第4章收益率计算与可视化

4. 收益率计算与可视化：日收益率、对数收益率，以及分布图与时间序列图

各位同学，咱们今天聊点实在的。收益率计算，说白了就是量化投资的“体温计”。你策略好不好，赚没赚钱，全看它。我个人习惯，拿到数据第一件事，不是跑模型，而是先把收益率算清楚，画出来看看。这一步做扎实了，后面心里才有底。

4.1 为什么要算两种收益率？

你可能要问，算个涨跌百分比不就行了？为什么还要搞个“对数收益率”？

嗯，这里有个坑。我刚开始做量化的时候，也只用简单收益率。后来发现，做时间序列分析、算波动率的时候，简单收益率会带来偏差。举个例子：

简单收益率（日收益率）：直观，就是今天的收盘价相对于昨天的涨跌百分比。但它有个毛病——不可加。你今天赚10%，明天亏10%，总收益不是0，而是-1%。
对数收益率：把价格取个对数再差分。它天然具有“可加性”。你今天对数收益率是0.1，明天是-0.1，加起来就是0。这在做多期复利计算时，非常方便。

说白了，简单收益率适合“看”，对数收益率适合“算”。

核心公式：

简单日收益率：R_t = (P_t - P_{t-1}) / P_{t-1}
对数日收益率：r_t = ln(P_t / P_{t-1})

4.2 实战：用Python计算收益率

咱们直接上代码。我用的是yfinance拉取纳斯达克100指数（QQQ）的数据。你想想看，如果连数据都拿不到，后面全是空谈。

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

# 下载QQQ数据
qqq = yf.download('QQQ', start='2020-01-01', end='2023-12-31')
prices = qqq['Adj Close']

# 计算简单日收益率
simple_returns = prices.pct_change().dropna()

# 计算对数日收益率
log_returns = np.log(prices / prices.shift(1)).dropna()

# 看一眼前5行
print("简单收益率：")
print(simple_returns.head())
print("\n对数收益率：")
print(log_returns.head())

这里有个细节：pct_change() 默认会返回第一个NaN值，记得用 dropna() 去掉。我曾经因为忘了这一步，导致后面画图时多了一个异常点，排查了半天。

4.3 可视化：一图胜千言

算完收益率，别急着分析。先画图。我个人经验，图形能帮你快速发现数据中的异常、趋势和分布特征。

4.3.1 收益率时间序列图

时间序列图，说白了就是看收益率随时间怎么波动。我建议把简单收益率和对数收益率叠在一起画，看看它们有多接近。

plt.figure(figsize=(12, 6))
plt.plot(simple_returns.index, simple_returns, label='简单收益率', alpha=0.7)
plt.plot(log_returns.index, log_returns, label='对数收益率', alpha=0.7)
plt.title('QQQ 日收益率时间序列 (2020-2023)')
plt.xlabel('日期')
plt.ylabel('收益率')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

你会发现，两条线几乎重合。为什么？因为当收益率很小时，ln(1+x) ≈ x。但在极端行情下（比如2020年3月），两者会有细微差别。嗯，这里要注意，对数收益率在极端值处会更“平滑”一些。

4.3.2 收益率分布直方图

分布图能告诉你收益率的“脾气”。是正态分布吗？有没有肥尾？

plt.figure(figsize=(10, 6))
plt.hist(simple_returns, bins=100, density=True, alpha=0.6, label='简单收益率')
plt.hist(log_returns, bins=100, density=True, alpha=0.6, label='对数收益率')
plt.title('QQQ 日收益率分布')
plt.xlabel('收益率')
plt.ylabel('概率密度')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

你大概率会看到：中间高、两边低，但尾巴比正态分布要厚。这就是金融数据常见的“尖峰肥尾”特征。我在做风险模型时，如果直接用正态分布假设，VaR（在险价值）会严重低估风险。所以，画图能帮你提前避坑。

4.4 知识体系与核心逻辑

为了让你更直观地理解本章的知识结构，我画了一张图。它展示了从原始价格到最终可视化分析的完整链路。

4.5 避坑指南与个人经验

讲几个我踩过的坑，希望对你有帮助。

坑1：忘记处理缺失值

我曾经在计算对数收益率时，直接用 np.log(prices / prices.shift(1))，结果第一行是inf（无穷大）。因为价格除以0了。记得用 dropna() 清理。

技巧1：用对数收益率做多期累加

如果你想计算一个月的总收益率，简单收益率需要连乘：(1+R1)*(1+R2)*...-1。而对数收益率直接求和：r1 + r2 + ...。我习惯在策略回测中全程使用对数收益率，最后再转换回简单收益率展示给客户看。

坑2：画图时忽略异常值

有一次我画分布图，发现左边尾巴特别长。一查，原来是某天数据有误，价格跳空了。所以，画图前最好先用 describe() 看一眼统计量，确认最大值、最小值是否合理。

4.6 总结一下

收益率计算和可视化，是量化投资的“基本功”。你想想看，如果连收益率的特征都不清楚，后面做因子分析、风险模型，岂不是空中楼阁？

我个人建议，每次拿到新数据，都按这个流程走一遍：

计算简单收益率和对数收益率
画时间序列图，看波动是否稳定
画分布直方图，看是否符合正态分布
记录异常点，排查数据质量

这一步花不了多少时间，但能帮你省下后面大量的调试时间。嗯，今天就到这里，代码部分你可以直接复制到Jupyter Notebook里跑一下，看看效果。