验证超额收益
用信息比率看策略是否持续跑赢基准、跑赢多少，而不是只看绝对涨幅。信息比率越高，说明单位跟踪风险换来的超额越稳定，越能证明主动管理能力。
Relative metrics
相对绩效指标对照表
衡量「相对基准」的绩效，而非只看绝对收益。
| 指标 | 方法 | 含义 | 适用场景 | 注意点 |
|---|---|---|---|---|
| 信息比率 | qs.stats.information_ratio(returns, benchmark) | 单位跟踪误差的超额收益 | 判断主动管理是否持续跑赢基准 | 基准不匹配时结果失真 |
| R² | qs.stats.r_squared(returns, benchmark) | 与基准的相关程度（0-1） | 看策略是否只是「复制」基准 | 高 R² 说明超额主要来自 beta |
| 滚动 beta | qs.plots.rolling_beta(returns, benchmark) | 相对基准的滚动敏感度 | 看风格暴露随时间变化 | 需足够长的收益序列 |
| 对比 | qs.stats.compare(returns, benchmark) | 策略与基准并列对比 | 快速并排查看两者指标 | 需传基准收益序列 |
| 累计收益对比 | qs.stats.compsum(returns) | 收益序列转为累计净值 | 画策略与基准净值叠加曲线 | compsum 本身不含基准，需分别对两者调用后叠加 |
| 回撤序列 | qs.stats.to_drawdown_series(returns) | 收益序列转为回撤序列 | 对比策略与基准的回撤深度/时长 | 可与 plots.drawdowns_periods 配合看回撤区间 |
口径提示：相对指标都需要一个「基准收益序列」。benchmark 参数可传 ticker（如 'SPY'）或 pandas Series，两者收益口径需一致（同为日/周/月收益），否则相对指标无意义；具体以官方实现为准。
Steps
基准对比分步用法
1. 导入并取策略收益：import quantstats as qs; stock = qs.utils.download_returns('META') —— 得到策略的日收益序列。
2. 取基准收益：benchmark = qs.utils.download_returns('SPY') —— 得到基准日收益序列，与策略同频。
3. 生成带基准的 HTML 报告：qs.reports.html(stock, benchmark) —— 报告内并排展示策略与基准的净值、回撤、指标。
4. 单独算相对指标：qs.stats.information_ratio(stock, benchmark) —— 返回信息比率数值。
5. 看滚动暴露：qs.plots.rolling_beta(stock, benchmark) —— 画出滚动 beta 曲线，观察风格暴露变化。
Benchmark choice
怎么选基准
基准要与策略的市场、风格匹配，否则相对指标失真。
| 策略类型 | 建议基准 | 为什么这么选 |
|---|---|---|
| 美股多空/选股 | SPY（标普500） | 代表大盘 beta，衡量选股带来的超额 |
| 美股成长/科技 | QQQ（纳斯达克100） | 与科技成长风格更匹配，避免把风格误判为 alpha |
| A股组合 | 沪深300 等宽基指数收益序列 | 覆盖大盘蓝筹，衡量相对 A股市场整体 |
| 加密货币 | BTC 或主流指数收益序列 | BTC 是加密市场主导资产，衡量相对加密大盘 |
| 绝对收益/CTA | 可无基准，或选同类策略指数 | 目标是绝对收益，不追求跑赢单一指数 |
注意：基准选择影响信息比率、滚动 beta 等相对指标的口径，应选与策略市场/风格匹配的基准；多资产组合可自建加权基准，具体以官方文档为准。
Relative vs absolute
相对绩效 vs 绝对绩效
先分清要看「跑赢多少」还是「赚了多少」。
| 维度 | 绝对绩效 | 相对绩效 |
|---|---|---|
| 关注点 | 赚了/亏了多少 | 跑赢/跑输基准多少 |
| 核心指标 | 夏普比率、最大回撤、CAGR | 信息比率、滚动 beta、超额收益 |
| 适用 | 绝对收益目标（如 CTA） | 相对收益目标（如指数增强、选股） |
| 例子 | 策略年化 15%，最大回撤 10% | 策略年化 15%，跑赢 SPY 5 个百分点 |
信息比率 vs 夏普：夏普衡量单位总波动的超额收益（对无风险利率），信息比率衡量单位跟踪误差的超额收益（对基准）。主动管理型策略更应看信息比率，因为它剔除了「跟着基准涨」的部分；具体口径以官方实现为准。
Scenarios
适用场景
衡量风格暴露
用滚动 beta 看策略相对基准的敏感度随时间怎么变，识别策略是否在某段行情悄悄加杠杆或转向，避免把市场 beta 当成自身 alpha 来汇报。
汇报相对表现
报告里同时展示策略与基准的净值、回撤、相对收益，让读者一眼看清「跑赢还是跑输」，比只报绝对收益更有说服力，也更能对齐投资者预期。
FAQ
常见问题
benchmark 参数能传什么？
可传基准 ticker（如 'SPY'）或 pandas Series，官方 README 示例用 'SPY'；传 Series 时需与策略收益同频同口径。具体以官方 README/实现为准。
信息比率怎么算？
qs.stats.information_ratio(returns, benchmark) 返回单位跟踪误差的超额收益，衡量主动管理的质量，口径以官方实现为准。
一定要有基准吗？
不必。绝对收益类策略（如 CTA）可不设基准；但若要衡量相对绩效、算信息比率/滚动 beta，则必须传基准收益序列。
和 EasyClaw 的量化分析技能比有什么不同？
EasyClaw 的 quant-analyst 技能也能做回测并输出 Sharpe/最大回撤等指标，但 QuantStats 是独立的 Python 库，两者无已证实集成；QuantStats 的 benchmark 参数可精细对比基准相对绩效，EasyClaw 技能输出形式不同，选择前以各自能力为准。
结果能用于实盘吗？
不能。相对绩效仅代表历史表现，信息比率/滚动 beta 都基于历史收益序列，不构成收益保证或投资建议。