【导语】上一篇我们用均线策略回测了宁德时代的收益，虽然算出了15%的收益率，但一堆数字总让人觉得不够直观——买卖点是不是踩在关键位置？收益曲线有没有一路向上？今天就教大家用matplotlib这个“画图神器”，把“股价+均线+买卖信号+收益曲线”整合到一张图上，策略效果好坏，一眼就能看清楚。

一、为什么必定要做策略可视化？

许多新手只盯着“总收益率”这个数字，却忽略了可视化的重大性，这实则是个大误区。可视化的核心价值在于“让问题显性化”，主要有三个作用：

• 直观验证信号有效性：金叉是不是出目前股价启动前？死叉有没有避开大跌？画图后信号的“及时性”和“准确性”一目了然，避免被虚假收益数字误导。
• 快速定位策略漏洞：如果收益曲线突然大幅下跌，结合股价图能立刻看出是“信号延迟”还是“假突破”导致的，比对着表格找问题效率高10倍。
• 便于优化和分享：画好的图表可以直接用来分析策略，无论是自己复盘还是分享给同行，都比纯文字更有说服力。

小提醒：可视化不是“花架子”，而是量化交易的“刚需工具”。专业的量化团队，回测报告里图表占比能达到60%以上，新手从一开始就要养成画图的习惯。

二、10分钟准备：可视化环境搭建

我们用Python的matplotlib库画图，搭配pandas处理数据，环境搭建超简单，和上一篇的工具无缝衔接。

1. 安装matplotlib库

打开命令提示符（Windows）或终端（Mac），粘贴下面的命令，按回车等待安装完成：

pip install matplotlib  # 安装画图库
pip install matplotlib-inline  # Jupyter环境专用，PyCharm可忽略

2. 解决中文显示问题

matplotlib默认不支持中文，直接画图会出现乱码，需要在代码里添加几行配置。不用死记，每次画图前复制进去就行，后面会给出完整示例。

三、核心实操：4类关键图表，代码直接抄

我们基于上一篇的均线策略数据，制作4类最实用的图表：① 股价+均线+买卖点图；② 收益曲线走势图；③ 最大回撤分析图；④ 交易信号分布直方图。每类图表都带完整代码，新手复制后修改路径就能用。

先补充：数据预处理（衔接上一篇策略）

第一需要把上一篇的回测数据整理好，这里直接给出“数据获取+策略回测+数据整理”的完整前置代码，确保画图数据连贯：

import akshare as ak
import pandas as pd
import numpy as np

# 1. 获取宁德时代2024年日K数据
stock_df = ak.stock_zh_a_daily(
    symbol="300750", start_date="2024-01-01", end_date="2024-10-31", adjust="qfq"
)
stock_df = stock_df.reset_index()
stock_df.columns = ["日期", "开盘价", "最高价", "最低价", "收盘价", "成交量", "成交额"]

# 2. 计算均线和交易信号（和上一篇完全一致）
stock_df["5日均线"] = stock_df["收盘价"].rolling(window=5).mean()
stock_df["20日均线"] = stock_df["收盘价"].rolling(window=20).mean()
stock_df["金叉信号"] = (stock_df["5日均线"].shift(1) < stock_df["20日均线"].shift(1)) & (stock_df["5日均线"] > stock_df["20日均线"])
stock_df["死叉信号"] = (stock_df["5日均线"].shift(1) > stock_df["20日均线"].shift(1)) & (stock_df["5日均线"] < stock_df["20日均线"])
stock_df["交易信号"] = 0
stock_df.loc[stock_df["金叉信号"], "交易信号"] = 1
stock_df.loc[stock_df["死叉信号"], "交易信号"] = -1

# 3. 执行回测并计算资产净值（新增：计算每日资产净值，用于画收益曲线）
cash = 100000
hold_shares = 0
stock_df["资产净值"] = 0.0  # 每日资产总价值（现金+持仓市值）

for i in range(len(stock_df)):
    close_price = stock_df.loc[i, "收盘价"]
    signal = stock_df.loc[i, "交易信号"]
    
    if signal == 1 and hold_shares == 0:
        hold_shares = cash // close_price
        cash -= hold_shares * close_price
    elif signal == -1 and hold_shares > 0:
        cash += hold_shares * close_price
        hold_shares = 0
    
    # 计算每日资产净值
    stock_df.loc[i, "资产净值"] = cash + hold_shares * close_price

# 4. 整理买卖点数据（方便画图时标记）
buy_signals = stock_df[stock_df["交易信号"] == 1][["日期", "收盘价"]]  # 买入点
sell_signals = stock_df[stock_df["交易信号"] == -1][["日期", "收盘价"]]  # 卖出点

图表1：股价+均线+买卖点（核心图表）

这是最基础也最实用的图表，能清晰看到股价在均线上下的波动，以及买卖信号是否精准。买入点用红色向上箭头标记，卖出点用绿色向下箭头标记。

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

# 解决中文显示问题（固定配置，直接复制）
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']  # 中文支持
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 1. 创建画布和子图（figsize控制图片大小，单位是英寸）
fig, ax = plt.subplots(figsize=(12, 6))

# 2. 转换日期格式（matplotlib需要特定格式的日期）
stock_df["日期"] = pd.to_datetime(stock_df["日期"])
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))  # 日期显示格式
ax.xaxis.set_major_locator(mdates.MonthLocator(interval=2))  # 每2个月显示一个日期

# 3. 绘制股价和均线
ax.plot(stock_df["日期"], stock_df["收盘价"], label="宁德时代收盘价", color="#1f77b4", linewidth=1.5)
ax.plot(stock_df["日期"], stock_df["5日均线"], label="5日均线", color="#ff7f0e", linewidth=1.2)
ax.plot(stock_df["日期"], stock_df["20日均线"], label="20日均线", color="#2ca02c", linewidth=1.2)

# 4. 标记买卖点（买入=红色上箭头，卖出=绿色下箭头）
ax.scatter(buy_signals["日期"], buy_signals["收盘价"], 
           color="red", marker="^", s=100, label="买入信号", zorder=5)  # zorder确保箭头在最上层
ax.scatter(sell_signals["日期"], sell_signals["收盘价"], 
           color="green", marker="v", s=100, label="卖出信号", zorder=5)

# 5. 图表美化
ax.set_title("宁德时代5日-20日均线策略买卖点示意图（2024年）", fontsize=14, pad=20)
ax.set_xlabel("日期", fontsize=12)
ax.set_ylabel("价格（元）", fontsize=12)
ax.legend(loc="upper left")  # 图例位置
ax.grid(True, alpha=0.3)  # 网格线，alpha控制透明度

# 6. 旋转x轴日期标签，避免重叠
plt.xticks(rotation=45)

# 7. 保存图片（保存到桌面，dpi控制清晰度）
plt.tight_layout()  # 自动调整布局，避免标签被截断
plt.savefig("C:/Users/Admin/Desktop/买卖点示意图.png", dpi=300)
plt.close()  # 关闭画布，释放内存

print("买卖点示意图已保存到桌面！")

运行后会在桌面生成一张高清图片，能清晰看到：如果某笔买入信号出目前股价跌破均线后，大致率是假信号；如果卖出信号刚好在股价大跌前，说明策略有效。

图表2：收益曲线走势图

收益曲线能直观展示“资产净值”的变化过程，比单纯的“总收益率”更有参考价值——同样是15%的收益，“稳步上涨”和“暴涨暴跌”的风险完全不同。

import matplotlib.pyplot as plt

# 1. 计算基准收益（对比沪深300，看策略是否跑赢大盘）
# 获取沪深300指数数据
index_df = ak.stock_zh_index_daily(symbol="000300", start_date="2024-01-01", end_date="2024-10-31")
index_df = index_df.reset_index()
index_df.columns = ["日期", "开盘价", "最高价", "最低价", "收盘价", "成交量", "成交额"]
index_df["日期"] = pd.to_datetime(index_df["日期"])
# 计算指数收益率（以初始值为100000）
index_df["基准净值"] = 100000 * (index_df["收盘价"] / index_df["收盘价"].iloc[0])

# 2. 合并策略收益和基准收益数据（按日期对齐）
profit_df = pd.merge(stock_df[["日期", "资产净值"]], index_df[["日期", "基准净值"]], on="日期", how="inner")

# 3. 绘制收益曲线
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(12, 6))

# 绘制策略收益和基准收益
ax.plot(profit_df["日期"], profit_df["资产净值"], label="均线策略资产净值", color="#ff4500", linewidth=2)
ax.plot(profit_df["日期"], profit_df["基准净值"], label="沪深300基准净值", color="#4169e1", linewidth=2, linestyle="--")

# 标记初始本金线
ax.axhline(y=100000, color="gray", linestyle=":", alpha=0.8, label="初始本金（10万元）")

# 图表美化
ax.set_title("均线策略 vs 沪深300收益曲线对比（2024年）", fontsize=14, pad=20)
ax.set_xlabel("日期", fontsize=12)
ax.set_ylabel("资产净值（元）", fontsize=12)
ax.legend(loc="upper right")
ax.grid(True, alpha=0.3)

# 旋转x轴日期
plt.xticks(rotation=45)

# 保存图片
plt.tight_layout()
plt.savefig("C:/Users/Admin/Desktop/收益曲线对比.png", dpi=300)
plt.close()

# 计算超额收益
excess_return = (profit_df["资产净值"].iloc[-1] - profit_df["基准净值"].iloc[-1]) / profit_df["基准净值"].iloc[-1] * 100
print(f"策略超额收益率：{excess_return:.2f}%")
print("收益曲线对比图已保存到桌面！")

通过这张图，能立刻判断策略是否跑赢大盘：如果策略曲线始终在基准曲线上方，说明策略有超额收益；如果长期低于基准，就要思考优化策略或换标的。

图表3：最大回撤分析图

最大回撤是衡量策略风险的核心指标，画图能清晰看到回撤发生的时间段和恢复情况——同样是10%的回撤，“1个月恢复”比“6个月恢复”的策略更好。

import matplotlib.pyplot as plt

# 1. 计算最大回撤（专业版：每日回撤率）
# 先计算每日的峰值资产（从开始到当前的最大值）
stock_df["峰值资产"] = stock_df["资产净值"].cummax()
# 计算每日回撤率（(峰值资产-当日资产)/峰值资产）
stock_df["回撤率"] = (stock_df["峰值资产"] - stock_df["资产净值"]) / stock_df["峰值资产"] * 100

# 2. 找到最大回撤的区间（开始和结束日期）
max_drawdown = stock_df["回撤率"].max()
max_drawdown_start = stock_df[stock_df["回撤率"] == max_drawdown]["日期"].iloc[0]
# 回撤结束日期：最大回撤后，资产净值回到之前峰值的日期
peak_before = stock_df[stock_df["日期"] < max_drawdown_start]["峰值资产"].max()
max_drawdown_end = stock_df[(stock_df["日期"] > max_drawdown_start) & (stock_df["资产净值"] >= peak_before)]["日期"].iloc[0]

# 3. 绘制回撤图
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(12, 6))

# 绘制回撤率曲线
ax.plot(stock_df["日期"], stock_df["回撤率"], color="#dc143c", linewidth=1.5, label="每日回撤率")
# 标记最大回撤区间（用阴影填充）
ax.axvspan(max_drawdown_start, max_drawdown_end, color="orange", alpha=0.2, label=f"最大回撤区间（{max_drawdown:.2f}%）")
# 标记最大回撤点
max_drawdown_point = stock_df[stock_df["回撤率"] == max_drawdown]
ax.scatter(max_drawdown_point["日期"], max_drawdown_point["回撤率"], color="red", s=80, zorder=5)

# 图表美化
ax.set_title("均线策略最大回撤分析（2024年）", fontsize=14, pad=20)
ax.set_xlabel("日期", fontsize=12)
ax.set_ylabel("回撤率（%）", fontsize=12)
ax.legend(loc="upper right")
ax.grid(True, alpha=0.3)
ax.set_ylim(bottom=0)  # 回撤率最低为0，不显示负数

# 旋转x轴日期
plt.xticks(rotation=45)

# 保存图片
plt.tight_layout()
plt.savefig("C:/Users/Admin/Desktop/最大回撤分析.png", dpi=300)
plt.close()

print(f"最大回撤率：{max_drawdown:.2f}%")
print(f"最大回撤发生时间：{max_drawdown_start.strftime('%Y-%m-%d')}")
print(f"最大回撤恢复时间：{max_drawdown_end.strftime('%Y-%m-%d')}")
print("最大回撤分析图已保存到桌面！")

图表4：交易信号分布直方图

这个图表能看出交易信号的时间分布，避免策略“过度交易”——如果某几个月交易次数特别多，可能是那段时间市场波动大，产生了大量假信号。

import matplotlib.pyplot as plt

# 1. 整理交易信号的月份分布
stock_df["月份"] = stock_df["日期"].dt.to_period("M")  # 按月份分组
# 统计每月的买入和卖出次数
signal_count = stock_df.groupby("月份")["交易信号"].value_counts().unstack(fill_value=0)
# 重命名列（如果没有对应信号，列可能不存在，需要判断）
if 1 in signal_count.columns:
    signal_count["买入次数"] = signal_count[1]
else:
    signal_count["买入次数"] = 0
if -1 in signal_count.columns:
    signal_count["卖出次数"] = signal_count[-1]
else:
    signal_count["卖出次数"] = 0

# 转换月份格式为字符串（便于显示）
signal_count.index = signal_count.index.astype(str)

# 2. 绘制直方图
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(12, 6))

# 绘制分组柱状图
x = range(len(signal_count))
width = 0.35  # 柱子宽度
ax.bar([i - width/2 for i in x], signal_count["买入次数"], width, label="买入次数", color="#ff6b6b")
ax.bar([i + width/2 for i in x], signal_count["卖出次数"], width, label="卖出次数", color="#4ecdc4")

# 图表美化
ax.set_title("均线策略交易信号月度分布（2024年）", fontsize=14, pad=20)
ax.set_xlabel("月份", fontsize=12)
ax.set_ylabel("交易次数", fontsize=12)
ax.set_xticks(x)
ax.set_xticklabels(signal_count.index, rotation=45)
ax.legend()
ax.grid(True, alpha=0.3, axis="y")

# 保存图片
plt.tight_layout()
plt.savefig("C:/Users/Admin/Desktop/交易信号分布.png", dpi=300)
plt.close()

# 计算平均每月交易次数
avg_monthly_trade = (signal_count["买入次数"].sum() + signal_count["卖出次数"].sum()) / len(signal_count)
print(f"平均每月交易次数：{avg_monthly_trade:.1f}次")
print("交易信号分布图已保存到桌面！")

四、可视化后的策略优化：从图表中找问题

画图不是目的，而是为了优化策略。结合上面4张图，新手可以快速定位问题并调整，举3个常见场景：

1. 场景1：买入信号总在股价冲高后出现——从买卖点图发现，金叉信号出目前股价连续上涨后，说明短期均线反应太快，可把5日均线换成8日均线，过滤追高信号。
2. 场景2：收益曲线长期低于大盘——从收益对比图发现，策略在大盘上涨时跟不上，可增加“沪深300指数站上60日均线”作为附加条件，只在大盘趋势向上时交易。
3. 场景3：某段时间回撤大且恢复慢——从回撤分析图发现，回撤发生在行业利空期间，可增加“行业指数（如新能源指数）均线过滤”，避免在行业下跌时交易。

五、下一篇预告：策略自动化，让代码帮你盯盘

学会了回测和可视化，下一步就是“自动化盯盘”——下一篇我们教大家用Python写一个实时盯盘脚本，当股票出现金叉/死叉信号时，自动发送邮件或微信提醒，不用再24小时盯盘，轻松抓住交易机会。

【互动】你画出来的策略收益曲线跑赢大盘了吗？评论区晒出你的可视化图表截图，抽3人送《Python量化可视化大全》，包含10+类专业图表代码！