累计净值曲线：一行代码的"策略心电图"
我的掌握程度：
先掌握这个答案
计算：equity=(1+r).cumprod()（初始为1）；对数变体：log_equity=ln(1+r).cumsum()——画出来y轴等比例，长期比较更公平（涨50%和跌50%在对数图上等距）。五类读图信息：①斜率=收益速度；②颠簸=波动；③峰谷深度=回撤；④平台期=横盘磨损；⑤恢复斜率=策略韧性。画图陷阱：①普通坐标下长期曲线让早期回撤"消失"（视觉压缩）——用对数坐标；②不同起点的曲线不可直接叠放（都需归一到1）；③截断y轴夸大波动。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 每个统计量都要带单位和假设
计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。
- 写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
- 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
- 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。
使用边界
- p值不是原假设为真的概率，也不是策略未来盈利概率。
- 日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。
背景 · 从一个困惑说起
所有绩效分析的起点是一条曲线：从1.0出发，按每日收益复利累乘。它是策略的心电图——形状里藏着收益、波动、回撤、修复力的全部信息。读懂它的生成与解读，是量化研究的"第一行代码"。
由此产生的问题
净值序列的标准计算与对数变体是什么？从曲线形状能读出哪五类信息？常见的画图陷阱？
核心概念
计算：equity=(1+r).cumprod()（初始为1）；对数变体：log_equity=ln(1+r).cumsum()——画出来y轴等比例，长期比较更公平（涨50%和跌50%在对数图上等距）。五类读图信息：①斜率=收益速度；②颠簸=波动；③峰谷深度=回撤；④平台期=横盘磨损；⑤恢复斜率=策略韧性。画图陷阱：①普通坐标下长期曲线让早期回撤"消失"（视觉压缩）——用对数坐标；②不同起点的曲线不可直接叠放（都需归一到1）；③截断y轴夸大波动。
为什么需要它
①一切指标的母体：年化、波动、回撤、夏普全部从净值序列导出——它错则全错；②对数坐标的职业习惯：机构研报的长期净值图全是对数轴——它让"复利"以直线呈现（恒定增长率=对数图直线）；③诊断入口：拿到任何策略第一眼画净值+回撤双图（q-096毕业项目的标准动作）。
实际应用场景
标准三件套图：净值（对数轴）+回撤水下图+相对基准超额线；数据表里同时保留equity与log_equity两列是工程惯例。
与之前知识的联系
q-204的连乘在此成为可执行的序列操作；q-015（阶段1回撤）从曲线上取数；q-96（阶段1毕业项目）的画图作业在方法论上升级。
⚠ 常见误解
- 净值曲线陡=策略好：陡可能是杠杆或单一行情的礼物——叠上基准和回撤再看（q-004的教训重演）
- 普通坐标看长期没问题：线性轴会把早期-50%压成肉眼不可见的小坑——长期图必用对数轴
- 净值曲线可以从任意点开始比较：必须同起点归一，且注明区间——起点选择是常见的展示魔法（q-019）
🛠 本题实践任务
为你的组合/指数计算净值序列与回撤序列，分别用线性和对数坐标画出（matplotlib的plt.yscale('log')）。对比两图里同一轮回撤的视觉差异。
💡 提示（先自己想5分钟再看）
对数轴下回撤的深度=垂直落差；线性轴下它随净值水平被压缩。
✅ 验收标准
两张对照图+一句话观察。你从此拥有机构级的"读图仪"。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（复利连乘、净值概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。