第2章风险度量指标

风险度量指标：波动率、VaR、CVaR、最大回撤、夏普比率、索提诺比率

做量化交易，说白了就是在跟风险打交道。你赚的每一分钱，本质上都是对风险的补偿。但问题来了——风险到底怎么量？

我刚开始做策略回测那会儿，看着账户曲线天天往上走，心里美滋滋。结果实盘一跑，三个月亏掉一半。后来复盘才发现，我根本没搞懂风险度量。今天咱们就把这几个核心指标掰开揉碎讲清楚。

1. 波动率：最基础的风险尺子

波动率，就是资产价格上下跳动的幅度。数学上通常用收益率的标准差来表示。

我个人习惯用年化波动率，这样不同时间周期的策略可以横向对比。计算公式很简单：

import numpy as np

# 假设 daily_returns 是日收益率序列
daily_vol = np.std(daily_returns, ddof=1)
annual_vol = daily_vol * np.sqrt(252)  # 252个交易日

嗯，这里要注意：波动率只告诉你价格跳得有多猛，但不告诉你跳的方向。涨20%和跌20%在波动率眼里是一样的。

我的经验： 波动率有聚集效应。市场平静时波动率低，一旦出黑天鹅，波动率会瞬间飙升。我习惯用20日滚动窗口计算动态波动率，比固定周期更敏感。

2. VaR：在险价值

VaR 回答的是这样一个问题：在95%的置信水平下，我最多亏多少钱？

举个例子，日 VaR(95%) = 2%，意思是有95%的概率，单日亏损不超过2%。

计算 VaR 有三种常见方法：

参数法： 假设收益率服从正态分布，直接用均值和标准差算
历史模拟法： 直接用过去N天的收益率排序，取第5%分位数
蒙特卡洛模拟： 随机生成大量路径，统计尾部损失

# 历史模拟法计算 VaR
def historical_var(returns, confidence=0.95):
    sorted_returns = np.sort(returns)
    index = int((1 - confidence) * len(sorted_returns))
    return sorted_returns[index]

# 参数法计算 VaR
def parametric_var(returns, confidence=0.95):
    from scipy.stats import norm
    mu = np.mean(returns)
    sigma = np.std(returns, ddof=1)
    z = norm.ppf(1 - confidence)
    return mu + z * sigma

避坑指南： 我曾经用参数法算 VaR，结果市场暴跌时 VaR 完全失效。为什么？因为收益率根本不服从正态分布——尾部比正态分布厚得多。所以我现在更倾向于历史模拟法，至少它不依赖分布假设。

3. CVaR：条件在险价值

VaR 有个致命缺陷：它只告诉你「最坏情况在第5%分位数」，但没告诉你一旦跌破这个阈值，到底会亏多少。

CVaR 就是来解决这个问题的。它计算的是「超过 VaR 的那些损失的平均值」。说白了，就是看尾部损失的期望。

def cvar(returns, confidence=0.95):
    var = historical_var(returns, confidence)
    # 找出所有比 VaR 更差的损失
    tail_losses = returns[returns <= var]
    return np.mean(tail_losses)

你想想看，两个策略的 VaR 可能都是2%，但一个 CVaR 是2.5%，另一个是5%。后者一旦出事，后果严重得多。我个人做风控时，CVaR 的权重比 VaR 高得多。

4. 最大回撤：最痛的记忆

最大回撤，就是从净值最高点到最低点的最大跌幅。它衡量的是你最多能扛住多大的浮亏。

这个指标特别直观。你跟客户说「年化收益20%」，他可能没感觉。但你说「最大回撤只有8%」，他立马就懂了。

def max_drawdown(equity_curve):
    # equity_curve 是净值序列
    peak = np.maximum.accumulate(equity_curve)
    drawdown = (equity_curve - peak) / peak
    return np.min(drawdown)

  核心认知： 最大回撤决定了你的杠杆上限。假设你最大能承受20%的回撤，策略历史最大回撤是10%，那理论上你可以上2倍杠杆。但我会留安全边际——最多用到1.5倍。

5. 夏普比率：收益与风险的性价比

夏普比率 = (策略收益率 - 无风险利率) / 波动率

它衡量的是每承担一单位风险，能获得多少超额收益。夏普比率大于1算及格，大于2算优秀，大于3就是顶级策略了。

但这里有个坑：夏普比率对非正态收益非常敏感。如果一个策略大部分时间小赚，偶尔大亏，它的夏普比率可能很高——因为波动率被小赚拉低了，但尾部风险被忽略了。

def sharpe_ratio(returns, risk_free_rate=0.03):
    excess_returns = returns - risk_free_rate / 252
    return np.sqrt(252) * np.mean(excess_returns) / np.std(excess_returns, ddof=1)

6. 索提诺比率：只惩罚下行风险

索提诺比率是夏普比率的改良版。它只考虑下行波动率——也就是亏损时的波动。上涨的波动？那叫收益，不该被惩罚。

我个人更喜欢索提诺比率。为什么？因为大多数策略的收益分布是不对称的。上涨和下跌的波动性质完全不同，混在一起算不合理。

def sortino_ratio(returns, risk_free_rate=0.03, target=0):
    excess_returns = returns - risk_free_rate / 252
    # 只计算下行波动率
    downside_returns = returns[returns < target]
    downside_vol = np.std(downside_returns, ddof=1) if len(downside_returns) > 0 else 1e-10
    return np.sqrt(252) * np.mean(excess_returns) / downside_vol

知识体系总览

下面这张图把六个指标的关系梳理清楚了。我建议你把它存下来，做策略评估时对照着看：

六个指标怎么搭配使用？

单一指标都有盲区。我自己的评估框架是这样的：

评估维度	核心指标	辅助指标	我的阈值
波动控制	年化波动率	最大回撤	波动率 < 20%，回撤 < 15%
尾部风险	CVaR(95%)	VaR(95%)	CVaR < 3%（日度）
收益质量	索提诺比率	夏普比率	索提诺 > 1.5，夏普 > 1.0

  一句话总结： 波动率告诉你市场有多疯，VaR/CVaR告诉你最坏情况有多糟，最大回撤告诉你心理承受底线，夏普/索提诺告诉你这笔买卖划不划算。六个指标一起看，才能看清风险的全貌。

好了，这一章的内容就到这里。记住，风险度量不是算个数字就完事了——你得理解每个数字背后的含义，知道它的局限在哪。下一章咱们聊聊怎么把这些指标用到动态仓位管理中去。

公众号：蓝海资料掘金营，微信 deep3321

📚 课程目录

风险度量指标：波动率、VaR、CVaR、最大回撤、夏普比率、索提诺比率

1. 波动率：最基础的风险尺子

2. VaR：在险价值

3. CVaR：条件在险价值

4. 最大回撤：最痛的记忆

5. 夏普比率：收益与风险的性价比

6. 索提诺比率：只惩罚下行风险

知识体系总览

六个指标怎么搭配使用？