如何绘制回测收益曲线图

本文手把手教你如何从 backtesting.py 等主流回测框架中快速、精准地提取并独立绘制权益曲线（Equity Curve），避开冗杂的综合图表，直接获取包含总资产价值、回撤和收益率等关键指标的结构化数据，并通过几行简洁代码实现专业级可视化、导出图片或CSV，甚至叠加交易信号；无论你是想深入分析资金增长路径、计算夏普比率，还是将权益图嵌入仪表盘或与基准对比，这种方法都高效、稳定且易于复用——真正让量化分析从“能跑”迈向“可解释、可交付、可扩展”。

本文介绍如何从 Backtrader 或类似回测框架（如 backtesting.py）生成的综合图表中，精准提取并独立绘制“权益曲线（Equity Curve）”部分，适用于需深入分析资金增长路径、计算夏普比率或嵌入自定义可视化场景。

在使用 backtesting.py 进行策略回测时，调用 bt.plot() 会默认渲染一个包含多子图的综合面板：通常包括价格走势、买卖信号、持仓状态以及底部的累计权益曲线（Equity Curve）。但实际分析中，我们往往需要将权益曲线单独导出——例如用于与基准指数对比、叠加滚动指标、或嵌入仪表盘系统。

幸运的是，backtesting.py 的 Backtest.run() 方法返回一个丰富的 pandas.DataFrame 对象（严格来说是 pd.Series 与 pd.DataFrame 混合结构），其中权益数据已结构化存储于 _equity_curve 属性下。该属性是一个 pd.DataFrame，索引为时间戳，列包含 "Equity"（总资产价值）、"Drawdown"（回撤）、"Returns"（单期收益率）等关键字段。

✅ 正确提取并绘图的代码如下：

# 执行回测并获取结果
stats = bt.run()

# 单独绘制 Equity 曲线（推荐方式）
stats._equity_curve["Equity"].plot(
    title="Strategy Equity Curve",
    xlabel="Date",
    ylabel="Account Equity ($)",
    figsize=(12, 5),
    grid=True,
    linewidth=1.8
)

⚠️ 注意事项：

• stats._equity_curve["Equity"] 是一个 pd.Series，其索引与原始数据时间对齐，可直接用于 matplotlib 或 plotly 绘图；

• 属性名带下划线（如 _equity_curve）表示其为内部属性（非官方 API），但当前版本（v0.4.0+）稳定可用；若未来升级，建议查阅 backtesting.py 官方文档 中 BacktestResult 类的 equity_curve 属性（注意：截至 v0.4.3，公开属性仍为 _equity_curve）；

• 若需导出为图片或 CSV，可进一步调用：

  # 保存为 PNG
  import matplotlib.pyplot as plt
  plt.savefig("equity_curve.png", dpi=150, bbox_inches='tight')
  
  # 导出为 CSV（含时间索引）
  stats._equity_curve[["Equity", "Drawdown"]].to_csv("equity_and_dd.csv")

? 小技巧：若想添加买入/卖出点到权益图上，可结合 stats._trades 表：

ax = stats._equity_curve["Equity"].plot()
# 标注开仓日期（示例：首次买入）
entry_date = stats._trades.iloc[0]["EntryTime"]
ax.axvline(entry_date, color='green', linestyle='--', alpha=0.7, label='First Entry')
ax.legend()

综上，无需手动重构资金流逻辑，只需一行核心访问语句即可解耦权益数据——这不仅提升了分析效率，也为构建可复现、模块化的量化研究工作流打下坚实基础。

终于介绍完啦！小伙伴们，这篇关于《如何绘制回测收益曲线图》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！