6.9K Star!用 Python 一行生成专业级投资组合分析报告

前面推荐了这么多工具——AKShare 拿数据、ta/TA-Lib 算指标、Zipline/Lean 回测策略、PyPortfolioOpt 优化仓位……

但回测完了，怎么判断策略到底好不好？

光看一个收益率数字远远不够。你需要：最大回撤多大？夏普比率多少？跑赢大盘了吗？在哪些月份亏了？

今天这个工具，一行代码帮你生成 30+ 张专业图表 + 完整分析报告。

项目地址：https://github.com/ranaroussi/quantstats^[1]

⭐ 6,900+ Stars | Python | MIT 许可证 | 持续更新

它是什么？

QuantStats = 投资组合分析报告生成器。

给它一组收益率数据，它自动帮你：

1. 计算 30+ 个风险收益指标
2. 生成 30+ 张专业图表
3. 输出完整的 HTML 报告（像基金季报一样）
4. 和基准（比如沪深 300、标普 500）对比

你之前的工具：
  Zipline / Lean    → 回测策略，得到收益率序列
  Backtesting.py    → 回测策略，得到收益率序列

QuantStats：
  收益率序列 → 一行代码 → 30+ 张图 + 完整报告

回测是做实验，QuantStats 是写实验报告。

快速上手

安装

pip install quantstats

一行生成报告

import quantstats as qs

# 下载苹果的历史数据
stock = qs.utils.download_returns('AAPL')

# 一行生成完整 HTML 报告（对标标普 500）
qs.reports.html(stock, "SPY", output="aapl_report.html")

就这 3 行。 打开 aapl_report.html，你会看到一份包含 30+ 张图表的专业分析报告。

报告里有什么？

1. 核心指标

# 不想生成 HTML？直接打印指标
qs.reports.metrics(stock, "SPY")

输出：

                           Strategy    Benchmark
-------------------------  ----------  ----------
Start Period               2015-01-02  2015-01-02
End Period                 2026-04-01  2026-04-01

Cumulative Return          312.48%     198.65%
CAGR﹪                     14.23%      10.54%
Sharpe                     0.89        0.72
Max Drawdown               -39.72%     -33.92%
Volatility (ann.)          30.21%      18.95%
Calmar                     0.36        0.31

Best Day                   11.98%      9.38%
Worst Day                  -12.86%     -10.94%
Best Month                 24.15%      12.82%
Worst Month                -18.41%     -12.35%

Win Rate                   52.8%       54.1%
Avg Win                    1.82%       1.12%
Avg Loss                   -1.73%      -1.15%

以上为示例格式，实际数据取决于分析的股票和时间段。

2. 30+ 张图表

这些图表在专业基金的季报里都有——现在你一行代码就能生成。

实战：分析 A 股投资组合

场景 1：分析单只股票

import quantstats as qs
import akshare as ak
import pandas as pd

# 获取茅台数据
df = ak.stock_zh_a_hist(symbol="600519", period="daily",
                         start_date="20200101", end_date="20260401")
df.index = pd.to_datetime(df['日期'])

# 计算日收益率
returns = df['收盘'].pct_change().dropna()

# 生成报告
qs.reports.html(returns, output="maotai_report.html",
                title="茅台投资分析报告")

print("报告已生成：maotai_report.html")

场景 2：分析你的投资组合

import quantstats as qs
import akshare as ak
import pandas as pd
import numpy as np

# 你的持仓
portfolio = {
"600519": 0.3,   # 茅台 30%
"002594": 0.25,  # 比亚迪 25%
"300750": 0.2,   # 宁德时代 20%
"600036": 0.15,  # 招商银行 15%
"000858": 0.1,   # 五粮液 10%
}

# 获取每只股票的日收益率
all_returns = pd.DataFrame()
for code, weight in portfolio.items():
    df = ak.stock_zh_a_hist(symbol=code, period="daily",
                             start_date="20240101", end_date="20260401")
    df.index = pd.to_datetime(df['日期'])
    all_returns[code] = df['收盘'].pct_change()

# 按权重计算组合收益率
weights = pd.Series(portfolio)
portfolio_returns = (all_returns * weights).sum(axis=1).dropna()

# 获取沪深300作为基准
hs300 = ak.index_zh_a_hist(symbol="000300", period="daily",
                            start_date="20240101", end_date="20260401")
hs300.index = pd.to_datetime(hs300['日期'])
benchmark = hs300['收盘'].pct_change().dropna()

# 生成对比报告
qs.reports.html(portfolio_returns, benchmark,
                output="my_portfolio_report.html",
                title="我的投资组合 vs 沪深300")

print("组合分析报告已生成！")

打开报告，你就能看到你的组合有没有跑赢沪深 300。

场景 3：配合回测工具使用

import quantstats as qs
import pandas as pd

# 假设你用 Zipline / Backtesting.py 回测完了
# 得到了一个 results DataFrame

# 从回测结果提取日收益率
results = pd.read_pickle('backtest_results.pickle')
strategy_returns = results['returns']

# 用 QuantStats 生成专业报告
qs.reports.html(strategy_returns, "SPY",
                output="strategy_report.html",
                title="双均线策略分析报告")

Zipline 回测 + QuantStats 报告 = 完整的策略评估流程。

三种输出方式

方式 1：完整 HTML 报告

qs.reports.html(returns, "SPY", output="report.html")
# 打开浏览器看一份完整的分析报告

方式 2：快速打印指标

qs.reports.metrics(returns, "SPY", display=True)
# 终端里直接看数字

方式 3：单独看某张图

# 只看累计收益
qs.plots.returns(returns, "SPY")

# 只看月度热力图
qs.plots.monthly_heatmap(returns)

# 只看回撤
qs.plots.drawdown(returns)

# 只看年度收益柱状图
qs.plots.yearly_returns(returns, "SPY")

# 只看滚动夏普
qs.plots.rolling_sharpe(returns)

它算了哪些指标？

一共 30+ 个指标，覆盖了专业投资分析的所有维度。

和系列其他工具的关系

完整量化投资流程（最终版）：

1. 数据获取
   AKShare / yfinance

2. 技术分析
   ta / TA-Lib + mplfinance

3. 财务分析
   FinanceToolkit

4. AI 分析
   Qlib / AI Hedge Fund / FinRL

5. 策略回测
   Zipline / Backtesting.py / Lean

6. 仓位优化
   PyPortfolioOpt

7. 报告分析  ← QuantStats 在这里
   QuantStats（一行生成专业报告）

8. 实盘交易
   vnpy / Lean

QuantStats 是回测之后、实盘之前的关键一步——帮你判断策略值不值得上实盘。

和其他分析工具的区别

一句话：QuantStats 是目前最好用的 Python 投资分析报告工具。
PyFolio 已经停更了，QuantStats 是它的最佳替代。

局限性

建议用法

✅ 每次回测完都用 QuantStats 生成报告
✅ 定期分析你的投资组合表现
✅ 用 HTML 报告和朋友/团队分享分析结果
✅ 关注夏普比率 > 1、最大回撤 < 20% 的策略

❌ 不要只看收益率——回撤和夏普更重要
❌ 不要忽视滚动指标——策略可能前半段好后半段差

小结

QuantStats：
- 6,900+ Star，投资组合分析报告生成器
- 一行代码生成 30+ 张专业图表
- 计算 30+ 个风险收益指标
- 输出完整 HTML 报告（基金季报级别）
- 支持 vs 基准对比（标普500、沪深300…）
- 配合 Zipline/Lean/Backtesting.py 使用
- PyFolio 的最佳替代品

定位：回测之后的"质检报告"——帮你判断策略值不值得上实盘

⚠️ 免责声明：QuantStats 是投资分析工具，不构成投资建议。分析报告基于历史数据，过去的表现不代表未来收益。投资有风险，入市需谨慎。

回测做完了，报告也生成了——如果策略的夏普比率 > 1、最大回撤可控，那恭喜你，可以考虑小资金试试实盘了。

如果你是从头看到这里的读者，这个系列已经从数据获取一路讲到了策略评估——30+ 个工具，覆盖了散户量化投资的每一个环节。

明天介绍国产量化的另一座大山——QUANTAXIS：1 万 Star，Docker 一键部署，从数据到实盘全包了，堪称"把整个量化研究所搬到电脑上"