结果可视化:让报告自己说出问题

一、六联报告图

每一联对应 p4.7 的一个问题:

本次实测(sh.600000,3976 个交易日):

(1) 策略期末 1,585,944 vs 买入持有 1,971,219
(2) 最大回撤 -36.4%,最长水下 1207 个交易日(约 5.0 年)
(3) 198 个月,正收益 68 个月(34.3%)
(4) 超额峰度 15.48
(5) 买入 136 次,卖出 132 次
(6) 被拒委托 0 笔

第四联最值得单独看

日收益分布画成对数纵轴,再叠加一条正态拟合曲线。

厚尾在这张图上是可见的:两侧尾部有一串孤立的柱子,远高于正态曲线。p4.7 那个"超额峰度 15.48"和"3σ 事件是正态预期的 8.9 倍",在这里从数字变成了形状。

如果用线性纵轴,尾部那些柱子高度接近 0,你什么都看不见。这是 p1.8 那条纪律的又一次应用。

🔧 动手做:一行代码,让"厚尾风险"从看得见变看不见(5 分钟)

跑 python report_plot.py 生成 report.png,打开第(4)联"日收益分布"——两侧尾部有一串孤立的高柱,远高于正态曲线,那就是厚尾(p4.7 的超额峰度 15.48 在这里变成了形状)。

现在把 report_plot.py 第 101 行的 ax.set_yscale("log") 注释掉(换回线性纵轴),重新生成。

你会看到:那些尾部的柱子高度接近 0、几乎看不见了——图上一片"正常"。

想明白:同一份数据、同一张图,只是把纵轴从对数换成线性,"厚尾风险"就从刺眼变成隐形。图会骗人——不是数据假,是坐标轴的选择决定了你看得见什么。所以看任何分布图先问纵轴是什么;画自己的图,厚尾一律用对数轴,别把最要命的信息藏进坐标里。

二、收益集中度:那个只有拆开才看得见的事实

三、第六联:向量化回测画不出来的那一张

被拒委托时间轴。本次运行是 0 笔,所以图上写的是:

No rejected orders in this run (constraints did not bind — see p4.1)

画一张"什么都没有"的图,有意义吗?有。

因为它区分了两种情况:

向量化回测里,这两种情况长得一模一样——因为它根本没有"被拒"这个概念。

p4.2 那个"5000 元本金收益最高"的陷阱,就是靠这一联识破的:收益列看起来最好,而被拒列有 338.7 笔。

四、血缘水印:一行代码

meta = (f"{sym} | qlab.engine | {start}~{end} | {len(g)} bars | "
        f"cash {CASH:,} | comm 2.5bp + slip 5bp | fetched 2026-07-31")
fig.text(0.005, 0.002, meta, fontsize=7, color="#666")

承接 p1.8:标的、引擎、区间、行数、初始资金、成本假设、拉取时间,全部写在图的左下角。

图会被截屏、转发、三个月后翻出来。没有水印的图,三天后就是一张不可追溯的图片。

注意这里的水印比 p1.8 多了两项:引擎名与成本假设。因为对回测报告而言,"用什么引擎、什么成本跑的"和"用什么数据"同等重要——p4.2 的成本网格已经证明了这一点(74 个百分点)。

五、报告图的判断标准

不是"好不好看",是"每个 p4.7 的指标有没有一张对应的图"。

数字回答"是多少",图回答"长什么样"。两者缺一不可。

只给数字,读者无法判断路径;只给图,读者无法复核。

📌 免责:本课为技术教学,标的为沪深300 成分股按代码序取样(非精选),所有回测为历史模拟,不构成投资建议。