背景
之前总结了一些获取量化数据的途径，数据是一个量化策略的“原材料”，接下来要考虑的问题就是如何使用这些数据。
本文，介绍一个量化指标分析工具quantstats，利用它可以很方便的分析你的策略。
Github地址：https://github.com/ranaroussi/quantstats
他的作者是Ran Aroussi，同时也是yfinance的作者，在开源量化领域，也是名声响当当。目前就职于tradologics，一家国外的程序化交易云平台。不过，如果你是一个A股交易者，这些可能也用不太上，可以用的就只有quantstats
安装
常规的pip安装，注意包名是小驼峰，跟GitHub项目名大小写不同。
pip install QuantStats
概念
基本逻辑
先解释下，我们接下来要做的事情的基本逻辑。假设，我们已经制定了一个投资策略，并且已经利用回测工具，计算出了策略的每日的历史回测收益。接下来我们要做的肯定是，想办法评价一下他，这个策略是好是坏，风险如何，收益如何。这个工具就是要做这个。
基准
这是我们评价α相关指标的重要概念，我们需要设定一个基准策略，对比自己的量化策略。在A股，通常把基准设定为沪深300指数的收益率。
指标
指标，是评价一个策略好坏的具体的统计值。比如前面介绍过的，信息比率、夏普比率，再比如最大回撤，α、β收益等。
这些指标的计算规则是客观的，有严格标准的公式，但关于指标的评价，是因人而异的，可能跟你的风险偏好有关。所以，最后并不会有一个绝对的好坏值供我们参考，而重要的是自己去理解各个指标后边的逻辑，自我决定如何评价。
实战
官方给的例子，是基于yfinance的，使用的是美股的数据，我们这里尝试使用A股数据进行下分析。
我制定一个最简单的策略：一直持有工商银行这只股票。那我们的策略收益就是这只股票的每日收益，没问题吧。
基准：选取沪深300指数的收益率。
接下来直接上代码，具体解释写在代码注释上
import pandas as pd
import akshare as ak
import quantstats as qs# 获取沪深300历史交易数据
df_300 = ak.stock_zh_index_daily_em(symbol="sh000300")# 获取工商银行历史交易数据
df = ak.stock_zh_a_hist(symbol="601398", adjust="hfq")
# 将列名日期改为date，使其与df_300具备同名日期列
df['date'] = df['日期']# 合并两个数据表
df_merge = df.merge(df_300, how='inner', on='date')
# 将合并数据表的日期列改为时间格式
df_merge['date'] = pd.to_datetime(df_merge['date'] , format='%Y-%m-%d')# 目标策略收益率Series，pct_change的作用是根据价格计算收益率
target = df_merge['收盘'].pct_change()
# 将索引设置为日期列
target.index = df_merge['date']
# 基准策略收益率Series，计算方法相同
base = df_merge['close'].pct_change()
base.index = df_merge['date']
# 输出网页格式的分析结果
qs.reports.html(target, base, output='Output.html')
注意几个点
- 我们用工具获取到的交易数据原始，基本都是只有开盘价，收盘价，很少包含收益率数据，那这个如何计算呢，其实很简单，
pandas里有现成的方法：pct_change。 - quantstats需要的策略数据格式为Series，值是收益率，索引是日期，必须为
datetime格式，不能是字符串。 - 对于股票或者基金的历史交易的交易数据，最好使用复权数据，最好是后复权，这样价格不会出现负数，且收益率不会出现极端错误值。
结果展示
html格式的结果内容很多，就不全贴了，基本上能想到的指标都有，可以具体分析。比如，我这个策略，一直持有工商银行的收益，是没跑赢沪深300的，那就不如持有沪深300了。不过也可看到，工商银行的最大回撤是要比沪深300更小的，说明波动更小一点。
如果只关注某个指标，也可以只计算这个指标，比如信息比率
# target和base就是上边计算出来的
qs.stats.information_ratio(target, base)
结果为
-0.0053144770904208815
小于0，说明这个策略相对于基准是没有优势的，更多的超额风险，带不来更多的超额收益。
总结
我认为，quantstats完全可以作为策略回测结果的分析工具，值得深入学习和长期使用。
