模拟盘数据统计与月度复盘方法模拟盘跑了一段时间,交易记录攒了几百条,但很多人只是看看总盈亏就结束了。这样跑模拟盘的意义不大——真正有价值的是从交易记录中提取统计指标,做系统性复盘,找到策略的衰减点和改进方向。这篇文章分享一套完整的模拟盘数据统计与月度复盘方法,包含可复用的Python代码。一、数据准备假设你的模拟盘交易记录已经导出为CSV,字段大致如下:trade_id,symbol,direction,open_time,close_time,open_price,close_price,volume,pnl,commission 1,RB2405,long,2024-01-02 09:35,2024-01-02 14:20,3980,4010,10,300,12 2,RB2405,short,2024-01-03 10:10,2024-01-03 11:05,4020,4035,10,-150,12 ...先做统一的数据加载和预处理:import pandas as pd import numpy as np import matplotlib.pyplot as plt from datetime import datetime plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False def load_trades(filepath): df pd.read_csv(filepath, parse_dates[open_time, close_time]) # 净盈亏 毛利 - 手续费 df[net_pnl] df[pnl] - df[commission] # 持仓时长(分钟) df[hold_minutes] (df[close_time] - df[open_time]).dt.total_seconds() / 60 # 按平仓时间排序 df df.sort_values(close_time).reset_index(dropTrue) return df trades load_trades(sim_trades.csv) print(f总交易数: {len(trades)}) print(f时间范围: {trades[close_time].min()} ~ {trades[close_time].max()})二、核心统计指标2.1 胜率与盈亏比胜率单独看没有意义,必须和盈亏比结合。一个胜率40%但盈亏比3:1的策略,远好于胜率70%但盈亏比0.5:1的策略。def calc_basic_stats(df): wins df[df[net_pnl] 0] losses df[df[net_pnl] 0] win_rate len(wins) / len(df) if len(df) 0 else 0 avg_win wins[net_pnl].mean() if len(wins) 0 else 0 avg_loss abs(losses[net_pnl].mean()) if len(losses) 0 else 0 profit_loss_ratio avg_win / avg_loss if avg_loss 0 else np.inf # 期望值 胜率 * 平均盈利 - 败率 * 平均亏损 expectancy win_rate * avg_win - (1 - win_rate) * avg_loss stats { 总交易数: len(df), 盈利笔数: len(wins), 亏损笔数: len(losses), 胜率: round(win_rate, 4), 平均盈利: round(avg_win, 2), 平均亏损: round(avg_loss, 2), 盈亏比: round(profit_loss_ratio, 2), 单笔期望值: round(expectancy, 2), 总净盈亏: round(df[net_pnl].sum(), 2), 最大单笔盈利: round(df[net_pnl].max(), 2), 最大单笔亏损: round(df[net_pnl].min(), 2), } return stats stats calc_basic_stats(trades) for k, v in stats.items(): print(f{k}: {v})2.2 期望值的意义单笔期望值是策略能否持续盈利的核心判断标准。如果期望值 ≤ 0,无论胜率多高,长期跑下去必然亏损。这个指标比总盈亏更能反映策略质量,因为它不受交易次数的影响。2.3 最大连亏与最大回撤def calc_drawdown_series(df): 计算资金曲线和回撤序列 df df.copy() df[cum_pnl] df[net_pnl].cumsum() df[peak] df[cum_pnl].cummax() df[drawdown] df[cum_pnl] - df[peak] df[drawdown_pct] df[drawdown] / (df[peak].abs() 1e-9) return df def calc_streak(df): 计算最大连胜和最大连亏 pnl_sign np.sign(df[net_pnl].values) max_win_streak max_loss_streak 0 cur_win cur_loss 0 for s in pnl_sign: if s 0: cur_win 1 cur_loss 0 elif s 0: cur_loss 1 cur_win 0 else: cur_win cur_loss 0 max_win_streak max(max_win_streak, cur_win) max_loss_streak max(max_loss_streak, cur_loss) return max_win_streak, max_loss_streak trades calc_drawdown_series(trades) max_win_streak, max_loss_streak calc_streak(trades) max_dd trades[drawdown].min() print(f最大连胜: {max_win_streak}) print(f最大连亏: {max_loss_streak}) print(f最大回撤(绝对值): {max_dd:.2f})最大连亏决定了你需要的心理承受能力和资金储备。如果一个策略历史上出现过连续12笔亏损,那么你至少要做好连亏15笔的准备。三、资金曲线分析3.1 资金曲线绘制def plot_equity_curve(df, save_pathequity_curve.png): fig, axes plt.subplots(2, 1, figsize(14, 8), gridspec_kw{height_ratios: [3, 1]}) # 资金曲线 axes[0].plot(df[close_time], df[cum_pnl], color#2196F3, linewidth1.5) axes[0].fill_between(df[close_time], df[cum_pnl], alpha0.15, color#2196F3) axes[0].set_title(模拟盘资金曲线, fontsize14) axes[0].set_ylabel(累计净盈亏) axes[0].grid(True, alpha0.3) # 回撤 axes[1].fill_between(df[close_time], df[drawdown], 0, color#F44336, alpha0.5) axes[1].set_title(回撤曲线, fontsize12) axes[1].set_ylabel(回撤) axes[1].grid(True, alpha0.3) plt.tight_layout() plt.savefig(save_path, dpi150) plt.close() plot_equity_curve(trades)3.2 资金曲线的形态判断看资金曲线不只是看涨跌,要关注形态:平滑上升:策略稳定,回撤可控阶梯式上升:策略有周期性,某些行情下表现好高位震荡:策略可能已经失效,需要警惕持续新低:策略逻辑有问题,应立即停止可以用线性回归斜率来量化资金曲线的趋势:from scipy import stats as sp_stats def equity_trend(df): 用线性回归斜率衡量资金曲线趋势 x np.arange(len(df)) y df[cum_pnl].values slope, intercept, r_value, p_value, std_err sp_stats.linregress(x, y) return { slope: round(slope, 4), r_squared: round(r_value**2, 4), p_value: round(p_value, 6) } trend equity_trend(trades) print(f资金曲线斜率: {trend[slope]} (每笔交易平均盈亏)) print(fR²: {trend[r_squared]})斜率代表每笔交易的平均贡献,R²代表资金曲线的稳定性。R²越高,说明盈利越稳定。四、月度复盘报告4.1 按月分组统计def monthly_report(df): df df.copy() df[month] df[close_time].dt.to_period(M) monthly df.groupby(month).agg( trades(net_pnl, count), total_pnl(net_pnl, sum), avg_pnl(net_pnl, mean), win_count(net_pnl, lambda x: (x 0).sum()), max_win(net_pnl, max), max_loss(net_pnl, min), avg_hold(hold_minutes, mean), ).reset_index() monthly[win_rate] (monthly[win_count] / monthly[trades]).round(4) monthly[total_pnl] monthly[total_pnl].round(2) monthly[avg_pnl] monthly[avg_pnl].round(2) return monthly monthly monthly_report(trades) print(monthly.to_string(indexFalse))4.2 月度对比可视化def plot_monthly_comparison(monthly_df, save_pathmonthly_report.png): fig, axes plt.subplots(1, 3, figsize(16, 5)) months monthly_df[month].astype(str) # 月度盈亏 colors [#4CAF50 if x 0 else #F44336 for x in monthly_df[total_pnl]] axes[0].bar(months, monthly_df[total_pnl], colorcolors) axes[0].set_title(月度净盈亏) axes[0].tick_params(axisx, rotation45) axes[0].axhline(y0, colorblack, linewidth0.8) # 月度胜率 axes[1].plot(months, monthly_df[win_rate], markero, color#2196F3, linewidth2) axes[1].axhline(y0.5, colorgray, linestyle--, alpha0.5) axes[1].set_title(月度胜率) axes[1].set_ylim(0, 1) axes[1].tick_params(axisx, rotation45) # 月度交易次数 axes[2].bar(months, monthly_df[trades], color#FF9800, alpha0.7) axes[2].set_title(月度交易次数) axes[2].tick_params(axisx, rotation45) plt.tight_layout() plt.savefig(save_path, dpi150) plt.close() plot_monthly_comparison(monthly)4.3 复盘报告模板每月复盘时,按以下结构输出:def generate_monthly_review(df, target_month): 生成指定月份的复盘报告 df[month] df[close_time].dt.to_period(M) mdf df[df[month] target_month] if len(mdf) 0: return f{target_month} 无交易记录 stats calc_basic_stats(mdf) max_win_streak, max_loss_streak calc_streak(mdf) # 分方向统计 long_trades mdf[mdf[direction] long] short_trades mdf[mdf[direction] short] report f {*50} {target_month} 月度复盘报告 {*50} 【整体表现】 交易次数: {stats[总交易数]} 净盈亏: {stats[总净盈亏]} 胜率: {stats[胜率]*100:.1f}% 盈亏比: {stats[盈亏比]} 单笔期望值: {stats[单笔期望值]} 【风险指标】 最大连胜: {max_win_streak} 最大连亏: {max_loss_streak} 最大单笔盈利: {stats[最大单笔盈利]} 最大单笔亏损: {stats[最大单笔亏损]} 【分方向】 多头: {len(long_trades)}笔, 盈亏 {long_trades[net_pnl].sum():.2f} 空头: {len(short_trades)}笔, 盈亏 {short_trades[net_pnl].sum():.2f} 【持仓分析】 平均持仓时长: {mdf[hold_minutes].mean():.0f} 分钟 盈利单平均持仓: {mdf[mdf[net_pnl]0][hold_minutes].mean():.0f} 分钟 亏损单平均持仓: {mdf[mdf[net_pnl]0][hold_minutes].mean():.0f} 分钟 return report # 使用示例 print(generate_monthly_review(trades, pd.Period(2024-01, M)))五、策略表现趋势追踪单月数据可能有偶然性,需要追踪指标的月度变化趋势,判断策略是否在衰减。def track_performance_trend(df): 追踪策略关键指标的月度趋势 df df.copy() df[month] df[close_time].dt.to_period(M) monthly df.groupby(month).apply( lambda x: pd.Series({ win_rate: (x[net_pnl] 0).mean(), avg_win: x[x[net_pnl] 0][net_pnl].mean() if (x[net_pnl] 0).any() else 0, avg_loss: abs(x[x[net_pnl] 0][net_pnl].mean()) if (x[net_pnl] 0).any() else 0, expectancy: x[net_pnl].mean(), trade_count: len(x), }) ).reset_index() monthly[pl_ratio] monthly[avg_win] / monthly[avg_loss].replace(0, np.nan) # 计算滚动均值(3个月) for col in [win_rate, pl_ratio, expectancy]: monthly[f{col}_ma3] monthly[col].rolling(3, min_periods1).mean() return monthly trend_df track_performance_trend(trades) print(trend_df.to_string(indexFalse))5.1 衰减信号识别def detect_decay(trend_df, lookback3): 检测策略是否出现衰减 if len(trend_df) lookback 1: return 数据不足,无法判断 recent trend_df.tail(lookback) signals [] # 期望值连续为负 if (recent[expectancy] 0).all(): signals.append(⚠️ 近{}个月期望值持续为负.format(lookback)) # 胜率持续下降 if len(trend_df) lookback * 2: prev_wr trend_df[win_rate].iloc[-lookback*2:-lookback].mean() curr_wr recent[win_rate].mean() if curr_wr prev_wr * 0.8: signals.append(f⚠️ 胜率下降超过20% ({prev_wr:.2%} → {curr_wr:.2%})) # 盈亏比恶化 if len(trend_df) lookback * 2: prev_pl trend_df[pl_ratio].iloc[-lookback*2:-lookback].mean() curr_pl recent[pl_ratio].mean() if curr_pl prev_pl * 0.7: signals.append(f⚠️ 盈亏比恶化 ({prev_pl:.2f} → {curr_pl:.2f})) if not signals: return ✅ 策略表现正常,未检测到明显衰减 return \n.join(signals) print(detect_decay(trend_df))5.2 按品种/方向拆分如果策略同时交易多个品种,需要拆分统计,找出哪些品种在赚钱、哪些在亏钱:def breakdown_by_symbol(df): 按品种拆分统计 result df.groupby(symbol).agg( trades(net_pnl, count), total_pnl(net_pnl, sum), win_rate(net_pnl, lambda x: (x 0).mean()), avg_pnl(net_pnl, mean), ).round(4).sort_values(total_pnl, ascendingFalse) return result symbol_stats breakdown_by_symbol(trades) print(symbol_stats.to_string())如果一个品种连续三个月亏损,考虑是否要把它从策略池中剔除。如果某个品种贡献了80%的利润,要警惕过度集中。六、自动化复盘流程把上面的逻辑串起来,每月初自动生成上月复盘:pythondef auto_monthly_review(filepath):一键生成月度复盘trades load_trades(filepath)trades calc_drawdown_series(trades)# 上月 last_month (datetime.now() - pd.DateOffset(months1)).to_period(⭐ 今日观察列表以下标的来自多周期趋势扫描系统Gate.io合约仅供技术分析学习参考不构成任何投资建议。读者请自行判断。数据更新时间2026-10-06 09:01:31标的方向信号类型现价参考止盈参考止损盈亏比NEAR 做多高质量标的做多$5.2992$5.5059$5.19321:1.9共 1 个标的。扫描频率每15分钟更新。以上数据由量化扫描系统自动生成如有兴趣了解更多技术细节请关注本站后续文章。