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
QuantStats 有哪些相对绩效指标？
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
QuantStats 基准对比怎么分步做？
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
基准应该怎么选？
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 |
| 港股/中概组合 | 恒生指数或恒生科技指数收益序列 | 标的上市地与行业风格要匹配，用 A股宽基衡量港股组合会同时误判 beta 与 alpha |
| 债券/固收组合 | 对应久期的债券指数收益序列 | 股债驱动因素不同，拿股票指数当基准会把「债市行情」误读成策略超额 |
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
相对绩效与绝对绩效有什么区别？
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 |
| 判断标准 | 是否达到收益/风险目标 | 是否跑赢基准，且超额是否稳定 |
| 数据前提 | 只需自身收益序列 | 需要自身与基准两条同频、同口径的收益序列 |
| 常见误用 | 只看涨幅就宣称策略「稳」 | 基准选得过宽，把市场 beta 当成自身 alpha 汇报 |
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
QuantStats 基准对比适合哪些场景？
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。
Troubleshooting
基准选错或口径不一致时，QuantStats 会算出什么错结论？
相对指标对「两条序列是否同频同口径」极其敏感，下表是最常见的失真形态与排查顺序。
| 现象 | 常见原因 | 会得出什么错结论 | 怎么排查 |
|---|---|---|---|
| 信息比率高得离谱 | 基准与策略市场错配（用宽基大盘对比行业策略） | 把风格收益当成选股能力 | 换成与策略同市场的基准重算一次对照 |
| 净值明显占优但信息比率很低 | 策略与基准频率不同（日频对月频） | 跟踪误差被放大，超额被稀释 | 先把两条序列统一到同一频率再计算 |
| 滚动 beta 曲线剧烈跳变 | 交易日不齐（停牌、上市时间不同、休市口径不同） | 窗口内样本错位，相关性失真 | 先取两条序列日期索引的交集再滚动计算 |
| 相对指标整列是 NaN | benchmark 传了 Series，但索引与策略不一致 | 误以为库不支持该指标 | 打印两条序列的 index 与长度，对齐后再传 |
| 夏普/索提诺与直觉不符 | 无风险利率参数缺省，口径与预期不同 | 跨策略比较时基准不统一 | 显式传入 rf，并在报告里注明口径 |
| 换个基准结论完全反转 | 基准本身被替换或成分调整（指数调仓、退市） | 两份报告无法互相比较 | 固定基准全称与数据来源，写进报告说明 |
| 基准曲线明显更平滑 | 用了价格指数而非含分红的总收益口径 | 高估策略超额 | 两条序列都用总收益（含分红）口径重算 |
排查顺序建议：先对齐日期索引 → 再对齐频率 → 再确认基准市场匹配 → 最后才看指标数值。相对指标的意义完全建立在「两条序列可比」这个前提上，前提不成立时任何数值都没有解释力。实操中可以先用两条序列的日期交集生成一个 DataFrame，打印行数与首尾日期，确认没有错位和缺日，再进入指标计算。
Data in China
国内用户怎么准备基准与策略的收益序列？
先明确一点：QuantStats 不负责抓行情，它只吃「收益率序列」，数据要你自己准备。
1. 美股/ETF 最省事：qs.utils.download_returns('SPY') —— 内部走 yfinance，需要能访问外网，失败时改用本地 CSV。
2. A股换数据源：用 akshare 或 tushare 取指数/个股收盘价，再 pct_change() 得到日收益序列 —— 拿到的是一列收益率，量纲要与策略一致。
3. 对齐索引：把两条序列 reindex 到同一交易日集合，避免因为停牌/新股上市产生 NaN —— 这一步不做，后面的相对指标就不可信。
4. 喂给 QuantStats：qs.reports.html(stock, bm, title='我的策略 vs 沪深300') —— 生成带基准对比的 HTML 报告。
最小可复现示例：
import pandas as pd, akshare as ak, quantstats as qs；hs300 = ak.stock_zh_index_daily(symbol="sh000300")；bm = hs300.set_index("date")["close"].pct_change().dropna()；qs.reports.html(bm, bm, title="示例：沪深300 vs 沪深300")。预期输出：当前目录生成一份 HTML tearsheet。数据接口名与可用性随数据源版本变化，以其官方文档为准；无外网时优先用本地 CSV。Reporting
相对绩效该怎么汇报？QuantStats 指标分别给谁看？
同一份报告，不同读者的关注点完全不同；先定读者，再定指标。
| 读者/场景 | 先看什么 | 再看什么 | 注意点 |
|---|---|---|---|
| 自己复盘 | 净值曲线与基准的叠加 | 回撤区间、滚动 beta | 样本太短不要下结论 |
| 给投资经理 | 信息比率与超额收益 | 跟踪误差、R² | R² 高说明超额主要来自 beta，不是选股 |
| 给客户 | 累计收益对比 + 最大回撤 | 分年度收益对比 | 必须同时给出基准名称与样本区间 |
| 风控视角 | 跟踪误差、回撤深度与时长 | 滚动波动率 | 关注极端窗口，别只看均值 |
| 策略筛选 | 分年度信息比率是否持续为正 | 换手与成本敏感性 | 单期高信息比率不代表可持续 |
| 写进文档/归档 | 口径与参数（频率、rf、基准来源） | 数据区间与数据处理步骤 | 口径缺失会让结论无法复现 |
口径提示：QuantStats 各指标的默认口径（年化天数、无风险利率、回撤定义）以官方实现为准；跨项目或跨时间比较时，先把口径写清楚再比数值，否则比较高下没有意义。
Where to look next
基准对比解决不了的问题，该接着看哪一页？
基准对比只回答「相对基准跑得怎么样」，其余问题各有归属。
No benchmark
没有基准能不能用 QuantStats？绝对收益策略怎么办？
不传基准也能跑，但别把不相干的指数硬塞给绝对收益策略当基准。
| 策略类型 | 合理对照 | 不合理对照 | 说明 |
|---|---|---|---|
| CTA/绝对收益 | 现金收益或无风险利率 | 用宽基股票指数当基准 | 目标不是跑赢股市，硬比会低估自身价值 |
| 市场中性 | 同类市场中性策略指数 | 用沪深300/SPY 这类方向性指数 | 方向暴露已被对冲，比方向指数没有意义 |
| 只做单市场选股 | 该市场宽基指数 | 跨市场指数（用美股比 A股策略） | 跨市场比较会把汇率与制度差异算成 alpha |
| 多资产组合 | 自建加权合成基准 | 只挑一个资产当基准 | 合成基准的权重与再平衡规则必须写进报告 |
| 只看自身风险 | 不设基准，只用单序列指标 | 为了凑格式随便填一个 ticker | 基准填错比不填更糟，会得出错误超额 |
| 以 0 收益为基准 | 明确说明这是「相对现金」口径 | 与夏普比率并列汇报 | 口径接近夏普，重复汇报会让人误读为两条独立证据 |
建议：不设基准时，QuantStats 的单序列指标（夏普、索提诺、最大回撤、CAGR 等）照样可用；一旦要谈「超额」，基准就必须是策略合理的对照组，而不是一个凑数的代码。
Data provenance
基准数据从哪来？怎么确认没取错？
相对指标的错误大多来自数据，而不是代码；取数这一步值得单独校验。
| 数据来源 | 优点 | 风险 | 怎么校验 |
|---|---|---|---|
| 指数公司官网导出 | 口径权威 | 手工导出容易漏日期、格式不统一 | 抽 3 个交易日核对官方点位与涨跌幅 |
| 本地数据商（tushare 等） | 接口稳定、可批量 | 复权方式与分红处理可能与自己预期不同 | 确认是否含分红、是前复权还是后复权 |
| 免费行情接口（akshare/yfinance） | 零成本、上手快 | 字段名与可用性会变；美股需外网 | 固定一次取数结果并落盘存档，别每次重取 |
| 券商/交易软件导出 | 与自己的成交口径一致 | 可能是点数而非收益率，且含停牌行 | 先转成收益率，再检查索引是否有重复日期 |
| 自建合成基准 | 最贴合策略实际配置 | 权重与再平衡规则不透明就没法复现 | 把成分与权重写进报告，并记录调整频率 |
| 手工整理的 CSV | 完全可控、离线可用 | 易混入非交易日、时区错位、单位错误 | 读入后先打印 head/tail 与行数，再算指标 |
通用做法：取数一次、落盘一次、注明来源一次。之后所有对比都基于同一份序列，避免「每次重取导致结论漂移」；序列文件与报告一起归档，别人才能复现你的相对绩效。若数据源调整了字段或复权方式，先在小样本上验证再回填历史，不要直接覆盖已归档的那一份。
FAQ
QuantStats 基准对比常见问题有哪些？
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；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。
换了样本区间或基准，旧报告还能直接对比吗？
不能直接对比。样本区间、基准全称、数据来源、频率与无风险利率这五项里只要有一项不同，两组相对指标就属于不同口径，数值高低没有可比性。正确做法是固定一份序列做存档，改口径时两组数据同时重算，并在报告里写明变化前后的口径差异，而不是把新旧数字并排放进同一张表。