第二十讲：可视化分析——让数据自己说话

做量化交易，尤其是基差交易和跨品种套利，最怕什么？

怕数据骗人，怕策略失效，怕回测结果看着漂亮，实盘一跑就崩。

我个人的经验是——可视化是最好的验尸官。它能把策略的每个毛孔都放大给你看。今天这一讲，我们就来聊聊怎么用Matplotlib、Plotly这些工具，把价差、K线、回测曲线画得明明白白。

20.1 为什么可视化对套利策略如此重要？

你想想看，基差交易和跨品种套利，本质上是在交易「价差」的均值回归或趋势延续。价差本身是个衍生指标，它不像股价那样直观。如果只看数字，你很难发现：

• 价差是否真的在某个区间内震荡？
• 有没有出现极端值？是数据错误还是市场异动？
• 策略开仓点是否踩在了价差的拐点上？

我在项目中遇到过一回，回测报告显示年化收益30%，我差点就准备上实盘了。结果画了个价差图一看——好家伙，80%的盈利来自一次数据缺失导致的假信号。从那以后，我养成了习惯：任何策略上线前，必须过一遍可视化检查清单。

20.2 Matplotlib：经典价差图与回测曲线

Matplotlib是Python可视化的老大哥。虽然它交互性差，但胜在稳定、可控、出版级质量。我个人习惯用它来做静态分析报告。

20.2.1 绘制价差图

价差图是套利策略的「心电图」。下面这段代码，展示了如何画出两个品种的价差，并标注开平仓点：

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 模拟数据：螺纹钢和热卷的价差
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=200, freq='D')
spread = np.cumsum(np.random.randn(200) * 0.5) + 10  # 模拟价差

# 生成交易信号：价差超过±2倍标准差开仓
mean_spread = np.mean(spread)
std_spread = np.std(spread)
upper = mean_spread + 2 * std_spread
lower = mean_spread - 2 * std_spread

# 找开仓点
long_signals = spread < lower
short_signals = spread > upper

plt.figure(figsize=(12, 6))
plt.plot(dates, spread, label='价差', color='blue', linewidth=1.5)
plt.axhline(mean_spread, color='gray', linestyle='--', alpha=0.7, label='均值')
plt.axhline(upper, color='red', linestyle='--', alpha=0.5, label='上轨')
plt.axhline(lower, color='green', linestyle='--', alpha=0.5, label='下轨')

# 标注开仓点
plt.scatter(dates[long_signals], spread[long_signals], 
            marker='^', color='green', s=100, label='做多开仓', zorder=5)
plt.scatter(dates[short_signals], spread[short_signals], 
            marker='v', color='red', s=100, label='做空开仓', zorder=5)

plt.title('螺纹钢-热卷价差与交易信号', fontsize=14)
plt.xlabel('日期')
plt.ylabel('价差')
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

20.2.2 回测曲线展示

回测曲线是策略的「成绩单」。我习惯用对数坐标展示资金曲线，这样能更清楚地看到复利效果：

# 模拟回测净值
np.random.seed(123)
equity = 100 * np.exp(np.cumsum(np.random.randn(500) * 0.02 + 0.001))

plt.figure(figsize=(12, 6))
plt.plot(equity, color='darkblue', linewidth=2, label='策略净值')
plt.yscale('log')  # 对数坐标
plt.title('策略回测净值曲线（对数坐标）', fontsize=14)
plt.xlabel('交易次数')
plt.ylabel('净值（对数）')
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.show()

20.3 Plotly：交互式图表让分析更深入

Matplotlib是静态的，Plotly是活的。你可以缩放、悬停、筛选。我个人觉得，探索性数据分析阶段，Plotly比Matplotlib好用十倍。

20.3.1 交互式价差图

下面这个例子，展示了如何用Plotly画出可交互的价差图。鼠标悬停就能看到具体数值：

import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 创建交互式图表
fig = go.Figure()

# 添加价差线
fig.add_trace(go.Scatter(
    x=dates, y=spread,
    mode='lines',
    name='价差',
    line=dict(color='blue', width=2),
    hovertemplate='日期: %{x|%Y-%m-%d}<br>价差: %{y:.2f}<extra></extra>'
))

# 添加上下轨
fig.add_hline(y=upper, line_dash="dash", line_color="red", 
              annotation_text="上轨")
fig.add_hline(y=lower, line_dash="dash", line_color="green", 
              annotation_text="下轨")

fig.update_layout(
    title='交互式价差图（可缩放）',
    xaxis_title='日期',
    yaxis_title='价差',
    hovermode='x unified',
    template='plotly_white'
)

fig.show()

20.4 K线图与指标叠加

做跨品种套利，光看价差不够，还得看单个品种的K线形态。我习惯用mplfinance库来画K线，它比Matplotlib原生画法方便太多。

20.4.1 用mplfinance画K线

import mplfinance as mpf

# 模拟K线数据
dates_k = pd.date_range('2024-01-01', periods=100, freq='D')
data = pd.DataFrame({
    'Open': np.random.randn(100).cumsum() + 100,
    'High': np.random.randn(100).cumsum() + 102,
    'Low': np.random.randn(100).cumsum() + 98,
    'Close': np.random.randn(100).cumsum() + 100,
    'Volume': np.random.randint(1000, 5000, 100)
}, index=dates_k)

# 添加移动平均线
mpf.plot(data, type='candle', mav=(5, 20), volume=True,
         style='charles', title='螺纹钢主力合约K线',
         ylabel='价格', ylabel_lower='成交量')

20.4.2 叠加技术指标

我经常在K线图上叠加RSI或布林带，用来辅助判断开仓时机：

# 计算RSI
def calc_rsi(series, period=14):
    delta = series.diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    avg_gain = gain.rolling(period).mean()
    avg_loss = loss.rolling(period).mean()
    rs = avg_gain / avg_loss
    return 100 - (100 / (1 + rs))

data['RSI'] = calc_rsi(data['Close'])

# 创建子图：K线 + RSI
fig = make_subplots(rows=2, cols=1, shared_xaxes=True,
                    vertical_spacing=0.1,
                    row_heights=[0.7, 0.3])

# 上部分：K线
fig.add_trace(go.Candlestick(
    x=data.index,
    open=data['Open'], high=data['High'],
    low=data['Low'], close=data['Close'],
    name='K线'
), row=1, col=1)

# 下部分：RSI
fig.add_trace(go.Scatter(
    x=data.index, y=data['RSI'],
    mode='lines', name='RSI',
    line=dict(color='purple')
), row=2, col=1)

# 添加RSI超买超卖线
fig.add_hline(y=70, line_dash="dash", line_color="red", row=2, col=1)
fig.add_hline(y=30, line_dash="dash", line_color="green", row=2, col=1)

fig.update_layout(title='K线 + RSI指标叠加', showlegend=False)
fig.show()

20.5 本章知识体系

下面这张SVG图，总结了本章的核心逻辑：

20.6 实战建议与避坑指南

最后，分享几个我踩过的坑：

1. 数据对齐是第一步——我曾经因为两个品种的交易日历不同，画出来的价差图全是锯齿。后来我强制用pd.merge(asof=True)做前向填充。
2. 不要只看收盘价——做日内套利时，用收盘价画图会丢失大量信息。我建议至少用1小时K线。
3. 回测曲线要画「最大回撤阴影」——用plt.fill_between把回撤区间标出来，一眼就能看出策略的脆弱期。
4. 交互式图表要导出为HTML——Plotly的图表可以保存为独立HTML文件，方便分享给团队。用fig.write_html('report.html')即可。