最直接计算累计收益率的方法是用 np.cumprod(1 + returns) - 1，而非 pct_change().cumsum()；最大回撤需基于滚动最高值计算，即 (price - rolling_max) / rolling_max 的最小值；使用 empyrical 库时须传入净值序列而非收益率。
用 numpy 和 pandas 计算累计收益率最直接
累计收益率本质是价格序列的相对变化累积，不是简单求和。直接对日收益率用 np.cumprod(1 + returns) - 1 是最稳妥的做法，避免复利计算误差。
常见错误是误用 df['price'].pct_change().cumsum() —— 这算的是“算术累计”，忽略复利效应，涨跌不对称时偏差明显（比如先跌20%再涨20%，实际没回本，但算术累加会显示0）。
-
returns = df['price'].pct_change().dropna()得到日收益率 -
cum_ret = (1 + returns).cumprod() - 1才是正确累计值 - 若数据含分红或拆股，必须用复权价，否则
pct_change()结果失真
最大回撤必须基于净值曲线，不能只看价格高点低点
最大回撤（Max Drawdown）定义为：从任意历史高点到后续最低点的跌幅最大值。它依赖路径，不是静态极值差。直接用 df['price'].max() - df['price'].min() 完全错误。
标准做法是维护一个滚动最高值，逐点计算当前回撤：
rolling_max = df['price'].expanding().max() drawdown = (df['price'] - rolling_max) / rolling_max max_dd = drawdown.min()
注意三点：
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 必须用
expanding().max()，不是rolling(window=...).max() - 如果输入是收益率序列而非价格，得先转成净值曲线：
equity_curve = (1 + returns).cumprod() - 某些库（如
empyrical）封装了max_drawdown()，但内部仍是上述逻辑，传入净值序列而非收益率
处理空值、非交易日和频率不一致的数据
金融数据常有缺失或非连续日期（如节假日），直接计算会导致 NaN 污染或回撤低估。
-
pct_change()对首行返回NaN，务必用.dropna()清理，否则cumprod()会全为NaN - 日频数据混入周末，需先用
df = df.asfreq('D').ffill()或按实际交易日重采样 - 不同资产频率不同（如期货日线 vs 债券周度），统一前先确认是否需插值——多数回撤分析要求原始频率，插值会平滑真实波动
用 empyrical 库省事但要注意输入类型
第三方库能快速验证，但接口容易用错。比如 empyrical.max_drawdown() 接收的是净值序列（从1开始的累计曲线），不是收益率序列。
典型错误写法：empyrical.max_drawdown(returns) → 返回 0.0 或负值，因为函数把收益率当净值用了。
- 正确用法：
equity = (1 + returns).cumprod(); empyrical.max_drawdown(equity) -
empyrical.cumulative_returns(returns)才是直接算累计收益率，等价于手动(1+returns).cumprod()-1 - 该库不处理空值，调用前仍需
returns = returns.dropna()
最大回撤对局部高点极其敏感，哪怕一个异常峰值（如财报暴雷前的假突破）都会拉高分母，压低回撤值——检查 rolling_max 曲线是否合理，比依赖单一数字更重要。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
