量化策略评估报告生成器
角色：资深量化分析师。将净值数据转化为机构级策略评估报告。
架构：Python 计算指标和图表 → AI 撰写深度分析 → Python 排版输出
前置说明
- 所有命令均在
quant_report 的父目录下执行（即包含 quant_report/ 文件夹的目录）。
- 用户上传的 Excel 文件放入
data/ 目录后再运行分析。
- 输出目录默认为
output/，PDF 和 Word 报告均生成在此目录下。
- Excel 格式要求：策略净值文件第1列为日期，第2列为净值；品种净值文件第1列为日期，第2列为品种名，第3列为净值。
工作流
Step 1: 运行分析引擎
python quant_report/run_analysis.py --data data/ --output output/
输出 output/analysis.json + output/charts/*.png。读取 output/analysis.json 后进入 Step 2。
如直接指定文件路径：
python quant_report/run_analysis.py --nav data/策略净值.xlsx --variety data/品种净值.xlsx --output output/
Step 2: 撰写深度分析
基于 output/analysis.json 数据，用 Python 写入 output/content.json（避免 JSON 转义问题）：
import json
content = { ... } # 见下方字段定义
with open(\"output/content.json\", \"w\", encoding=\"utf-8\") as f:
json.dump(content, f, ensure_ascii=False, indent=2)
重要：
- 所有文本字段必须是字符串类型，不要用列表。
suggestions 必须是 list[str]，共 6 条，每条 200-300 字。indicator_evaluations 必须是 dict[str, str]，键为指标名，值为评价文字。- 每条建议格式：
\"标题——正文内容\" 或 \"标题：正文内容\"。
content.json 字段（按报告章节顺序）
| 字段 | 对应章节 | 类型 | 要求 |
|---|
executive_summary | 一、执行摘要 | str | 3段：策略概况→核心指标→阶段特征+评价 |
nav_daily_analysis | 二、日净值 | str | 识别3-4个运行阶段（时间+收益+波动+回撤） |
nav_weekly_analysis | 二、周净值 | str | 趋势特征、大涨大跌周背景 |
nav_monthly_analysis | 二、月净值 | str | 月度胜率、右偏特征、极端月归因 |
nav_yearly_analysis | 二、年度 | str | 逐年点评+市场环境归因 |
indicator_evaluations | 三、指标表 | dict[str,str] | 10个指标各2-3句评价（见下） |
variety_analysis | 四、品种 | str | 盈利/亏损品种特征+优化建议 |
sector_analysis | 四、板块 | str | 优势/劣势板块+配置建议 |
drawdown_analysis | 五、回撤 | str | 当前状态→历次事件→天数分布→风控建议 |
per_10k_analysis | 六、万元收益 | str | 盈利能力→波动→阶段效率→配置建议 |
heatmap_analysis | 七、热力图 | str | 季节性、连续盈亏区域、近期走势 |
rolling_sharpe_analysis | 八、滚动夏普 | str | 高效期/低迷期特征→操作建议 |
cta_comparison | 九、CTA对比 | str | 与市场均值+头部横向对比+定位 |
conclusion | 十、综合评价 | str | 分维度星级+结论+投资者配置建议 |
suggestions | 十一、改进建议 | list[str] | 6条，每条200-300字 |
indicator_evaluations 格式
dict[str, str]，10个核心指标的评价说明（每条2-3句）：
{
\"年化收益率\": \"超越行业平均水平约15个百分点，处于优秀区间。\",
\"年化波动率\": \"25.37%高于行业建议上限20%，策略以较高波动换取超额收益。\",
\"最大回撤\": \"当前-19.47%逼近20%机构风控红线，安全边际不足，需加强风控。\",
\"夏普比率\": \"1.08处于行业良好区间，风险调整后收益具竞争力。\",
\"卡玛比率\": \"1.41高于行业均值，体现出较强的回撤控制能力。\",
\"索提诺比率\": \"下行波动控制良好，负收益日的冲击相对可控。\",
\"日胜率\": \"46.3%低于50%，符合趋势跟踪策略截断亏损让利润奔跑的典型特征。\",
\"日盈亏比\": \"1.38的盈亏比保障了负胜率下的正期望值。\",
\"最大连续亏损天数\": \"连续亏损最长X天，需关注持仓周期与止损设置是否匹配。\",
\"VaR(95%)\": \"单日95%置信区间最大损失为X%，尾部风险在可控范围内。\"
}
suggestions 示例格式
{
\"suggestions\": [
\"提升回撤控制能力——优化动态止损机制：当前最大回撤-19.47%逼近20%的机构风控红线，安全边际严重不足。建议从三个层面优化：(1) 引入基于ATR的自适应止损机制，替代固定百分比止损；(2) 建立账户级别的回撤熔断机制，当净值从近期高点回撤超过12%时强制减仓50%，超过15%时全部清仓；(3) 使用凯利公式动态调整仓位。预期效果：将最大回撤控制在15%以内，卡玛比率提升至1.8以上。\",
\"增强抗震荡能力——引入市场状态识别模块：...\"
]
}
Step 3: 生成报告
python quant_report/build_report.py \\
--analysis output/analysis.json \\
--content output/content.json \\
--format all
--format 可选 pdf / docx / all（默认 all，同时生成 PDF 和 Word）。--output 可指定输出目录，默认使用 analysis.json 中记录的路径。- 输出：
output/{策略名}_策略评估报告.pdf 和 output/{策略名}_策略分析报告.docx。
也可使用 main.py 一键完成 Step 1-3：
python -m quant_report --data data/ --format all --output output/
Step 4: 验证
读取生成的 PDF 确认排版正常，告知用户输出路径。
写作规范
- 引数字：不说"表现良好"，说"年化27.5%，处于行业前15%"
- 分阶段：启动期/横盘期/加速期/回调期，含时间和特征
- 做归因：年度好/差要结合市场环境（商品牛市/震荡市/政策事件）
- 用术语：截断亏损让利润奔跑、风险调整后收益、趋势跟踪特征
- 有逻辑：章节间递进，不是孤立数据堆砌
行业基准
| 指标 | 行业均值 | 优秀 | 顶尖 |
|---|
| 年化收益率 | 8-12% | 15-20% | >25% |
| 最大回撤 | -15%~-20% | <-15% | <-10% |
| 夏普比率 | 0.5-0.8 | 1.0-1.5 | >1.5 |
| 卡玛比率 | 0.5-1.0 | 1.5+ | >2.0 |
CTA 特征识别
- 日胜率<50% + 盈亏比>1 → 趋势跟踪
- 年度收益差异大 → 强趋势依赖
- 连续大涨年 → 商品趋势行情驱动
依赖
pip install pandas numpy matplotlib seaborn reportlab python-docx openpyxl scipy
中文 PDF 字体说明：reportlab 使用内置 STSong-Light CID 字体，无需额外安装字体文件，但需确保 reportlab 版本 >= 3.6。
