QuantStats实战：33年数据揭示苹果749倍回报背后是五次腰斩以上回撤

一个能生成专业级 Tearsheet 的组合分析库

QuantStats 是一个专门做投资组合分析和报告生成的 Python 库。和那些专注于"回测"的框架不同，QuantStats 的强项是把回测结果变成一份专业的、可直接用于报告演示的 Tearsheet——里面嵌入了 10 多张 SVG 图表，覆盖了从累计收益到月度热力图到滚动夏普的全部分析维度。

我拿它对苹果和标普 500 做了 33 年的对比分析。苹果年化 19.42%，同期标普年化仅 0.11%——累计回报差了 25 倍（749 倍 vs 30 倍）。但代价是苹果的最大回撤达到了 -81.80%，有三次回撤持续超过 1,000 天。这篇用自然语言驱动的方式把 QuantStats 变成了一个可以直接对话的分析 Skill，不需要写 Python 代码、不需要手动调图表参数。

起步

从 EasyClaw 官网下载安装。不需要手动装 QuantStats、不需要配数据源。

打开后左侧找「Skill」→「Skill Creator」。灰显的话去「设置 → 通用」打开「开发者模式」重启。

创建 Skill

在 Skill Creator 里告诉 EasyClaw：

帮我把 GitHub 上的 QuantStats（https://github.com/ranaroussi/quantstats）做成一个组合分析 Skill。我希望输入股票代码和基准代码，自动拉取历史数据，生成一份包含 70+ 指标的完整 Tearsheet——含累计收益曲线、回撤曲线、逐年收益对比、月度热力图、滚动夏普等全部图表，输出一个可以直接在浏览器打开的 HTML 文件。

EasyClaw 会自动拉代码、理解 QuantStats 的 report 模块、封装成 Skill。不需要手动下载数据、不需要写分析脚本、不需要调 matplotlib 参数。

Skill 创建好后：

用 QuantStats 对 AAPL 做组合分析，基准用 SPY，从上市到现在全周期

分析结果：33 年 749 倍回报的背后，是四次腰斩以上的回撤

核心指标——双列对比

QuantStats 的 Tearsheet 把所有指标按"基准（SPY）"和"策略（AAPL）"双列并排展示。摘几个最重要的：

指标	SPY（基准）	AAPL（策略）	差距
累计收益（倍）	29.61	749.03	25 倍
CAGR	0.11%	19.42%	176 倍
夏普比率	0.64	0.69	接近
索提诺比率	0.92	1.01	接近
最大回撤	-55%	-81.80%	多亏了 27%
年化波动率	19%	43.71%	2.3 倍
最佳单日	+15%	+33.23%
最差单日	-11%	-51.87%
胜率（日）	54%	51.67%	几乎一样

一个很有意思的发现：苹果的夏普比率（0.69）和标普（0.64）差别不大——更高的收益几乎完全被更高的波动所抵消。但索提诺比率（只考虑下行波动）苹果是 1.01 vs 标普 0.92——说明苹果的波动更多来自上行。

历史上五次最大回撤

33 年里苹果经历了五次腰斩以上的回撤，最深的两次都超过了 -80%：

时间段	持续天数	回撤幅度	相当于
2000-03 → 2005-01	1,770 天	-81.80%	近五年在水下
1991-04 → 1999-09	3,074 天	-81.24%	八年半在水下
1983-06 → 1987-02	1,348 天	-76.89%	三年半
1980-12 → 1983-01	751 天	-69.44%	两年
2007-12 → 2009-10	660 天	-60.87%	近两年

最极端的一次是 1991 年到 1999 年——八年半，账户一直在水下。假设你在 1991 年买入苹果，要到 1999 年才能回本。这就是高收益的代价：你不仅需要选对标的，还需要能扛得住以年为单位计的亏损期。

逐年回报——苹果的"超级年"和"灾难年"

47 个完整年度中，苹果的年份差异极度悬殊：

年份	SPY	AAPL
1998	+28.69%	+211.90%
2004	+10.70%	+201.36%
2007	+5.15%	+133.47%
2009	+26.35%	+146.90%
1993	+8.71%	-50.44%

苹果在"超级年"可以一年涨 200%+，在"灾难年"可以腰斩。标普的波动相比之下温和得多——最好的年份 +38%，最差的 -37%。这两个标的的风险收益特征完全不在一个量级上。

 

生成的 HTML 文件约 2.9MB，内含 10 多张 SVG 格式嵌入的图表。因为图表是矢量的，放大不会模糊，可以直接截图放到投资报告或 PPT 里。

QuantStats 和之前那些回测框架的区别

之前写过的回测框架（Backtrader、VNPY、LEAN 等）是做"策略评估"的——你写一个策略逻辑，它跑回测告诉你赚了多少。QuantStats 是做"标的分析"的——你给它一个股票的收益率序列，它告诉你这个标的的风险收益特征：波动多大、回撤多深、肥尾多严重、和基准的相关性多高。

两者的关系可以这样理解：回测框架回答"这个策略好不好"，QuantStats 回答"这个标的好不好"。通常是先用 QuantStats 分析标的是否值得交易，再用回测框架验证策略在这个标的上的效果。

常见报错

错误	原因	解决方法
HTML 生成后图表区域空白	浏览器拦截了本地 SVG 加载	用 Chrome 打开，或检查浏览器安全设置
逐年收益表年份缺失	该股票上市时间短于回测区间	调整起止日期到股票实际上市后
基准数据拉取失败	SPY 等美股基准在特定网络环境下超时	检查网络，重试

这个工具适合什么场景

最适合的场景：你想快速了解一只股票的"性格"——它是波动温和型还是大起大落型？它和标普的相关性多高？历史上最大回撤是多少、持续了多久？这些信息对仓位大小和止损策略的设定有直接影响。比如你知道苹果历史上最大回撤是 -82%，那你建仓的时候就会想：如果我也遇到 -80% 的回撤，我的资金和心理能不能扛住。

不太适合的场景：你需要评估一个复杂交易策略的表现。QuantStats 分析的是买入持有策略的收益特征，而不是你的择时策略。如果你跑了均线策略回测想分析效果，应该把回测结果（收益率序列）喂给 QuantStats，而不是直接给它原始股价。

下一步

• 把 MAG7 七只股票各跑一份 QuantStats Tearsheet，横向对比谁的风险调整后收益最优
• 把自己回测策略的收益率序列喂给 QuantStats，看看策略是否真的改善了风险收益比

资源链接：

• EasyClaw 下载：https://easyclaw.cn/?f=729
• QuantStats GitHub：https://github.com/ranaroussi/quantstats

你知道自己持仓股票的最大历史回撤吗？如果是 -80%，你会选择减仓还是加仓？欢迎聊聊你的风控思路。