用pyfolio一键生成Tear Sheet:quant-finance-lectures组合回测分析完整指南
用pyfolio一键生成Tear Sheet:quant-finance-lectures组合回测分析完整指南
量化回测跑完后,如何快速判断策略好坏?本指南带你使用 pyfolio 一键生成 Tear Sheet(组合分析报告),基于 quant-finance-lectures 项目第 33 课《Portfolio Analysis》实战演练。无需从零搭建分析工具,只需一行代码即可输出包含年化收益、Sharpe Ratio、回撤、换手率等专业指标的组合回测分析报告,帮助你快速完成策略的风险与绩效评估。
什么是 Tear Sheet?为什么回测后离不开它
Tear Sheet 是专业基金经理和量化研究员用来"体检"策略的标准报告,它由两部分组成:
- 绩效统计表:年化收益、市场 Beta、Sharpe Ratio、最大回撤等关键指标一览无余
- 可视化图表:滚动 Beta、回撤水下图、持仓占比、换手率分布等,帮你快速定位策略的薄弱环节
在 quant-finance-lectures 课程中,第 33 课 Lecture33-Portfolio-Analysis-with-pyfolio.ipynb 完整演示了这套流程,配套的策略是一个市场中性动量策略:买入表现最好的股票、做空表现最差的股票。
准备工作:看懂回测结果文件
pyfolio 需要一个结构化的回测结果文件。项目中已内置一份现成的样本数据:
📄 Lecture33-Backtest-Results.csv
这个文件包含 4 类数据,覆盖了策略运行的全貌:
| 数据表 | 内容 | 用途 |
|---|---|---|
benchmark |
基准指数日收益率 | 策略对比的"标尺" |
perf |
37 项绩效指标(returns、sharpe、max_drawdown、gross_leverage 等) |
计算核心绩效统计 |
positions |
每日持仓(880 只股票) | 持仓集中度、敞口分析 |
transactions |
交易明细(价格、数量、金额) | 换手率、成交量分析 |
下图是该类回测结果中典型的策略日收益率曲线(来自课程第 24 课的杠杆分析示例),可以看到策略每日收益围绕 0 轴上下波动,这正是市场中性策略的典型特征:
一键生成完整 Tear Sheet
这是全课最激动人心的一步——只需一行代码:
import pyfolio as pf
pf.from_zipline_csv("Lecture33-Backtest-Results.csv")
pyfolio 会自动读取回测结果,生成一份完整的交互式 Tear Sheet,包含所有绩效表格和图表。如果你需要分步分析,还可以先加载数据对象,再逐模块取数:
from quantrocket.data import ZiplineBacktestResult
bt = ZiplineBacktestResult.from_csv('Lecture33-Backtest-Results.csv')
bt_returns = bt.perf['returns'] # 策略日收益
benchmark_rets = bt.benchmark_returns # 基准日收益
下图展示了组合分析中同样关键的杠杆比率时序图,pyfolio 的 plot_gross_leverage 就能生成类似图表,帮你监控策略的杠杆是否超出安全范围:
读懂 Tear Sheet 中的三大关键指标
风险调整后收益:Sharpe Ratio
高收益不等于好策略——关键要看"承担一份风险换回了多少收益"。Sharpe Ratio 是最常用的风险调整后收益指标:
import empyrical
empyrical.sharpe_ratio(bt_returns)
市场 Beta:判断策略的市场暴露
Beta 为 1 相当于买入市场,为 -1 相当于做空市场。对机构投资者而言,市场中性(Beta 接近 0)的策略更有吸引力——毕竟想要市场暴露直接买 ETF 即可。课程中特别建议用 plot_rolling_beta 观察滚动 Beta,若某个时点 Beta 剧烈偏离 0,说明策略可能"意外暴露"于市场,这是值得警惕的信号。
最大回撤:20% 经验红线
课程给出的实用基准是:好的策略最大回撤应小于 20%。配合 plot_drawdown_underwater(水下图),可以精确定位策略在哪些时段"掉坑",判断是策略设计问题还是执行问题。
常用图表速查:19 个 plotting 函数按需取用
pyfolio 的 plotting 模块提供了一整套开箱即用的图表函数,新手建议按以下顺序上手:
| 类别 | 推荐函数 | 回答的问题 |
|---|---|---|
| 收益概览 | plot_cumulative_returns、plot_monthly_returns_heatmap |
哪个月表现最好?相对基准跑赢了吗? |
| 收益分布 | plot_return_quantiles |
收益是否稳定?有无负向离群值? |
| 滚动分析 | plot_rolling_sharpe、plot_rolling_beta |
绩效随时间是否一致? |
| 回撤诊断 | plot_drawdown_periods、plot_drawdown_underwater |
策略最差时期有多长、多深? |
| 风控监控 | plot_gross_leverage、plot_holdings |
杠杆和持仓集中度是否安全? |
| 交易成本 | plot_turnover、plot_daily_volume、plot_txn_time_hist |
换手是否过高?交易是否集中在开盘? |
一个实用细节:月收益热图能揭示季节性规律——课程示例中该动量策略在 2013 年 9 月(深绿色格子)表现最佳。
新手避坑:别把回测当成调参工具
课程反复强调的一个反直觉原则:回测和生成 Tear Sheet 应放在策略开发的最后一步。
如果边调参边跑回测,用回测表现当反馈指标,策略就会过拟合到你恰好测试过的那段历史行情,实盘表现大概率翻车。正确姿势是:先完成策略构建 → 最后跑一次回测 → 用 Tear Sheet 判断是否值得部署。这一点也与课程第 19 课《Dangers of Overfitting》的核心思想一脉相承。
学习路径与文件索引
建议按以下路线深入学习组合分析相关内容:
- 📖 课程入口:Introduction.ipynb
- 📊 本课核心:Lecture33-Portfolio-Analysis-with-pyfolio.ipynb(含完整代码与图表解读)
- 📁 样本数据:Lecture33-Backtest-Results.csv(约 27MB,可直接用于练习)
- 📈 杠杆专题:Lecture24-Leverage.ipynb
- 🛡️ 对冲原理:Lecture39-Why-Hedge.ipynb
- 📉 风险度量:Lecture40-VaR-and-CVaR.ipynb
掌握 pyfolio + Tear Sheet 这套"标准体检流程"后,你就拥有了与专业基金对话的通用语言——这也是 quant-finance-lectures 这门 45 课免费量化课程带给新手的最大价值之一。

