01
回测结果概览
理解回测报告的核心指标：总收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比。
核心指标入门
02
收益分解
将总收益拆解为Alpha收益、Beta收益、择时收益与选股收益。
AlphaBeta归因
03
风险归因
分析最大回撤的来源，区分系统性风险与特异性风险。
风险回撤
04
因子暴露分析
计算策略在常见因子（市值、动量、价值、波动率）上的暴露度。
因子暴露
05
行业与风格归因
使用Brinson模型分解行业配置与个股选择对收益的贡献。
Brinson风格
06
交易成本分析
评估滑点、佣金、印花税对策略净收益的影响。
成本滑点
07
换手率与持仓周期
分析策略的换手率特征，判断属于高频、中频或低频策略。
换手率频率
08
时序稳定性分析
滚动计算夏普比率与最大回撤，评估策略在不同市场环境下的表现。
滚动稳定性
09
分组收益分析
按市值、波动率、动量等因子对股票分组，观察策略在不同组别中的表现差异。
分组因子
10
情景分析
模拟策略在特定市场事件（如股灾、牛市、震荡市）中的表现。
情景压力测试
11
蒙特卡洛模拟
通过随机模拟评估策略收益的置信区间与尾部风险。
蒙特卡洛风险
12
过拟合检测
使用夏普比率衰减、回撤分布检验等方法判断策略是否过拟合。
过拟合检验
13
参数敏感性分析
测试策略关键参数（如均线周期、止损比例）对收益的影响。
参数敏感性
14
样本内外测试
划分训练集与测试集，验证策略的泛化能力。
样本外泛化
15
策略迭代框架
建立从回测分析到策略优化的闭环流程。
迭代框架
16
信号优化
基于归因结果调整信号生成逻辑，如加入过滤条件或权重调整。
信号优化
17
风险控制优化
根据回撤归因结果改进止损、仓位管理规则。
风控止损
18
因子择时
根据市场环境动态调整因子暴露，提升策略适应性。
因子择时动态
19
多策略组合
将多个低相关策略组合，降低整体波动与回撤。
组合分散
20
机器学习辅助归因
使用SHAP值或特征重要性分析因子贡献。
SHAPML
21
动态权重调整
基于近期表现动态调整策略中各子策略的权重。
动态权重自适应
22
回测平台搭建
使用Python（Backtrader、Zipline）搭建可复用的回测框架。
BacktraderZipline
23
自动化报告生成
使用Jinja2模板生成HTML格式的归因分析报告。
Jinja2报告
24
实盘与回测差异分析
对比实盘与回测的收益曲线，识别滑点、冲击成本等差异。
实盘差异
25
心理账户与行为偏差
分析策略执行中的常见心理误区（如过早止盈、扛单）。
行为金融偏差
26
策略生命周期管理
判断策略是否失效，建立策略退役与更新机制。
生命周期管理
27
回测数据质量检查
识别幸存者偏差、前视偏差、数据错误等问题。
数据质量偏差
28
绩效归因工具链
介绍QuantLib、pyfolio、alphalens等工具的使用。
pyfolioalphalens
29
案例实战
对一个均线突破策略进行完整的归因分析与迭代优化。
实战均线
30
课程总结与进阶路径
回顾核心知识点，推荐进阶学习资源与研究方向。
总结进阶