 CSV，也可以通过 QMT 相关接口读取交易记录。但不同券商、客户端版本、账户和接口的历史覆盖范围不同，不能默认某个接口就是完整账户历史。

成交明细通常可以保存：

• 成交日期和时间；
• 买卖方向；
• 数量、价格和金额；
• 佣金及其他费用；
• 证券代码；
• 成交编号。

分批导出后，要按稳定标识去重，并检查时区、编码、代码前导零和字段单位。成交记录、委托记录和资金流水不是同一种数据，不能混在一起统计。

假设你只有约 90 天的已平仓交易，没有把现在仍持有的股票纳入。这样的结果只能叫“已平仓交易分析”。它可能与全账户真实表现不同，年化结果也会受到影响。完整净值还需要期初资产、每日持仓价格、现金、出入金、分红和公司行为等信息。

如果只画买卖点，可以把成交时间叠加到对应 K 线上，标出买入、卖出、数量和费用。这有助于复盘，但不能替代组合净值。

A 股的 T+1 等交易制度会影响“买入后能否当日卖出”。统计范围、成交规则和未平仓部分必须在报告首页写清楚。私人交割单也不能未经授权公开分享。

你可以用下面的结构做自己的模板。

首页写清楚：策略名称、这是回测还是实盘、数据截止日、统计期间、基准和主要结论。

每个策略页放：净值图、水下图、月度收益表、滚动风险、关键指标，以及数据缺口、未成交假设和费用口径。

索引页把三种策略统一链接起来，中文和英文页面使用同一套计算结果，避免翻译页面重新算出另一组数字。

报告适合研究归档和沟通，但历史假设回测必须和真实成交分开。报告里的每一个数字，都应该能追溯到净值序列、收益序列、参数、基准或交易明细。