使用 QuantStats 进行投资组合绩效分析：Python 量化实战指南

海上日出
7 阅读1分钟

作者：墨星
掘金技术社区

一、引言

在量化交易中，策略回测只是第一步。更关键的是：如何科学地评估策略的表现？

今天给大家介绍一个强大的 Python 量化分析库——QuantStats。它可以帮你一键计算夏普比率、最大回撤、年化收益等核心指标，让绩效分析变得非常简单。

二、QuantStats 是什么？

QuantStats 是一个专为投资组合分析设计的 Python 库。它的特点是：

  • 一键生成绩效报告：只需几行代码，就能生成专业的分析报告
  • 丰富指标库：夏普比率、索提诺比率、卡玛比率、最大回撤等
  • 可视化图表：收益率曲线、回撤曲线、收益分布图等
  • 与 Backtrader 无缝集成：可以直接分析回测结果

三、安装与环境配置

# 安装 QuantStats
pip install quantstats

# 如果需要绘图功能
pip install matplotlib seaborn

四、快速入门：基础使用

4.1 准备数据

QuantStats 需要收益率数据（Series 格式）：

import quantstats as qs
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 方法1：使用随机数据演示（仅供学习参考）
np.random.seed(42)
dates = pd.date_range('2023-01-01', '2025-12-31', freq='B')
returns = np.random.normal(0.001, 0.02, len(dates))  # 日收益率
returns = pd.Series(returns, index=dates)

# 方法2：从文件读取实际数据
# returns = pd.read_csv('returns.csv', index_col=0, parse_dates=True)['returns']

print(f"数据点数: {len(returns)}")
print(f"平均日收益: {returns.mean():.4f}")
print(f"累计收益: {((1 + returns).prod() - 1) * 100:.2f}%")

4.2 一键生成完整报告

# 一行代码生成 HTML 报告（仅供学习参考）
qs.reports.html(returns, title="策略绩效报告", output="performance_report.html")

这会生成一个交互式 HTML 报告，包含所有核心指标。

五、核心指标计算详解

5.1 年化收益率

def calculate_annual_return(returns):
    """计算年化收益率"""
    total_return = (1 + returns).prod() - 1
    years = len(returns) / 252  # 假设一年252个交易日
    annual_return = (1 + total_return) ** (1 / years) - 1
    return annual_return

annual_ret = calculate_annual_return(returns)
print(f"年化收益率: {annual_ret * 100:.2f}%")

5.2 夏普比率（Sharpe Ratio）

def calculate_sharpe_ratio(returns, risk_free_rate=0.0):
    """计算夏普比率"""
    excess_returns = returns - risk_free_rate / 252
    if excess_returns.std() == 0:
        return 0
    sharpe = excess_returns.mean() / excess_returns.std() * np.sqrt(252)
    return sharpe

sharpe_ratio = calculate_sharpe_ratio(returns)
print(f"夏普比率: {sharpe_ratio:.2f}")

# QuantStats 内置方法
print(f"夏普比率(QuantStats): {qs.stats.sharpe(returns):.2f}")

夏普比率解读：

  • < 0.5：较差
  • 0.5-1.0：一般
  • 1.0-2.0：良好

  • 2.0：优秀

5.3 最大回撤（Maximum Drawdown）

def calculate_max_drawdown(returns):
    """计算最大回撤"""
    cumulative = (1 + returns).cumprod()
    running_max = cumulative.cummax()
    drawdown = (cumulative - running_max) / running_max
    max_dd = drawdown.min()
    return max_dd

max_dd = calculate_max_drawdown(returns)
print(f"最大回撤: {max_dd * 100:.2f}%")

# QuantStats 内置方法
print(f"最大回撤(QuantStats): {qs.stats.max_drawdown(returns) * 100:.2f}%")

5.4 索提诺比率（Sortino Ratio）

def calculate_sortino_ratio(returns, target_return=0):
    """计算索提诺比率"""
    excess_returns = returns - target_return / 252
    downside_returns = excess_returns[excess_returns < 0]
    if len(downside_returns) == 0 or downside_returns.std() == 0:
        return 0
    sortino = excess_returns.mean() / downside_returns.std() * np.sqrt(252)
    return sortino

sortino = calculate_sortino_ratio(returns)
print(f"索提诺比率: {sortino:.2f}")

# QuantStats 内置方法
print(f"索提诺比率(QuantStats): {qs.stats.sortino(returns):.2f}")

索提诺比率解读： 只关注下行风险，比夏普比率更适合波动大的策略。

5.5 卡玛比率（Calmar Ratio）

def calculate_calmar_ratio(returns):
    """计算卡玛比率（年化收益/最大回撤）"""
    annual_ret = calculate_annual_return(returns)
    max_dd = abs(calculate_max_drawdown(returns))
    if max_dd == 0:
        return 0
    return annual_ret / max_dd

calmar = calculate_calmar_ratio(returns)
print(f"卡玛比率: {calmar:.2f}")

# QuantStats 内置方法
print(f"卡玛比率(QuantStats): {qs.stats.calmar(returns):.2f}")

卡玛比率解读：越高越好，表示单位风险承担的收益越高。

六、可视化分析

6.1 收益率曲线

import quantstats as qs
import matplotlib.pyplot as plt

# 计算累计收益
cumulative_returns = (1 + returns).cumprod()

# 绘制收益率曲线
plt.figure(figsize=(12, 6))
plt.plot(cumulative_returns, label='策略累计收益')
plt.axhline(y=1, color='r', linestyle='--', label='基准线')
plt.title('策略收益率曲线', fontsize=14)
plt.xlabel('日期')
plt.ylabel('累计收益倍数')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# QuantStats 内置绘图
qs.plots.returns(returns)

6.2 回撤曲线

import quantstats as qs

# 绘制回撤曲线
qs.plots.drawdown(returns, title='策略回撤分析')

# 或者自定义计算并绘制
cumulative = (1 + returns).cumprod()
running_max = cumulative.cummax()
drawdown = (cumulative - running_max) / running_max * 100

plt.figure(figsize=(12, 6))
plt.fill_between(drawdown.index, drawdown.values, 0, color='red', alpha=0.3)
plt.plot(drawdown.index, drawdown.values, color='red')
plt.title('回撤曲线', fontsize=14)
plt.xlabel('日期')
plt.ylabel('回撤百分比 (%)')
plt.grid(True, alpha=0.3)
plt.show()

6.3 收益分布图

import quantstats as qs
import matplotlib.pyplot as plt

# QuantStats 内置分布图
qs.plots.histogram(returns, resample='A')

# 或自定义
daily_returns_pct = returns * 100
plt.figure(figsize=(10, 6))
plt.hist(daily_returns_pct, bins=50, edgecolor='black', alpha=0.7)
plt.axvline(daily_returns_pct.mean(), color='red', linestyle='--', 
            label=f'均值: {daily_returns_pct.mean():.2f}%')
plt.axvline(daily_returns_pct.median(), color='green', linestyle='--', 
            label=f'中位数: {daily_returns_pct.median():.2f}%')
plt.xlabel('日收益率 (%)')
plt.ylabel('频次')
plt.title('日收益率分布')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

6.4 月度收益热力图

import quantstats as qs

# 生成月度收益热力图
qs.plots.monthly_heatmap(returns)

七、完整示例：策略对比分析

# 完整对比分析示例（仅供学习参考）
import quantstats as qs
import pandas as pd
import numpy as np

np.random.seed(42)

# 模拟三种策略
dates = pd.date_range('2024-01-01', periods=252, freq='B')

# 策略A：激进型（高风险高波动）
strategy_a = pd.Series(
    np.random.normal(0.0015, 0.025, len(dates)),
    index=dates
)

# 策略B：稳健型（低风险低波动）
strategy_b = pd.Series(
    np.random.normal(0.0008, 0.015, len(dates)),
    index=dates
)

# 策略C：平衡型
strategy_c = pd.Series(
    np.random.normal(0.001, 0.02, len(dates)),
    index=dates
)

# 策略对比报告
comparison = pd.DataFrame({
    '策略A(激进)': [
        qs.stats.sharpe(strategy_a),
        qs.stats.max_drawdown(strategy_a),
        qs.stats.sortino(strategy_a),
        qs.stats.calmar(strategy_a),
        (strategy_a.sum() / len(strategy_a)) * 252 * 100,  # 年化收益
    ],
    '策略B(稳健)': [
        qs.stats.sharpe(strategy_b),
        qs.stats.max_drawdown(strategy_b),
        qs.stats.sortino(strategy_b),
        qs.stats.calmar(strategy_b),
        (strategy_b.sum() / len(strategy_b)) * 252 * 100,
    ],
    '策略C(平衡)': [
        qs.stats.sharpe(strategy_c),
        qs.stats.max_drawdown(strategy_c),
        qs.stats.sortino(strategy_c),
        qs.stats.calmar(strategy_c),
        (strategy_c.sum() / len(strategy_c)) * 252 * 100,
    ]
}, index=['夏普比率', '最大回撤', '索提诺比率', '卡玛比率', '年化收益(%)'])

print("\n📊 策略绩效对比:")
print(comparison.round(2))

# 选择最优策略
best_sharpe = comparison.columns[comparison.loc['夏普比率'].idxmax()]
best_calmar = comparison.columns[comparison.loc['卡玛比率'].idxmax()]
print(f"\n🏆 夏普比率最高: {best_sharpe}")
print(f"🏆 卡玛比率最高: {best_calmar}")

八、与 Backtrader 集成

如果使用 Backtrader 进行策略回测，可以直接将回测结果传入 QuantStats 分析：

import quantstats as qs
import backtrader as bt

# 回测结束后获取收益数据
# cerebro.run() 完成后

def analyze_results(cerebro):
    """分析回测结果"""
    # 从回测结果中提取收益率序列
    # 这里假设 returns 是你的日收益率 Series
    
    # 使用 QuantStats 分析
    qs.reports.full(returns)
    
    # 生成 HTML 报告
    qs.reports.html(returns, 
                    title="Backtrader 回测报告",
                    output="backtrader_report.html")
    
    # 打印关键指标
    print(f"\n📈 夏普比率: {qs.stats.sharpe(returns):.2f}")
    print(f"📉 最大回撤: {qs.stats.max_drawdown(returns)*100:.2f}%")
    print(f"📊 索提诺比率: {qs.stats.sortino(returns):.2f}")
    print(f"🏆 卡玛比率: {qs.stats.calmar(returns):.2f}")

# 执行分析
# analyze_results(cerebro)

九、常见问题与解决方案

Q1：为什么我的夏普比率是负数？

原因：策略跑输无风险利率（如国债收益率）。

建议：

  1. 检查收益率计算是否正确
  2. 对比基准是否为合理基准
  3. 考虑调整策略参数或换策略

Q2：最大回撤多少算合理？

参考：

  • 单只股票型基金：20-30%
  • 指数基金：15-25%
  • 稳健型策略：<15%

注意：回撤大小和收益预期成正比，需找到适合自身风险偏好的策略。

Q3：量化指标阈值推荐

指标优秀良好一般较差
夏普比率>2.01.0-2.00.5-1.0<0.5
卡玛比率>3.01.5-3.01.0-1.5<1.0
最大回撤<10%10-20%20-30%>30%

十、总结

QuantStats 是量化交易者不可或缺的分析工具，它的核心价值在于：

  1. 快速计算：一键生成绩效报告，节省大量开发时间
  2. 标准指标：提供业界通用的风险收益指标
  3. 可视化：直观的图表展示
  4. 开源免费：社区活跃，持续更新

学习建议：

  • 先用模拟数据跑通完整流程
  • 结合实际Portfolio数据进行对比分析
  • 逐步理解每个指标的含义和适用场景

免责声明

⚠️ 风险提示：

  1. 本文仅供学习参考，不构成任何投资建议
  2. 量化交易涉及高风险，过往业绩不代表未来收益
  3. 使用策略前请充分回测和模拟验证
  4. 实盘交易需结合自身风险承受能力
  5. 投资有风险，入市需谨慎

参考资源

作者：墨星
掘金技术社区 | 专注量化交易技术分享

本文代码仅供学习参考，欢迎技术交流！

avatar
文章
阅读
粉丝