本文介绍如何从 backtrader 或类似回测框架（如 backtesting.py）生成的综合图表中，精准提取并独立绘制“权益曲线（equity curve）”部分，适用于需深入分析资金增长路径、计算夏普比率或嵌入自定义可视化场景。
本文介绍如何从 backtrader 或类似回测框架（如 backtesting.py）生成的综合图表中，精准提取并独立绘制“权益曲线（equity curve）”部分，适用于需深入分析资金增长路径、计算夏普比率或嵌入自定义可视化场景。
在使用 backtesting.py 进行策略回测时，调用 bt.plot() 会默认渲染一个包含多子图的综合面板：通常包括价格走势、买卖信号、持仓状态以及底部的累计权益曲线（Equity Curve）。但实际分析中，我们往往需要将权益曲线单独导出——例如用于与基准指数对比、叠加滚动指标、或嵌入仪表盘系统。
幸运的是，backtesting.py 的 Backtest.run() 方法返回一个丰富的 pandas.DataFrame 对象（严格来说是 pd.Series 与 pd.DataFrame 混合结构），其中权益数据已结构化存储于 _equity_curve 属性下。该属性是一个 pd.DataFrame，索引为时间戳，列包含 "Equity"（总资产价值）、"Drawdown"（回撤）、"Returns"（单期收益率）等关键字段。
✅ 正确提取并绘图的代码如下：
# 执行回测并获取结果
stats = bt.run()
# 单独绘制 Equity 曲线（推荐方式）
stats._equity_curve["Equity"].plot(
title="Strategy Equity Curve",
xlabel="Date",
ylabel="Account Equity ($)",
figsize=(12, 5),
grid=True,
linewidth=1.8
)⚠️ 注意事项：
stats._equity_curve["Equity"] 是一个 pd.Series，其索引与原始数据时间对齐，可直接用于 matplotlib 或 plotly 绘图；
属性名带下划线（如 _equity_curve）表示其为内部属性（非官方 API），但当前版本（v0.4.0+）稳定可用；若未来升级，建议查阅 backtesting.py 官方文档 中 BacktestResult 类的 equity_curve 属性（注意：截至 v0.4.3，公开属性仍为 _equity_curve）；
-
若需导出为图片或 CSV，可进一步调用：
# 保存为 PNG import matplotlib.pyplot as plt plt.savefig("equity_curve.png", dpi=150, bbox_inches='tight') # 导出为 CSV（含时间索引） stats._equity_curve[["Equity", "Drawdown"]].to_csv("equity_and_dd.csv")
? 小技巧：若想添加买入/卖出点到权益图上，可结合 stats._trades 表：
ax = stats._equity_curve["Equity"].plot() # 标注开仓日期（示例：首次买入） entry_date = stats._trades.iloc[0]["EntryTime"] ax.axvline(entry_date, color='green', linestyle='--', alpha=0.7, label='First Entry') ax.legend()
综上，无需手动重构资金流逻辑，只需一行核心访问语句即可解耦权益数据——这不仅提升了分析效率，也为构建可复现、模块化的量化研究工作流打下坚实基础。
