PineScript策略月度收益统计

策略解读

这短短几行英文描述，其实点出了量化交易中一个长期存在的痛点：策略回测结果远不止“总收益率”“最大回撤”“夏普比率”这几个数字。平台默认的绩效报告是固定的，但真正深入研究策略的人，往往需要从不同时间维度去拆解表现——比如这个月赚钱主要靠哪几笔交易？每年年初是不是系统性亏损？不同月份的胜率是否存在明显差异？这些问题在默认报表里很难一眼看出来。

原作者的做法很朴素：不满足于默认输出，于是把原始交易数据导出来自己做二次分析，后来更进一步，直接在图表上绘制一张“月度/年度收益表”。这种做法本质上是一种“绩效可视化增强工具”。它不改变策略本身，也不产生交易信号，而是把策略已经产生的每一笔交易按时间归类，按月、按年汇总成一张结构化表格。

这种表格的价值在于：它能把一条“收益曲线”拆解成“收益日历”。收益曲线只能告诉你整体走势，而收益日历可以告诉你哪些月份是策略的“丰收期”，哪些月份是“灾难期”。比如一个趋势跟踪策略可能在2月、3月连续盈利，但在8月、9月连续回撤，这种季节性规律在月度表上一目了然。再比如，你可以在表格里看到某一年出现极端亏损，然后倒推那一年发生了什么市场结构变化，从而判断策略是否需要调整参数或过滤条件。

原作者还提到“手动导出再分析”的流程。这确实是很多认真做策略验证的人会做的事：平台给出基础绩效后，把交易清单导出来，用电子表格软件做透视表，按月、按周、按小时甚至按持仓时长来切片统计。这样做没问题，但效率低，且每次修改策略参数后都要重复劳动。用表格直接显示在图表上，相当于把“事后手动分析”变成“实时自动展示”，大大缩短了策略迭代的反馈周期。

从更广义的角度看，这篇策略背后的理念是：绩效评估应当具备“可分解性”。单一的总收益指标具有误导性，因为同样的年化收益可能来自完全不同的收益分布——可能是12个月都稳定盈利，也可能是一年只靠两个月的大行情盈利而其余时间都在亏损。后者虽然总收益不错，但实盘中的心理压力和资金曲线波动会非常大。月度/年度收益表正好能揭示这种分布特征。

名词解释

1. 策略绩效输出：指回测引擎根据历史行情模拟交易后生成的统计结果，通常包括总收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比、交易次数等。这些指标用于衡量策略的历史表现。

2. 月度/年度收益表：一种将策略收益按自然月或自然年分组汇总的表格，每一行或每一列对应一个时间段，单元格显示该时间段内的收益率或盈亏金额。常见形式是“行=年份，列=月份”。

3. 收益曲线：把策略账户净值按时间顺序连接而成的曲线，反映资金随时间的增长和回撤。常规绩效报告会给出这条曲线，但不容易看出具体哪个月份贡献了主要盈利。

4. 回撤：从某次高点回落至后续低点的幅度，通常用百分比表示。最大回撤是指历史中从最高点到随后最低点的最大跌幅，是衡量策略风险的重要指标。

5. 夏普比率：单位风险所获得的超额收益，计算公式为（策略收益率减去无风险利率）除以收益波动率。夏普比率越高，说明策略在承担相同风险的情况下获得了越高的收益。

6. 盈亏比：平均盈利交易的盈利金额与平均亏损交易的亏损金额之比。它和胜率共同决定了策略的数学期望。

7. 透视表分析：数据分析中常用的一种汇总方式，通过重新排列和分组数据来观察不同维度下的统计量。把交易记录按月份和年份做透视，就能得到月度/年度收益表。

策略思路讲解

这个策略的思路说简单也简单，说深刻也深刻。它的核心对象不是“市场”，而是“策略本身”。它不预测价格，不生成买卖信号，而是对已经生成的交易结果做“时间维度上的重组合”。

具体执行起来是这样的：假设你已经有了一个完整的交易策略，它在历史数据上产生了一串交易记录。每笔交易都有开仓时间、平仓时间、方向（做多或做空）、盈亏金额等基本信息。现在，我们要建立一个二维表格，横轴是月份（1月到12月），纵轴是年份（2020、2021、2022……）。表格的每个单元格，就存放该策略在该年该月的累计收益。

这里有一个处理细节：一笔交易可能跨月持仓，比如9月30日开仓，10月3日平仓，这笔盈亏到底算9月还是10月？不同的处理方式会带来不同的统计口径。常用的做法是按平仓时间归属，因为盈利或亏损在平仓那一刻才实现。当然也可以按持仓时间比例拆分，但那会复杂很多。公开社区的交易者通常采用“平仓时间”口径，因为算起来简单，且符合“真实已实现盈亏”的概念。

有了这张表，就可以做很多进一步的分析。比如：

• 按月度胜率计算：统计每个月份历史上赚钱的次数和亏钱的次数，判断策略是否存在“季节性”。
• 按年份汇总：把每个年份的12个月收益加总，得到年度收益，看策略是否逐年稳定还是某几年爆发。
• 滚动收益计算：以最近12个月为窗口，计算滚动年度收益，观察策略当前处于盈利周期还是衰退周期。
• 热力图可视化：给每个单元格填充颜色，盈利越多颜色越深红，亏损越多颜色越深绿。这样一眼就能看出哪个月是“业绩杀手”。

这个策略本身不包含任何预测因子，因此它的“策略性”体现在一种分析视角的转换：从“时间序列视角”转向“横截面日历视角”。时间序列视角只看到资金曲线一条线，日历视角则把时间切成一个个小区间，然后横向对比不同区间。

原作者说“很多交易者和投资者习惯于这样看收益”，这确实是事实。机构投资者在考核基金经理时，经常要求提供月度收益表，因为月度收益比年度收益更细，比单笔交易更粗，恰好处于一个既能过滤噪音又能揭示规律的分辨率。月度收益表还能计算出“月度胜负比”“最大连续亏损月数”等衍生指标，这些在评估策略稳健性时非常有用。

所以，这个“策略”实现的功能其实更像一个诊断工具。它可以让你快速回答这些问题：我的策略在哪个时间段表现最好？在哪个时间段系统性失灵？失灵是由于市场状态切换还是策略本身失效？如果失灵月份集中在特定季节，是否可以用仓位管理或过滤器来平滑收益？

优点

1. 直观性强：一张月度/年度收益表，把复杂的历史绩效压缩成几十个数字，看起来非常直观。比起一条蜿蜒的收益曲线，表格更能让人快速抓住策略的强弱时间段。

2. 能发现时间规律：很多策略存在月份效应或季节性规律。比如某些商品期货策略在每年3月表现更好，某些股票因子策略在财报季前后波动加大。月度表能轻松暴露这些非随机模式。

3. 促进精细化回测分析：默认绩效报告只给出总和，而这个工具迫使你从“每笔交易”出发重新聚合数据。这种“从下到上”的分析思路，有助于发现单笔大亏、连续小亏、交易频率季节性等潜在问题。

4. 实现成本低，运行开销小：不需要复杂计算，只需对已有的交易记录做一次分组求和。即便在很长的历史数据上运行，也不会产生明显延迟，而且不依赖未来函数，不改变策略信号。

5. 便于策略比较与迭代：当你调整参数后，对比新旧月度表，可以立刻看出改进发生在哪个月份，是否修复了原来的特定弱点。这种“定位式透明”能提升优化效率。

6. 适合实盘监控：如果把同样的逻辑用于实盘交易记录的统计，就能持续观察策略在真实市场中的月度表现是否与回测一致。一旦发现某个月份出现超出预期的亏损，可以及时发现并干预。

缺点

1. 仅展示统计结果，不给出原因：表格告诉你10月亏钱，但不会告诉你为什么亏钱。它只是一个温度计，不是诊断仪。要理解亏损原因，还得回到逐笔交易和当时的行情结构中去。

2. 存在幸存者偏差风险：如果策略最终整体亏损，你可能根本不会去保存这张月度表。很多人在看到总收益不佳时就直接放弃策略，而不去研究那些“盈利月份”的价值，这会导致一种反向的幸存者偏差——只研究活得好的策略，忽略了失败案例中的信息。

3. 容易引发过拟合式解读：看到2月表现特别好，就想去开发一个“只在2月交易”的策略。这样的数据挖掘式发现往往是过拟合的，因为季节性规律可能是偶然的，未必会稳定重演。月度表的价值是提示线索，不是确证因果关系。

4. 对跨月持仓的处理不够精确：如果按平仓时间归属盈亏，那么一笔在1月最后一天开仓、2月第一天平仓的大额盈利会被全部归入2月，但该盈利实际有很大部分来自1月的持仓波动。这会造成月度收益的“时间错配”。

5. 依赖策略本身的交易频率：如果一个策略一年只交易两三次，那么月度表会非常稀疏，绝大多数月份为零或空白，此时图表的分析意义不大。月度表更适合交易频率相对较高的策略。

6. 容易忽视风险调整后收益：只看月度收益率而不考虑波动率，可能会误导人。一个月份赚了20%，但期间最大回撤达30%，这样的月度“正收益”并不值得庆祝。只有把收益和风险放在一起看才更有意义。

起源年份考证

关于“用月度/年度收益表来评估交易策略”这一方法，无法精确考证到某一个具体年份或某一位发明者。从公开资料和行业历史来看，这类方法属于“绩效归因与可视化”领域，其起源可以追溯到以下几个重要时间节点：

• 20世纪50-60年代：现代资产组合理论诞生。马科维茨提出了均值-方差分析框架，强调收益与风险的权衡。此时，机构投资者开始系统性地记录和比较不同资产不同时间区间的收益，但主要以年度为最小单位。

• 20世纪70-80年代：计算机和电子表格普及后，基金经理开始按季度甚至按月拆解投资组合收益。晨星公司等机构在90年代推出的基金评级报告中，就包含月度收益列表，这进一步推动了“月度收益表”作为标准展示工具的流行。

• 1990年代中后期：随着量化交易和程序化回测的兴起，独立交易者获得了以前只有机构才有的回测能力。如何直观展示策略绩效成为一个实际需求，月度收益表格成为社区中常见的分享格式。

• 2010年代之后：公开交易社区开始支持在图表上绘制自定义表格，这类“策略绩效仪表盘”类型的方法逐渐流行。原作者QuantNomad的脚本属于该时期的产物，其思路本质是对传统月度收益率表格的自动化实现。

因此，可以负责任地说：月度/年度收益表作为基金业绩展示方式，在20世纪80年代已经流行；作为自动化回测工具中的自定义表格展示，属于2010年代以后的做法。 该方法本身属于“绩效展示”这一大类，不存在某个唯一公认的发明人。

改进建议

1. 增加风险调整后的收益列：在显示月度收益率的同时，追加一列“月度最大回撤”或“月度波动率”。这样可以看出某月的盈利是不是建立在巨大风险之上。还可以计算每个月的“收益/回撤比”，帮助识别高质量的盈利月。

2. 区分多单与空单绩效：把月度收益表拆分成“多头月度收益”和“空头月度收益”两张子表。对于同时做多和做空的策略，这能揭示策略在多头市场与空头市场中的不同适应能力，有助于调整多空仓位比例。

3. 添加滚动12个月收益行：在表格底部额外加一行“最近12个月滚动收益率”，这样可以显示策略当前所处的“年度化”表现，避免因某个月异动造成误判。滚动指标能平滑季节性波动，提供更稳健的绩效信号。

4. 引入月份胜率统计：除了收益金额，还可以对每个月份进行“胜率统计”，即该月份的历史盈利次数占比。将收益率和胜率结合，能更全面地判断该月份的可靠性——如果某月收益率高但胜率低，说明该月收益主要靠少数大赚交易驱动，稳定性差。

5. 支持自定义时间区间：用户可能只想观察牛市区间、熊市区间或特定事件后的表现。增加一个起始日期和结束日期的筛选器，让表格只在选定的时间范围内进行汇总，提高灵活性。

6. 增加异常交易标注：在月度表中，对当月最大单笔盈利和最大单笔亏损进行标记，比如用特殊颜色或括号显示金额。这样能快速理解某个月业绩异常的原因——究竟是大行情带来的爆发，还是某次止损失误造成的重创。

7. 加入市场基准对比：在同一张表格中并排显示策略月度收益与标的资产（如指数或商品）的月度收益。通过对比，可以判断策略的盈利是源自市场上涨带来的β收益，还是策略本身的α能力。这个功能对于评估策略真正价值非常重要。

8. 输出历史回撤区间：在月度表旁边或下方，列出几个主要回撤的起止时间，并用颜色标出回撤期间对应的月份。这能帮助用户直观看到策略历史上的“崩溃期”是否与特定时间季节重合。

总结

这个看似简单的“月度/年度收益表”脚本，给了量化交易一个非常重要的启发：回测报告不是终点，而是起点。 默认提供的绩效指标只是对策略整体表现的高度浓缩，浓缩到一定程度就会丧失信息。当你想要优化策略、排查问题、理解收益来源时，就必须把绩效“打开”，从更细的时间维度去观察。

原作者QuantNomad的分享虽然短小，却体现了一种把私人分析习惯转化为公共可视工具的做法。他从“手动导出数据到外部表格”转向“在图表上动态生成收益日历”，本质上是从一次性分析走向持续监控，从静态报告走向动态仪表盘。这种思路可以推广到更多维度：按持仓时长统计、按交易方向统计、按资产类别统计、按信号来源统计……只要你能把交易记录结构化，就能创造无穷多面镜子来照见策略的各个侧面。

当然，我们也要清醒地认识到，月度收益表只是“看见问题”的工具，不是“解决问题”的工具。它告诉你10月亏损，却不会告诉你是否该在10月减少仓位；它告诉你策略在3月连续三年盈利，却无法保证今年3月依然盈利。过度解读时间序列中的模式，同样会掉入数据挖掘的陷阱。

对于普通交易者来说，学会使用这类绩效可视化工具，是迈向成熟量化交易者的一步。它不仅帮助我们更好地理解自己设计的策略，也能帮助我们建立一种“分解、验证、迭代”的科学工作流程。最终，每个月月末打开表格时，你不再只关心这个月赚了多少，而是会问：这个月的收益从何而来？这个月的风险是否符合预期？下个月，我该为哪种情况做好准备？

一份表格，如果能促使你提出这些更深入的问题，那么它的价值就已经远远超出了那些简单的数字本身。