策略分析模組

回測完成後,僅看累積報酬曲線和夏普率可能不夠全面。finlab.analysis 模組提供了 6 種內建分析工具,從流動性風險、波動特性、時期穩定性等多個角度深入評估策略品質,幫助你做出更明智的交易決策。

概述

FinLab 內建以下 6 種分析模組:

模組	用途	適用場景
LiquidityAnalysis	流動性風險檢測	大資金策略、低流動性標的
MaeMfeAnalysis	波動分析(MAE/MFE)	優化停損停利、了解策略特性
PeriodStatsAnalysis	時期穩定性分析	檢視年度、月度、近期表現
InequalityAnalysis	不等式因子分析	檢查策略是否依賴特定股票
AlphaBetaAnalysis	Alpha/Beta 分析	衡量超額報酬與市場相關性
DrawdownAnalysis	回撤分析	了解最大回撤的時間與幅度

基本用法

所有分析模組都使用相同的呼叫方式:

from finlab import data
from finlab.backtest import sim

# 完成回測
close = data.get('price:收盤價')
position = close > close.average(20)
report = sim(position, resample='M')

# 執行分析 - 方法 1: 使用模組名稱(字串)
report.run_analysis('LiquidityAnalysis', required_volume=100000)

# 執行分析 - 方法 2: 使用模組實例
from finlab.analysis.liquidityAnalysis import LiquidityAnalysis
report.run_analysis(LiquidityAnalysis(required_volume=100000))

推薦使用方法 1

直接傳入模組名稱(字串)更簡潔,且 FinLab 會自動處理模組載入。

1. LiquidityAnalysis - 流動性風險檢測

功能說明

檢測策略在進出場時是否會遇到流動性問題,包括:

成交量不足: 單日成交股數低於要求
成交金額不足: 單日成交金額低於要求
漲跌停板: 在漲停買入或跌停賣出(無法成交)
警示股/處置股/全額交割股: 交易受限的高風險標的

參數說明

LiquidityAnalysis(
    required_volume=200000,      # 要求單日成交股數(預設 20 萬股)
    required_turnover=1000000    # 要求單日成交金額(預設 100 萬元)
)

使用範例

# 檢測策略流動性風險
report.run_analysis('LiquidityAnalysis', required_volume=100000)

流動性檢測

輸出解讀

表格顯示各風險項目在進場(entry)和出場(exit)時發生的機率:

風險項目	entry	exit	說明
buy_high	5.2%	1.3%	在漲停板(或接近漲停)買入的比例
sell_low	0.8%	4.5%	在跌停板(或接近跌停)賣出的比例
low_volume_stocks	12.1%	10.3%	成交股數不足要求的比例
low_turnover_stocks	8.7%	7.2%	成交金額不足要求的比例
警示股	2.1%	1.8%	交易警示股的比例
處置股	0.5%	0.3%	交易處置股的比例
全額交割股	0.2%	0.1%	交易全額交割股的比例

風險閾值建議

buy_high 或 sell_low > 10%: 可能無法順利成交
low_volume_stocks > 20%: 大資金可能無法全部執行
處置股 > 5%: 策略可能專挑高風險標的

決策建議

流動性不足: 考慮增加選股條件(如「成交量 > 1000 張」)
頻繁觸及漲跌停: 調整進出場時機(如使用開盤價而非收盤價)
過多警示/處置股: 加入風控條件排除高風險標的

2. MaeMfeAnalysis - 波動分析

功能說明

MAE/MFE 分析是優化停損停利的核心工具:

MAE (Maximum Adverse Excursion): 持有期間最大不利方向幅度(最大虧損)
BMFE (Before-MAE MFE): MAE 發生前的最大有利方向幅度
GMFE (Global MFE): 持有期間最大有利方向幅度(最大獲利)
MDD (Maximum Drawdown): 持有期間最大回撤

透過 12 個子圖,全面了解每筆交易的波動特性。

參數說明

MaeMfeAnalysis(
    violinmode='group',      # violin 圖模式: 'group' 或 'overlay'
    mfe_scatter_x='mae'      # MFE 散點圖的 X 軸: 'mae' 或 'return'
)

使用範例

# 方法 1: 使用 display_mae_mfe_analysis() 快捷方法
report.display_mae_mfe_analysis()

# 方法 2: 使用 run_analysis()
report.run_analysis('MaeMfeAnalysis', violinmode='group')

波動分析

12 個子圖說明

第一排

Win Ratio: 交易勝率分布(profit vs loss 直方圖)
藍色:獲利交易,粉色:虧損交易
綠色虛線:平均報酬率
Edge Ratio: 不同持有天數的 MFE/MAE 比率
數值 > 1 代表獲利幅度大於虧損幅度
觀察策略的「優勢時間區間」
MAE vs Return: MAE 與最終報酬率的關係
水平虛線:MAE 的 75 分位數(Q3)
用於設定停損點

第二排

GMFE vs MAE: 最大獲利 vs 最大虧損
Q3 虛線:75% 交易的 GMFE 和 MAE 範圍
用於評估停利空間
BMFE vs MAE: MAE 前的最大獲利
數值越高,代表越有機會在停損前先停利
用於優化「移動停利」策略
MDD vs GMFE: 最大回撤 vs 最大獲利
橘線:MDD = GMFE 的基準線
點在線下方:GMFE > MDD(好訊號,可用移動停利)
點在線上方:MDD > GMFE(壞訊號,會錯失獲利)

第三排

7-9. MAE/BMFE/GMFE Distribution: 各指標的分布與密度 - 直方圖 + 密度曲線 - 藍色:獲利交易,粉色:虧損交易 - Q3 虛線:75 分位數

第四排

Indices Stats (Violin Plot): 6 個關鍵指標的統計分布
return, mae, bmfe, gmfe, mdd, pdays_ratio
group 模式: 分群顯示獲利/虧損交易的差異(推薦)
overlay 模式: 疊加顯示所有交易

決策建議

根據 MAE/MFE 分析優化停損停利:

停損點設定

# 1. 查看 MAE 的 75 分位數(Q3)
trades = report.get_trades()
mae_q3 = trades['mae'].quantile(0.75)  # 例如 -8.5%

# 2. 設定停損略寬於 Q3,避免過度停損
stop_loss = abs(mae_q3) * 1.2  # 設為 10%

停利點設定

# 查看 GMFE 的 75 分位數
gmfe_q3 = trades['gmfe'].quantile(0.75)  # 例如 15%

# 設定停利
stop_profit = gmfe_q3 * 0.8  # 設為 12%,確保大部分獲利能實現

移動停利判斷

若「MDD vs GMFE」圖中顯示:

Missed Win-profits PCT < 20%: 適合使用移動停利
Missed Win-profits PCT > 40%: 不適合移動停利(會提前出場錯失更大獲利)

# 使用移動停利
position_with_trailing_stop = position.hold_until(
    exit=exits,
    stop_loss=0.1,
    trailing_stop_profit=0.08  # 回檔 8% 即出場
)

3. PeriodStatsAnalysis - 時期穩定性分析

功能說明

分析策略在不同時期(年度、月度、近期)的表現,並與對照指數(benchmark)比較,檢驗策略是否穩定。

使用範例

report.run_analysis('PeriodStatsAnalysis')

輸出解讀

會產生多個表格,包含:

1. Overall Stats(整體表現)

比較策略與 benchmark 在日度、月度、年度的整體指標:

指標	benchmark	strategy
`overall_daily` / `calmar_ratio`	0.149	0.066
`overall_daily` / `sharpe_ratio`	0.532	0.306
`overall_monthly` / `return`	0.084	0.048

2. Yearly Stats(年度表現)

熱力圖顯示每年的 7 種指標(calmar_ratio, sharpe_ratio, return, volatility 等)。

3. Recent Stats(近期表現)

顯示最近 M(月)、Q(季)、HY(半年)、Y(年)、3Y(三年)的表現。

決策建議

策略 sharpe_ratio < benchmark: 策略風險調整後報酬不如大盤,需改進
某些年度表現特別差: 檢查是否遇到特定市場環境(如空頭)
近期表現大幅衰退: 策略可能失效,需重新優化

4. InequalityAnalysis - 不等式因子分析

功能說明

檢查策略的報酬是否過度集中在少數股票,評估策略的穩健性。

不等式因子分析

使用範例

report.run_analysis('InequalityAnalysis')

輸出解讀

產生兩個圖表:

Cumulative Returns by Stock: 各股票的累積貢獻曲線
若曲線在前 10% 股票就達到 80%,代表報酬過度集中
Gini Coefficient: 基尼係數(0-1)
接近 0: 報酬均勻分布(好)
接近 1: 報酬極度集中(風險高)

決策建議

Gini > 0.7: 策略過度依賴少數股票,需分散風險
前 5% 股票貢獻 > 50% 報酬: 移除這些股票測試策略穩健性

5. AlphaBetaAnalysis - Alpha/Beta 分析

功能說明

衡量策略相對於對照指數的:

Alpha (α): 超額報酬(策略獨特的價值)
Beta (β): 市場敏感度(與大盤的相關性)

使用範例

report.run_analysis('AlphaBetaAnalysis')

輸出解讀

指標	數值	說明
Alpha	0.05	年化超額報酬 5%(扣除市場風險後的真實貢獻)
Beta	0.8	市場上漲 1%,策略預期上漲 0.8%

決策建議

Alpha > 0: 策略有超額報酬,值得執行
Alpha < 0: 策略不如對照指數,需改進
Beta > 1.5: 策略波動極大,風險高
Beta < 0: 策略與市場負相關(適合避險)

6. DrawdownAnalysis - 回撤分析

功能說明

詳細分析策略的所有回撤事件,了解:

最大回撤幅度與發生時間
平均回撤幅度
回撤持續時間

使用範例

report.run_analysis('DrawdownAnalysis')

輸出解讀

產生表格與圖表:

Drawdown Events Table: 所有回撤事件的詳細資訊
start_date: 回撤開始日期
end_date: 回撤結束日期
duration: 持續天數
max_dd: 最大回撤幅度
Drawdown Plot: 回撤時序圖

決策建議

最大回撤 > -50%: 風險過高,需增加風控措施
回撤持續時間 > 1 年: 策略可能長期失效
近期回撤頻繁: 市場環境改變,需重新評估策略

自訂分析模組

如果內建分析無法滿足需求,可繼承 Analysis 類別開發自訂分析。

基礎範例:產業分析

分析每筆交易所屬的產業:

from finlab import data
from finlab.analysis import Analysis

class IndustryAnalysis(Analysis):

    def calculate_trade_info(self, report):
        """計算每筆交易的產業資訊"""
        industry = data.get('etl:industry')
        return [
            ['產業', industry, 'entry_sig_date']
        ]

    def analyze(self, report):
        """分析產業分布"""
        trades = report.get_trades()
        industry_return = trades.groupby('產業@entry_sig_date')['return'].agg(['count', 'mean'])
        self.result = industry_return.sort_values('mean', ascending=False)
        return self.result.to_dict()

    def display(self):
        """顯示分析結果"""
        return self.result

# 使用自訂分析
report.run_analysis(IndustryAnalysis())

進階範例:月度勝率分析

分析每個月份的勝率是否有差異:

class MonthlyWinRateAnalysis(Analysis):

    def analyze(self, report):
        trades = report.get_trades()
        trades['entry_month'] = pd.to_datetime(trades['entry_date']).dt.month

        monthly_stats = trades.groupby('entry_month').agg({
            'return': ['count', lambda x: (x > 0).mean(), 'mean']
        }).round(3)

        monthly_stats.columns = ['交易次數', '勝率', '平均報酬']
        self.result = monthly_stats
        return self.result.to_dict()

    def display(self):
        import plotly.express as px
        fig = px.bar(self.result, y='勝率', title='月度勝率分析')
        return fig

# 使用
report.run_analysis(MonthlyWinRateAnalysis())

Analysis 類別 API

繼承 Analysis 類別時,可覆寫以下方法:

class Analysis:

    def is_market_supported(self, market):
        """檢查是否支援該市場

        Returns:
            bool: True 表示支援,False 表示不支援
        """
        return True

    def calculate_trade_info(self, report):
        """計算額外的交易資訊

        Returns:
            list: 格式為 [[欄位名, 資料 DataFrame, 使用的日期欄位], ...]

        Examples:
            return [
                ['產業', industry_data, 'entry_sig_date'],
                ['市值', market_cap, 'entry_date']
            ]
        """
        return []

    def analyze(self, report):
        """執行分析邏輯

        Args:
            report: 回測報告物件

        Returns:
            dict: 分析結果(用於上傳至雲端)
        """
        pass

    def display(self):
        """顯示分析結果

        Returns:
            可視化物件(推薦使用 Plotly Figure 或 Pandas Styler)
        """
        pass

calculate_trade_info 的作用

calculate_trade_info() 會在 analyze() 之前執行,自動將額外資訊加入 report.get_trades() 的 DataFrame。

例如回傳 [['產業', industry, 'entry_sig_date']],則 trades 會新增 '產業@entry_sig_date' 欄位。

組合使用多個分析模組

實務上,建議同時執行多個分析:

from finlab import data
from finlab.backtest import sim

# 完成回測
close = data.get('price:收盤價')
position = close > close.average(20)
report = sim(position, resample='M')

# 1. 流動性檢測
report.run_analysis('LiquidityAnalysis', required_volume=100000)

# 2. 波動分析
report.display_mae_mfe_analysis()

# 3. 時期穩定性分析
report.run_analysis('PeriodStatsAnalysis')

# 4. Alpha/Beta 分析
report.run_analysis('AlphaBetaAnalysis')

# 5. 自訂產業分析
report.run_analysis(IndustryAnalysis())

最佳實踐

1. 標準分析流程

每個策略回測後,建議執行以下檢查:

# Step 1: 基本績效檢視
report.display()

# Step 2: 流動性風險(大資金必檢)
if capital > 1000000:
    report.run_analysis('LiquidityAnalysis', required_volume=100000)

# Step 3: 波動分析(必做,用於優化停損停利)
report.display_mae_mfe_analysis()

# Step 4: 時期穩定性(檢視長期穩定性)
report.run_analysis('PeriodStatsAnalysis')

# Step 5: Alpha/Beta(檢視是否有超額報酬)
report.run_analysis('AlphaBetaAnalysis')

2. 針對不同策略類型的分析重點

策略類型	重點分析模組
短線交易(日內、週線)	MaeMfeAnalysis(優化停損停利)
長線投資(月線、季線)	PeriodStatsAnalysis(檢視長期穩定性)
大資金策略(> 1000 萬)	LiquidityAnalysis(避免流動性風險)
市場中性策略	AlphaBetaAnalysis(確認 Beta 接近 0)
高頻交易	DrawdownAnalysis(確認回撤可控)

3. 分析結果的決策樹

回測完成
  ├─ 流動性風險 > 20%?
  │   ├─ 是 → 增加成交量篩選條件
  │   └─ 否 → 繼續
  ├─ 夏普率 < 1?
  │   ├─ 是 → 優化選股條件或停損停利
  │   └─ 否 → 繼續
  ├─ 最大回撤 > -30%?
  │   ├─ 是 → 增加風控措施(停損、部位控制)
  │   └─ 否 → 繼續
  ├─ Alpha < 0?
  │   ├─ 是 → 策略無超額報酬,需重新設計
  │   └─ 否 → 繼續
  └─ 所有檢查通過 → 進行樣本外測試

策略分析模組

概述

基本用法

1. LiquidityAnalysis - 流動性風險檢測

功能說明

參數說明

使用範例

輸出解讀

決策建議

2. MaeMfeAnalysis - 波動分析

功能說明

參數說明

使用範例

12 個子圖說明

第一排

第二排

第三排

第四排

決策建議

停損點設定

停利點設定

移動停利判斷

3. PeriodStatsAnalysis - 時期穩定性分析

功能說明

使用範例

輸出解讀

1. Overall Stats(整體表現)

2. Yearly Stats(年度表現)

3. Recent Stats(近期表現)

決策建議

4. InequalityAnalysis - 不等式因子分析

功能說明

使用範例

輸出解讀

決策建議

5. AlphaBetaAnalysis - Alpha/Beta 分析

功能說明

使用範例

輸出解讀

決策建議

6. DrawdownAnalysis - 回撤分析

功能說明

使用範例

輸出解讀

決策建議

自訂分析模組

基礎範例:產業分析

進階範例:月度勝率分析

Analysis 類別 API

組合使用多個分析模組

最佳實踐

1. 標準分析流程

2. 針對不同策略類型的分析重點

3. 分析結果的決策樹

參考資源