回测结果与指标详解 (Backtest Results & Metrics)

May 27, 2026 · View on GitHub

本文档详细介绍了 AKQuant 回测结果 (metrics_df) 中各项绩效指标的含义、单位及计算方法，帮助用户深入理解策略表现。

指标总览

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
`start_time`	回测开始时间	Datetime	对应回测数据的第一个 Bar 的时间。
`end_time`	回测结束时间	Datetime	对应回测数据的最后一个 Bar 的时间。
`duration`	回测总时长	Timedelta	`end_time - start_time`。注意：在 Python 中返回 `datetime.timedelta` 对象。
`total_bars`	总 Bar 数量	Int	回测经历的 K 线总数。
`trade_count`	交易笔数	Int	完成平仓的交易总数 (Round-trip)。
`initial_market_value`	初始市值	Float	初始资金 (通常为 Cash)。
`end_market_value`	结束市值	Float	回测结束时的总资产 (Cash + 持仓市值)。
`total_pnl`	总盈亏	Float	`end_market_value - initial_market_value`。
`unrealized_pnl`	未实现盈亏	Float	结束时持仓的浮动盈亏。
`total_return_pct`	总收益率	% (百分比)	`(结束市值 - 初始市值) / 初始市值 * 100`。
`annualized_return`	年化收益率	Ratio (小数)	`(1 + 总收益率)^(1/年数) - 1`。注意这里是小数，如 0.2 表示 20%。
`volatility`	年化波动率	Ratio (小数)	收益率标准差 * sqrt(252)。
`total_profit`	总盈利	Float	所有盈利交易的盈利之和。
`total_loss`	总亏损	Float	所有亏损交易的亏损之和。
`total_commission`	总手续费	Float	交易产生的总佣金。
`max_drawdown`	最大回撤比率	Ratio (小数)	历史最大回撤幅度（如 0.1 表示 10%）。
`max_drawdown_value`	最大回撤金额	Float	历史最大回撤的绝对金额。
`max_drawdown_pct`	最大回撤百分比	% (百分比)	`max_drawdown * 100`。
`win_rate`	胜率	% (百分比)	`盈利次数 / 总交易次数 * 100`。
`loss_rate`	败率	% (百分比)	`亏损次数 / 总交易次数 * 100`。
`winning_trades`	盈利次数	Int	盈利大于 0 的交易次数。
`losing_trades`	亏损次数	Int	盈利小于 0 的交易次数。
`avg_pnl`	平均盈亏	Float	每笔交易的平均净盈亏。
`avg_return_pct`	平均收益率	% (百分比)	每笔交易收益率的平均值。
`avg_trade_bars`	平均持仓 K 线数	Float	平均每笔交易持有的 Bar 数量。
`avg_profit`	平均盈利	Float	盈利交易的平均金额。
`avg_profit_pct`	平均盈利比例	% (百分比)	盈利交易的平均收益率。
`avg_winning_trade_bars`	平均盈利持仓时长	Float	盈利交易的平均持仓 Bar 数。
`avg_loss`	平均亏损	Float	亏损交易的平均金额。
`avg_loss_pct`	平均亏损比例	% (百分比)	亏损交易的平均收益率。
`avg_losing_trade_bars`	平均亏损持仓时长	Float	亏损交易的平均持仓 Bar 数。
`largest_win`	最大单笔盈利	Float	单笔交易的最大盈利金额。
`largest_win_pct`	最大单笔盈利比例	% (百分比)	单笔交易的最大收益率。
`largest_win_bars`	最大盈利持仓时长	Float	产生最大盈利那笔交易的持仓 Bar 数。
`largest_loss`	最大单笔亏损	Float	单笔交易的最大亏损金额。
`largest_loss_pct`	最大单笔亏损比例	% (百分比)	单笔交易的最大亏损率。
`largest_loss_bars`	最大亏损持仓时长	Float	产生最大亏损那笔交易的持仓 Bar 数。
`max_wins`	最大连续盈利次数	Int	连续盈利的最多次数。
`max_losses`	最大连续亏损次数	Int	连续亏损的最多次数。
`sharpe_ratio`	夏普比率	Ratio	`(年化收益率 - 无风险利率) / 年化波动率`。无风险利率默认 0。
`sortino_ratio`	索提诺比率	Ratio	`(年化收益率 - 无风险利率) / 下行波动率`。只考虑下行风险。
`profit_factor`	盈亏比	Ratio	`总盈利 / abs(总亏损)`。
`ulcer_index`	溃疡指数	Ratio	衡量回撤深度和持续时间的指标。
`upi`	溃疡绩效指数	Ratio	`(年化收益率 - 无风险利率) / 溃疡指数`。
`equity_r2`	权益曲线 R²	Ratio	权益曲线相对于时间的线性回归拟合度 (0-1)，越接近 1 表示收益越稳定。
`std_error`	标准误差	Float	权益曲线回归的标准误差。
`calmar_ratio`	卡尔玛比率	Ratio	`年化收益率 / 最大回撤比率`。
`exposure_time_pct`	市场暴露时间百分比	% (百分比)	持有仓位（非空仓）的时间占比。
`var_95`	95% 风险价值	Ratio (小数)	95% 置信度下的每日最大亏损比例。
`var_99`	99% 风险价值	Ratio (小数)	99% 置信度下的每日最大亏损比例。
`cvar_95`	95% 条件风险价值	Ratio (小数)	超过 95% VaR 阈值后的平均亏损比例（预期亏损）。
`cvar_99`	99% 条件风险价值	Ratio (小数)	超过 99% VaR 阈值后的平均亏损比例（预期亏损）。
`sqn`	系统质量指数 (SQN)	Float	`(平均盈亏 / 盈亏标准差) * sqrt(交易次数)`。
`kelly_criterion`	凯利公式比例	Ratio (小数)	`胜率 - (败率 / 盈亏比)`。

重点指标解释

风险类

最大回撤 (Max Drawdown): 衡量策略在最坏情况下的表现。例如 30% 的最大回撤意味着如果你在最高点买入，最多可能会亏损 30%。通常认为最大回撤越小越好。
波动率 (Volatility): 衡量收益的不确定性。波动率越高，收益起伏越大。
风险价值 (VaR) 与条件风险价值 (CVaR):
- VaR (Value at Risk): 在特定置信度下（如95%），策略在一天内可能发生的最大损失。
- CVaR (Conditional VaR): 又称 Expected Shortfall，衡量当损失超过 VaR 时的平均损失。它比 VaR 更能反映极端尾部风险。
市场暴露时间 (Exposure Time): 策略持有头寸（非空仓）的时间占比。低暴露时间意味着资金大部分时间是安全的（现金），但也可能错失机会。

收益风险比类

夏普比率 (Sharpe Ratio): 投资界的"性价比"指标。它衡量的是每承担一单位总风险，产生了多少超额收益。通常大于 1 是可接受的，大于 2 是非常优秀的。
索提诺比率 (Sortino Ratio): 类似于夏普比率，但只考虑"有害的波动"（下行波动）。如果一个策略经常暴涨（上行波动大），夏普比率可能会低估它，而索提诺比率则更公允。
卡尔玛比率 (Calmar Ratio): 年化收益率与最大回撤之比。衡量"收益回撤比"，是很多基金经理非常看重的指标。
系统质量指数 (SQN): 衡量交易系统的稳定性。SQN 越高，越容易通过加大仓位来获利。一般认为 >2.0 为合格，>3.0 为优秀，>7.0 为圣杯。
凯利公式 (Kelly Criterion): 基于胜率和盈亏比计算的理论最佳仓位比例。注意凯利公式通常过于激进，实盘中常使用 "半凯利" (Half-Kelly) 甚至更低比例。

权益、现金与保证金曲线 (Curves)

result 对象提供了权益、现金与保证金随时间变化的曲线数据，方便进行绘图和风控分析。

属性名称 (Property)	含义 (Description)	类型 (Type)	说明
`equity_curve`	权益曲线	`pandas.Series`	索引为时间 (`Datetime`)，值为账户总权益 (`Equity`)。反映账户资产净值的变化趋势。
`cash_curve`	现金曲线	`pandas.Series`	索引为时间 (`Datetime`)，值为账户可用现金 (`Cash`)。反映账户流动资金的变化情况，有助于资金管理分析。
`margin_curve`	保证金曲线	`pandas.Series`	索引为时间 (`Datetime`)，值为账户占用保证金 (`Margin`)。适用于杠杆/保证金账户监控。
`equity_curve_daily`	日频权益曲线	`pandas.Series`	`equity_curve` 按日取最后一个点，适合长周期对比与报告提速。
`cash_curve_daily`	日频现金曲线	`pandas.Series`	`cash_curve` 按日取最后一个点。
`margin_curve_daily`	日频保证金曲线	`pandas.Series`	`margin_curve` 按日取最后一个点。
`daily_returns`	日收益率	`pandas.Series`	索引为时间 (`Datetime`)，值为每日收益率。用于计算夏普、波动率等指标。

交易明细 (Trades)

result.trades_df 包含了每笔平仓交易的详细信息。

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
`symbol`	标的代码	String	交易标的。
`entry_time`	开仓时间	Datetime	开仓成交时间。
`exit_time`	平仓时间	Datetime	平仓成交时间。
`entry_price`	开仓均价	Float	开仓成交均价。
`exit_price`	平仓均价	Float	平仓成交均价。
`quantity`	交易数量	Float	成交数量。
`side`	交易方向	String	`long` (做多) 或 `short` (做空)。
`pnl`	毛盈亏	Float	不包含手续费的盈亏。
`net_pnl`	净盈亏	Float	`pnl - commission`。
`return_pct`	收益率	Float	交易收益率 (小数)。
`commission`	手续费	Float	交易产生的佣金。
`duration_bars`	持仓 K 线数	Int	持仓期间经历的 Bar 数量。
`duration`	持仓时长	Timedelta	`exit_time - entry_time`。注意：在 Python 中返回 `datetime.timedelta` 对象。
`mae`	最大不利偏移	% (百分比)	持仓期间最大亏损幅度 (相对于开仓价)。
`mfe`	最大有利偏移	% (百分比)	持仓期间最大盈利幅度 (相对于开仓价)。
`entry_tag`	开仓标签	String	开仓订单的标签。
`exit_tag`	平仓标签	String	平仓订单的标签。
`entry_portfolio_value`	开仓总资产	Float	开仓时刻的账户总权益 (Equity)。用于计算仓位占比。
`max_drawdown_pct`	单笔最大回撤	% (百分比)	持仓期间从最高点回落的最大幅度。

订单记录 (Orders)

result.orders_df 包含了所有历史订单记录（包括已成交、取消、拒绝等）。

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
`id`	订单 ID	String	唯一标识符。
`symbol`	标的代码	String	交易标的。
`side`	订单方向	String	`buy` (买入) 或 `sell` (卖出)。
`order_type`	订单类型	String	`market` (市价), `limit` (限价), `stop` (止损)。
`quantity`	订单数量	Float	下单数量。
`filled_quantity`	成交数量	Float	实际成交数量。
`limit_price`	限价	Float	限价单的价格 (Market 单为 NaN)。
`stop_price`	触发价	Float	止损单的触发价格。
`avg_price`	成交均价	Float	实际成交的平均价格。
`commission`	手续费	Float	订单产生的手续费。
`status`	订单状态	String	`filled`, `cancelled`, `rejected` 等。
`time_in_force`	有效期	String	`gtc`, `day`, `ioc` 等。
`created_at`	创建时间	Datetime	订单创建时间。
`updated_at`	更新时间	Datetime	订单最后更新时间。
`duration`	存续时长	Timedelta	`updated_at - created_at`。
`filled_value`	成交金额	Float	`filled_quantity * avg_price`。
`tag`	订单标签	String	用户自定义标签。
`reject_reason`	拒绝原因	String	订单被拒绝的原因 (若有)。

持仓记录 (Positions)

result.positions_df 包含了每日（或每 Bar）持仓快照。

指标名称 (Name)	含义 (Description)	单位/类型	计算说明
`date`	日期	Datetime	持仓快照时间。
`symbol`	标的代码	String	交易标的。
`long_shares`	多头持仓	Float	多头方向的持仓数量。
`short_shares`	空头持仓	Float	空头方向的持仓数量。
`close`	收盘价	Float	当时的收盘价。
`equity`	账户权益	Float	包含持仓盈亏的账户总权益。
`market_value`	持仓市值	Float	当前持仓的市场价值。
`margin`	占用保证金	Float	当前持仓占用的保证金。
`unrealized_pnl`	未实现盈亏	Float	持仓浮动盈亏。
`entry_price`	持仓均价	Float	当前持仓的平均成本价格。

可视化 (Visualization)

AKQuant 提供了强大的可视化工具，帮助用户直观地分析策略表现。

快速开始 (Quick Start)

最简单的方法是直接调用 BacktestResult 对象的 report 方法，它会生成一个包含所有关键图表的交互式 HTML 报告。

# 生成完整的 HTML 报告
result.report(
    title="我的策略报告",
    filename="report.html",
    show=True,  # 设为 True 以自动在浏览器中打开 (默认为 False)
    compact_currency=True,  # 金额列使用 K/M/B 紧凑显示 (默认为 True)
    curve_freq="raw",  # "raw" 保留原始频率，"D" 使用日频末值
)

如果你希望报告表格中的金额保留原始精度（不缩写为 K/M/B），可以关闭该选项：

result.report(
    title="我的策略报告",
    filename="report_raw_amount.html",
    compact_currency=False,
    curve_freq="D",
)

结构化 Benchmark Analysis

如果你除了 HTML 报告之外，还需要把基准对比结果给前端、Notebook 或离线任务，推荐直接使用结构化接口：

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

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

summary = benchmark_analysis["summary"]
series = benchmark_analysis["series"]

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

结构化 benchmark analysis 与 result.report(..., benchmark=...) 共用同一套对齐和计算逻辑，因此适合作为长期数据契约：

summary: 汇总指标
series: 逐日对齐序列
meta: 样本数与日期范围
reason: 输入无效或无重叠区间时的说明

如果你需要把这份结果落盘：

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

组合归因与容量分析 (Attribution & Capacity)

BacktestResult 提供了可直接用于二次分析的结构化结果：

# 1) 组合暴露分解（净暴露、总暴露、杠杆）
exposure = result.exposure_df()

# 2) 归因分析（按 symbol / tag 聚合）
attr_by_symbol = result.attribution_df(by="symbol")
attr_by_tag = result.attribution_df(by="tag")

# 3) 容量代理指标（订单数、成交率、换手）
capacity = result.capacity_df()

# 4) 按策略归属聚合（适用于多 slot / 多策略场景）
orders_by_strategy = result.orders_by_strategy()
executions_by_strategy = result.executions_by_strategy()
risk_by_strategy = result.risk_rejections_by_strategy()
risk_trend = result.risk_rejections_trend(freq="D")
risk_trend_by_strategy = result.risk_rejections_trend_by_strategy(freq="D")

# 5) 信用账户强平审计（融资融券回测时）
liquidation_audit = result.liquidation_audit_df

当启用信用账户并触发强平后，result.report(...) 的 HTML 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）

或者使用 plot 方法快速预览特定图表：

# 绘制权益曲线
result.plot(kind="equity")

# 绘制月度热力图
result.plot(kind="heatmap")

进阶绘图 (Advanced Plotting)

对于更细粒度的控制，可以直接使用 akquant.plot 模块。注意大部分绘图函数需要传入特定的数据（如 trades_df 或 daily_returns），而不是 result 对象。

import akquant.plot as aqp

# 1. 绘制仪表盘 (权益, 回撤, 热力图)
# 这是一个高级函数，直接接受 result 对象
aqp.plot_dashboard(result)

# 2. 分析交易分布 (盈亏 vs 持仓时间)
# 需要传入 trades_df
aqp.plot_trades_distribution(result.trades_df)

# 3. 绘制盈亏与持仓时长散点图
# 需要传入 trades_df
aqp.plot_pnl_vs_duration(result.trades_df)

# 4. 绘制滚动指标 (夏普比率, 波动率)
# 需要传入 daily_returns Series
aqp.plot_rolling_metrics(result.daily_returns)

# 5. 绘制年度回报
# 需要传入 daily_returns Series
aqp.plot_yearly_returns(result.daily_returns)

# 6. 绘制每日回报分布
# 需要传入 daily_returns Series
aqp.plot_returns_distribution(result.daily_returns)

日内回测支持 (Intraday Support)

AKQuant 的绘图引擎会自动检测日内数据（如分钟级数据）并进行优化：

自适应 X 轴: 自动调整时间刻度格式，避免标签重叠。
WebGL 加速: 对于超过 10,000 个数据点的图表，自动切换到 WebGL 渲染以保证流畅度。
智能布局: 动态调整子图间距，防止高频数据的标签遮挡。
自适应单位: 交易分布图会自动根据平均持仓时间切换单位（天/小时/分钟）。