Qlib logo Qlib
登录
15. 量化研究报告

15.量化研究报告

本文详细介绍了如何利用 QLib 平台的分析模块进行量化投资研究报告的生成，包括绩效评估可视化、风险分析以及报告自动化生成的完整流程和实践方法。

分析模块使用指南

QLib 的分析模块（Analysis）提供了丰富的可视化报告功能，帮助量化研究者直观地评估投资组合表现。这个模块主要包含两大类分析功能：基于头寸的分析（analysis_position）和基于模型的分析（analysis_model）。

核心功能概览

分析模块支持的主要图表类型可以通过以下代码查看：

import qlib.contrib.report as qcr
print(qcr.GRAPH_NAME_LIST)

运行上述代码会输出所有支持的图表名称，包括报告总览图、IC 分数图、累计收益图、风险分析图等。这些图表涵盖了量化研究中常用的绩效评估指标，能够满足大部分分析需求。

基础使用流程

使用分析模块通常遵循以下步骤：

  1. 运行回测并记录结果
  2. 加载回测记录器（recorder）
  3. 提取分析所需数据
  4. 生成可视化图表

下面是一个完整的示例代码，展示如何从回测结果生成分析报告：

from qlib.workflow import R
from qlib.contrib.report import analysis_position

# 加载回测记录器
recorder = R.get_recorder(recorder_id="your_recorder_id", experiment_name="backtest_analysis")

# 提取分析所需数据
report_normal_df = recorder.load_object("portfolio_analysis/report_normal_1day.pkl")
analysis_df = recorder.load_object("portfolio_analysis/port_analysis_1day.pkl")
positions = recorder.load_object("portfolio_analysis/positions_normal_1day.pkl")

# 生成报告图表
analysis_position.report_graph(report_normal_df)
analysis_position.risk_analysis_graph(analysis_df, report_normal_df)

这段代码首先通过记录器加载回测结果数据，然后调用分析模块的函数生成相应的图表。记录器（recorder）是 QLib 工作流中的重要组件，它负责保存实验过程中的各种中间结果和最终输出。

绩效评估可视化

绩效评估是量化研究报告的核心内容，它通过一系列指标来衡量策略的表现。QLib 提供了丰富的可视化工具，将复杂的绩效数据转化为直观的图表。

报告总览图

报告总览图（report_graph）是最常用的绩效评估图表之一，它集中展示了策略的累计收益、最大回撤、超额收益等关键指标。

analysis_position.report_graph(report_normal_df)

这个图表包含多个子图，上半部分展示了策略累计收益（含交易成本和不含交易成本两种情况）与基准收益的对比，中间部分展示了超额收益的最大回撤，下半部分则展示了换手率曲线。

图表中的关键指标解释：

  • cum bench: 基准的累计收益曲线
  • cum return wo cost: 策略不含交易成本的累计收益
  • cum return w cost: 策略含交易成本的累计收益
  • turnover: 换手率曲线
  • 阴影部分: 对应收益曲线的最大回撤区间

IC 分数图

IC（Information Coefficient）分数是衡量预测准确性的重要指标，表示预测值与实际值之间的相关性。IC 分数图可以帮助我们分析模型预测能力的稳定性。

# 加载预测结果和标签数据
pred_df = recorder.load_object("pred.pkl")
label_df = dataset.prepare("test", col_set="label")
label_df.columns = ["label"]

# 合并预测结果和标签
pred_label = pd.concat([label_df, pred_df], axis=1, sort=True).reindex(label_df.index)

# 生成 IC 分数图
analysis_position.score_ic_graph(pred_label)

IC 分数图展示了 Pearson 相关系数（ic）和 Spearman 秩相关系数（rank_ic）的时间序列。通常认为，IC 的绝对值越大，模型的预测能力越强；IC 越稳定，模型的鲁棒性越好。

在实际应用中，我们希望看到 IC 分数围绕一个较高的正值波动，并且波动幅度越小越好。如果 IC 分数波动很大或长期为负，可能意味着模型存在过拟合或其他问题。

累计收益图

累计收益图（cumulative_return_graph）可以帮助我们分析策略在不同持仓方向上的表现，包括多头、空头和多空组合。

虽然 QLib 的官方文档中没有详细展示这个图表的生成代码，但我们可以通过以下方式调用：

analysis_position.cumulative_return_graph(positions)

这个图表通常包含多个子图，分别展示多头持仓、空头持仓和多空组合的累计收益。通过分析这些图表，我们可以了解策略在不同市场环境下的表现，以及多头和空头策略的贡献度。

风险分析报告

风险分析是量化研究中不可或缺的部分，它帮助我们识别和评估策略可能面临的各种风险。QLib 提供了全面的风险分析工具，能够计算和可视化多种风险指标。

风险分析图表

风险分析图表（risk_analysis_graph）展示了策略的关键风险指标，包括年化收益率、最大回撤、信息比率等。

analysis_position.risk_analysis_graph(analysis_df, report_normal_df)

这个图表包含多个子图，分别展示不同风险指标的月度表现：

  • 年化收益率（annualized_return）
  • 最大回撤（max_drawdown）
  • 信息比率（information_ratio）
  • 标准差（std）

这些指标从不同角度反映了策略的风险收益特征。年化收益率衡量策略的盈利能力，最大回撤衡量策略的极端风险，信息比率衡量单位主动风险带来的超额收益，标准差则衡量收益的波动性。

风险模型应用

除了上述可视化工具，QLib 还提供了风险模型的实现，帮助我们更深入地分析投资组合的风险结构。以下是一个使用结构化协方差估计器（StructuredCovEstimator）的示例：

from qlib.model.riskmodel import StructuredCovEstimator
import pandas as pd
import numpy as np

# 准备数据
price = pd.read_pickle("path/to/price_data.pkl")
ret = price.pct_change().dropna()

# 初始化风险模型
riskmodel = StructuredCovEstimator()

# 计算风险分解
F, cov_b, var_u = riskmodel.predict(ret, is_price=False, return_decomposed_components=True)

# 输出结果
print("因子暴露:\n", F.head())
print("因子协方差矩阵:\n", cov_b)
print("特定风险:\n", pd.Series(np.sqrt(var_u)).head())

这段代码使用结构化协方差估计器将投资组合风险分解为因子风险和特定风险两部分。其中，F 是因子暴露矩阵，cov_b 是因子协方差矩阵，var_u 是特定风险的方差。

风险模型的应用可以帮助我们：

  1. 理解投资组合的风险来源
  2. 进行风险预算和资产配置
  3. 构建风险调整后的优化组合
  4. 监控组合风险的变化

风险数据准备

在实际应用中，我们通常需要定期更新风险数据。以下是一个自动化准备风险数据的示例脚本：

import os
import numpy as np
import pandas as pd
from qlib.data import D
from qlib.model.riskmodel import StructuredCovEstimator

def prepare_riskdata(riskdata_root="./riskdata", T=240, start_time="2016-01-01"):
    # 获取股票池
    universe = D.features(D.instruments("csi300"), ["$close"], start_time=start_time).swaplevel().sort_index()

    # 获取所有股票价格
    price_all = D.features(D.instruments("all"), ["$close"], start_time=start_time).squeeze().unstack(level="instrument")

    # 初始化风险模型
    riskmodel = StructuredCovEstimator()

    # 滚动计算风险数据
    for i in range(T - 1, len(price_all)):
        date = price_all.index[i]
        ref_date = price_all.index[i - T + 1]

        print(f"Calculating risk data for {date}")

        # 获取当日股票池
        codes = universe.loc[date].index
        price = price_all.loc[ref_date:date, codes]

        # 计算收益率并去除极端值
        ret = price.pct_change()
        ret.clip(ret.quantile(0.025), ret.quantile(0.975), axis=1, inplace=True)

        # 运行风险模型
        F, cov_b, var_u = riskmodel.predict(ret, is_price=False, return_decomposed_components=True)

        # 保存风险数据
        root = f"{riskdata_root}/{date.strftime('%Y%m%d')}"
        os.makedirs(root, exist_ok=True)

        pd.DataFrame(F, index=codes).to_pickle(f"{root}/factor_exp.pkl")
        pd.DataFrame(cov_b).to_pickle(f"{root}/factor_cov.pkl")
        pd.Series(np.sqrt(var_u), index=codes).to_pickle(f"{root}/specific_risk.pkl")

if __name__ == "__main__":
    import qlib
    qlib.init(provider_uri="~/.qlib/qlib_data/cn_data")
    prepare_riskdata()

这个脚本定期计算并保存风险数据，为投资组合优化和风险控制提供支持。它使用滚动窗口的方式计算风险指标，确保风险估计反映最新的市场状况。

研究报告自动化生成

手动生成研究报告既耗时又容易出错，QLib 提供了工作流自动化工具，可以帮助我们实现研究报告的自动化生成。

基于工作流的报告生成

QLib 的工作流（workflow）模块可以记录实验过程中的各种结果，包括模型参数、预测结果、回测绩效等。结合分析模块，我们可以构建完整的报告自动化流程。

以下是一个完整的工作流示例，包括模型训练、回测和报告生成：

from qlib.workflow import R
from qlib.workflow.record_temp import SignalRecord, PortAnaRecord
from qlib.contrib.strategy import TopkDropoutStrategy
from qlib.contrib.evaluate import backtest
from qlib.utils import init_instance_by_config

# 定义回测和分析配置
port_analysis_config = {
    "strategy": {
        "class": "TopkDropoutStrategy",
        "module_path": "qlib.contrib.strategy",
        "kwargs": {
            "model": "<MODEL>",
            "dataset": "<DATASET>",
            "topk": 50,
            "n_drop": 5,
        },
    },
    "backtest": {
        "start_time": "2017-01-01",
        "end_time": "2020-08-01",
        "account": 100000000,
        "benchmark": "SH000300",
        "exchange_kwargs": {
            "limit_threshold": 0.095,
            "deal_price": "close",
            "open_cost": 0.0005,
            "close_cost": 0.0015,
            "min_cost": 5,
        },
    },
}

# 启动回测和分析工作流
with R.start(experiment_name="backtest_analysis"):
    # 加载训练好的模型
    recorder = R.get_recorder(recorder_id="train_recorder_id", experiment_name="train_model")
    model = recorder.load_object("trained_model")

    # 获取当前记录器
    current_recorder = R.get_recorder()

    # 生成信号记录
    sr = SignalRecord(model, dataset, current_recorder)
    sr.generate()

    # 生成组合分析报告
    par = PortAnaRecord(current_recorder, port_analysis_config, "day")
    par.generate()

这个工作流首先加载训练好的模型，然后生成交易信号，最后运行回测并生成分析报告。所有中间结果和最终报告都会被记录器保存，方便后续查看和分享。

自定义报告模板

虽然 QLib 提供了默认的报告生成功能，但在实际应用中，我们可能需要根据特定需求自定义报告内容和格式。以下是一个自定义报告生成的示例：

import pandas as pd
import matplotlib.pyplot as plt
from qlib.contrib.report import analysis_position

def generate_custom_report(recorder, output_path="./report"):
    # 创建输出目录
    os.makedirs(output_path, exist_ok=True)

    # 加载分析数据
    report_normal_df = recorder.load_object("portfolio_analysis/report_normal_1day.pkl")
    analysis_df = recorder.load_object("portfolio_analysis/port_analysis_1day.pkl")
    pred_df = recorder.load_object("pred.pkl")
    label_df = recorder.load_object("label.pkl")

    # 生成关键指标表格
    key_metrics = {
        "年化收益率(无成本)": analysis_df["annualized_return"]["excess_return_without_cost"],
        "年化收益率(有成本)": analysis_df["annualized_return"]["excess_return_with_cost"],
        "信息比率(无成本)": analysis_df["information_ratio"]["excess_return_without_cost"],
        "信息比率(有成本)": analysis_df["information_ratio"]["excess_return_with_cost"],
        "最大回撤(无成本)": analysis_df["max_drawdown"]["excess_return_without_cost"],
        "最大回撤(有成本)": analysis_df["max_drawdown"]["excess_return_with_cost"],
    }
    metrics_df = pd.DataFrame.from_dict(key_metrics, orient="index", columns=["值"])
    metrics_df.to_csv(f"{output_path}/key_metrics.csv")

    # 生成主要图表
    plt.figure(figsize=(12, 8))
    analysis_position.report_graph(report_normal_df)
    plt.savefig(f"{output_path}/report_graph.png")
    plt.close()

    plt.figure(figsize=(12, 8))
    pred_label = pd.concat([label_df, pred_df], axis=1, sort=True).reindex(label_df.index)
    analysis_position.score_ic_graph(pred_label)
    plt.savefig(f"{output_path}/score_ic_graph.png")
    plt.close()

    # 生成风险分析图表
    plt.figure(figsize=(12, 8))
    analysis_position.risk_analysis_graph(analysis_df, report_normal_df)
    plt.savefig(f"{output_path}/risk_analysis_graph.png")
    plt.close()

    print(f"自定义报告已生成至 {output_path}")

# 使用示例
# generate_custom_report(recorder)

这个自定义报告生成函数不仅生成了 QLib 提供的标准图表，还计算了关键指标并保存为 CSV 文件。我们可以根据需要扩展这个函数，添加更多自定义分析内容，如行业分布分析、个股贡献度分析等。

批量报告生成与比较

在量化研究中，我们经常需要比较不同模型或参数设置的表现。以下是一个批量生成和比较多个实验结果的示例：

import glob
import pandas as pd
import matplotlib.pyplot as plt
from qlib.workflow import R

def compare_experiments(exp_patterns, metrics=["annualized_return", "max_drawdown", "information_ratio"]):
    """
    比较多个实验的表现
    exp_patterns: 实验名称模式字典，如 {"模型1": "exp1_*", "模型2": "exp2_*"}
    metrics: 要比较的指标列表
    """
    results = {}

    # 收集所有实验结果
    for exp_name, pattern in exp_patterns.items():
        exp_results = []
        # 获取匹配的实验
        for exp in R.list_experiments(pattern):
            # 获取最新的记录器
            recorders = R.list_recorders(experiment_name=exp)
            if recorders:
                recorder = R.get_recorder(recorder_id=recorders[-1], experiment_name=exp)
                try:
                    # 加载分析结果
                    analysis_df = recorder.load_object("portfolio_analysis/port_analysis_1day.pkl")
                    # 提取指标
                    exp_result = {}
                    for metric in metrics:
                        exp_result[f"{metric}(无成本)"] = analysis_df[metric]["excess_return_without_cost"]
                        exp_result[f"{metric}(有成本)"] = analysis_df[metric]["excess_return_with_cost"]
                    exp_results.append(exp_result)
                except Exception as e:
                    print(f"加载实验 {exp} 失败: {e}")
        # 计算平均结果
        if exp_results:
            results[exp_name] = pd.DataFrame(exp_results).mean().to_dict()

    # 转换为 DataFrame 并显示
    results_df = pd.DataFrame(results).T
    print(results_df)

    # 可视化比较
    fig, axes = plt.subplots(len(metrics), 1, figsize=(12, 6*len(metrics)))
    if len(metrics) == 1:
        axes = [axes]

    for i, metric in enumerate(metrics):
        ax = axes[i]
        for exp_name in results.keys():
            ax.bar(
                [f"{exp_name}(无成本)", f"{exp_name}(有成本)"],
                [results[exp_name][f"{metric}(无成本)"] * 100 if metric != "max_drawdown" else results[exp_name][f"{metric}(无成本)"] * 100,
                 results[exp_name][f"{metric}(有成本)"] * 100 if metric != "max_drawdown" else results[exp_name][f"{metric}(有成本)"] * 100],
                alpha=0.7
            )
        ax.set_title(metric)
        ax.set_ylabel("百分比 (%)")
        ax.tick_params(axis='x', rotation=45)

    plt.tight_layout()
    plt.savefig("experiment_comparison.png")
    plt.show()

# 使用示例
# exp_patterns = {
#     "LSTM模型": "lstm_exp_*",
#     "LightGBM模型": "lgbm_exp_*",
#     "Transformer模型": "transformer_exp_*"
# }
# compare_experiments(exp_patterns)

这个函数可以批量加载多个实验的结果，计算平均指标，并生成对比图表。这对于模型调优和策略比较非常有用，可以帮助我们快速识别表现最佳的模型或参数组合。

报告自动化的最佳实践

在实现报告自动化时，建议遵循以下最佳实践：

  1. 标准化工作流：建立统一的实验命名和参数记录规范，方便后续报告生成和比较。

  2. 模块化设计：将报告生成过程分解为数据加载、指标计算、图表生成等模块，提高代码的可维护性和可扩展性。

  3. 定期更新：设置定时任务，定期更新风险数据和绩效报告，确保分析结果反映最新市场状况。

  4. 版本控制：对报告模板和生成代码进行版本控制，方便追踪变更和回滚错误。

  5. 结果验证：自动化报告生成后，进行人工抽查验证，确保数据准确性和图表清晰度。

  6. 文档化：为报告中的指标和图表提供清晰的解释，方便非技术人员理解分析结果。

通过遵循这些最佳实践，我们可以构建一个高效、可靠的报告自动化系统，为量化研究和投资决策提供有力支持。

总结

量化研究报告是策略开发过程中的重要环节，它不仅是对策略表现的客观评估，也是策略迭代优化的依据。QLib 提供了强大的分析模块和工作流工具，使得研究报告的生成过程更加高效和标准化。

本章详细介绍了 QLib 分析模块的使用方法，包括绩效评估可视化、风险分析以及报告自动化生成。通过这些工具，我们可以快速生成包含关键指标和直观图表的研究报告，深入理解策略的风险收益特征。

在实际应用中，建议结合具体的研究需求，灵活运用 QLib 提供的工具，并不断优化报告内容和格式。同时，也要注意报告的可读性和可解释性，使得量化研究结果能够有效地支持投资决策。

上一章

性能优化与部署

 下一章

QLib 高级特性