7.7 可视化：收益曲线、回撤曲线、分布图
课前导读
本章目标
学完能解决什么困惑：为什么同一组收益数字，画成图以后更容易发现策略的强弱、风险和异常。
适合谁学习：刚学完量化入门，已经知道收益率、成本、滑点和数据口径的新手投资者。
难度：beginner
预计用时：约 35 分钟
你可以把本节想成一次“策略体检”。
体检报告不会只给你一句“身体还行”。
它会给你心率曲线、血压变化、化验分布和医生备注。
量化研究也是一样。
一条策略如果只告诉你“最后赚了 10%”，信息是不够的。
我们还想知道：它一路是平稳前进，还是大起大落。
我们还想知道：它最难受的时候亏到什么程度。
我们还想知道：它的每日收益是集中在小波动，还是经常出现极端跳动。
这就是可视化的价值。
知识正文
1. 从“数字表”到“体检报告图”
上一章我们已经知道，量化不是神秘公式，而是把投资想法写成规则，再用数据检查。
可是数据表像一张很长的体检明细单。
你一行一行看，当然能看懂。
但当交易日变成 200 天、500 天、1000 天时，人眼会开始疲劳。
图表的作用，就是把长表压缩成可观察的形状。
对 A 股研究来说，最常见的三张图是：收益曲线、回撤曲线、分布图。
它们不是为了让报告好看。
它们分别回答三个不同问题。
收益曲线回答：“资金整体怎么走？”
回撤曲线回答：“过程里最痛的下跌有多深、持续多久？”
分布图回答：“每日收益通常落在哪里，有没有特别极端的日子？”
这三张图合在一起，就像策略的体检报告。
flowchart TD
A[每日收益数据] --> B[收益曲线]
A --> C[回撤曲线]
A --> D[收益分布图]
B --> E[观察长期方向]
C --> F[观察承受压力]
D --> G[观察波动形态]2. 收益曲线：看资金一路怎么走
收益曲线也常被叫作资金曲线。
它把每天的收益连续累积起来，画成一条线。
如果你从 1 元本金开始，第一天涨 1%，资金变成 1.01 元。
第二天跌 1%，不是回到 1 元，而是 1.01 × 0.99。
所以收益曲线强调“连续复利后的路径”。
这比单独看每日涨跌更接近真实账户体验。
对于 A 股新手，收益曲线至少要看三件事。
第一，曲线是不是长期向上。
第二，曲线上涨是不是主要集中在少数几天。
第三，曲线下跌时是不是经常突然陡降。
如果一条曲线大部分时间横着走，只靠一次大涨撑起结果，你要谨慎。
这可能说明策略不是稳定有效，而是碰巧赶上某段行情。
3. 回撤曲线：看最难熬的坑
回撤可以先用生活语言理解。
假设你爬山，最高走到海拔 1000 米，后来退到 850 米。
从最高点往下掉的那 150 米，就是“从峰值回落”。
放到资金上，如果策略资金最高到 1.20，后来跌到 1.02。
回撤就是 1.02 / 1.20 - 1，也就是 -15%。
最大回撤就是整个观察期里最深的那一次回落。
新手常常只看“最终收益”。
但真正拿真钱时，最考验心态的是中途亏损。
如果一条策略最后涨了 20%，中途最大回撤却到 -35%，很多人根本坚持不到最后。
所以回撤曲线不是吓唬你。
它是在提前告诉你：这条路可能有多颠簸。
风险提醒
回撤曲线只能描述历史中出现过的坑，不能保证未来不会出现更深的坑。
4. 分布图：看每天收益的“脾气”
分布图像一张班级成绩直方图。
它不关心某一天具体是哪天。
它关心每日收益通常集中在哪个区间。
比如大多数日收益在 -1% 到 +1% 之间，说明日常波动相对温和。
如果经常出现 +6%、-7% 这类柱子，说明策略会遇到剧烈波动。
A 股有涨跌幅限制、停牌、复牌和公告冲击。
这些制度和事件会让收益分布出现尖峰或长尾。
长尾不是高级词。
你可以理解为“平时看着没事，偶尔来一下特别大的波动”。
分布图能帮助你提前问自己：我真的能承受这种波动吗？
5. 一个短小的 Python 示例
下面代码不要求你现在联网运行。
它展示了从每日策略收益，得到三张体检报告图的最小思路。
import pandas as pd
import matplotlib.pyplot as plt
df = pd.DataFrame({
"date": pd.to_datetime(["2026-01-02", "2026-01-05", "2026-01-06", "2026-01-07"]),
"strategy_return": [0.01, -0.02, 0.015, -0.005],
}).set_index("date")
df["equity"] = (1 + df["strategy_return"]).cumprod()
df["peak"] = df["equity"].cummax()
df["drawdown"] = df["equity"] / df["peak"] - 1
df["equity"].plot(title="策略收益曲线")
df["drawdown"].plot(title="策略回撤曲线")
df["strategy_return"].hist(bins=10)
plt.show()这段代码里，cumprod() 的意思是连续相乘。
它模拟资金每天按收益率滚动变化。
cummax() 的意思是记录到当天为止出现过的最高资金值。
最高资金值和当前资金值一比较，就能得到回撤。
直方图的 bins=10 表示把收益分成 10 个小区间来数次数。
你现在不必记住所有参数。
先记住三张图各自回答什么问题，比记参数更重要。
6. A 股案例：同样赚 8%，过程可能完全不同
假设你研究一个简单观察规则。
规则是：当某只沪深 300 成分股站上 20 日均线时持有，否则空仓观察。
我们暂时不讨论完整回测系统。
这里只看图表如何帮助理解结果。
策略甲最终收益 8%。
策略乙最终收益也是 8%。
但策略甲的收益曲线缓慢上行，中途最大回撤 -5%。
策略乙前三个月下跌 -18%，后来靠一段快速反弹回到 8%。
如果只看最终数字，两者一样。
如果看收益曲线和回撤曲线，两者完全不是同一种体验。
新手投资者需要明白：你买到的是过程，不只是终点。
量化开发者需要明白：图表能帮你发现规则是否稳定，是否只依赖少数行情。
专业研究者需要明白：图表不是结论，而是进一步追问的线索。
7. 读图时的四个固定问题
第一问：收益曲线的上升来自多数时间，还是少数几天。
第二问：回撤最深的位置，发生在什么市场环境。
第三问：分布图是否有明显极端亏损日。
第四问：图表是否和你的策略规则相匹配。
如果一个低频趋势规则，却画出每天剧烈跳动的收益分布，就要检查数据或规则。
如果一个强调稳健的规则，却长期出现深回撤，就要重新评估风险边界。
如果图表只在某一小段时间好看，也要小心样本太短。
图表不会替你做决定。
它让你更快发现应该问的问题。
关键心得
可视化不是把策略包装得更漂亮，而是把隐藏在表格里的路径、压力和异常暴露出来。
8. 常见误区
误区一：只画收益曲线，不画回撤。
这就像体检只看身高体重，不看血压血糖。
误区二：把不同数据口径放在同一张图里比较。
例如一条用前复权价格，一条用未复权价格，结论可能被口径污染。
误区三：忽略交易成本和滑点。
图表再平滑，如果收益没有扣除现实成本，也只是纸面结果。
误区四：看到图表好看就急着实盘。
图表只能帮助研究复盘，不能替代交易计划和风险控制。
交互实验室
练习 1：手工判断三张图分别回答什么
请拿出一张纸，写下下面三句话。
“收益曲线回答：资金一路怎么走。”
“回撤曲线回答：中途最难受的下跌是什么样。”
“分布图回答：每日收益通常集中在哪里。”
然后找一只你熟悉的 A 股观察对象。
不用下单，也不用预测涨跌。
只在行情软件里观察过去一段走势。
问自己：如果这是一条策略曲线，我最担心哪一段。
这个练习的目标不是做判断，而是训练读图问题意识。
练习 2：用表格模拟收益曲线
在电子表格里建立四列。
第一列写日期。
第二列写每日收益率，例如 1%、-2%、0.5%。
第三列写资金值，第一天从 1 开始连续相乘。
第四列写到当天为止的最高资金值。
第五列写当前资金值除以最高资金值再减 1。
你会看到，回撤不是“当天跌幅”。
回撤是“从曾经最高点掉下来多少”。
练习 3：给研究图表写一句话结论
请用下面格式记录。
收益曲线：整体方向是上行、下行还是震荡。
回撤曲线：最大压力大约出现在什么时候。
分布图：大多数日收益是集中还是分散。
下一步：我需要检查哪一段原始数据或规则。
这四句话就是最小图表复盘。
核心复盘
知识清单：
- [ ] 我能说出收益曲线、回撤曲线、分布图分别回答的问题。
- [ ] 我理解最终收益相同，不代表持有体验相同。
- [ ] 我知道回撤是从历史高点往下掉的幅度，不是单日跌幅。
- [ ] 我能用 pandas 的
cumprod()和cummax()理解资金曲线和回撤。 - [ ] 我不会因为一张漂亮图表就直接把策略用于实盘。
金句总结
图表不是策略的化妆品，而是策略的体检报告。