第四节：夏普比率与信息比率

说实话，做量化交易这几年，我见过太多人一上来就盯着收益率看。收益率高就觉得自己牛逼，收益率低就觉得策略不行。嗯，这种想法其实挺危险的。

你想想看，一个策略年化50%，但最大回撤40%，你敢重仓吗？另一个策略年化20%，回撤只有5%，哪个更香？

这就是我们今天要聊的核心——风险调整后收益。说白了，就是看你赚的每一分钱，背后扛了多少风险。

4.1 夏普比率：最经典的性价比指标

夏普比率，我习惯叫它「收益风险性价比」。公式其实不复杂：

夏普比率 = (策略收益率 - 无风险利率) / 策略波动率

分子是超额收益，分母是风险。比值越大，说明每承担一单位风险，换来的超额收益越多。

推导过程其实很有意思。我记得刚入行时，总觉得这公式是拍脑袋想出来的。后来仔细琢磨，才发现它背后是资本资产定价模型（CAPM）的逻辑——任何收益都要用风险来「贴现」。

举个具体例子：

• 策略A：年化收益25%，波动率15%
• 策略B：年化收益18%，波动率8%
• 无风险利率：3%

算一下：

• 策略A夏普 = (25% - 3%) / 15% = 1.47
• 策略B夏普 = (18% - 3%) / 8% = 1.88

看到了吗？策略A收益更高，但夏普比率反而更低。这就是风险调整后的真实水平。

4.2 信息比率：更精细的「选股能力」度量

信息比率和夏普比率很像，但有一个关键区别——它比较的是相对于基准的超额收益。

信息比率 = (策略收益率 - 基准收益率) / 跟踪误差

这里的跟踪误差，就是策略与基准之间收益差的标准差。

应用场景很明确：

• 如果你做指数增强，信息比率就是核心指标
• 如果你做行业轮动，信息比率能告诉你是否真的跑赢了行业基准
• 如果你做多因子选股，信息比率可以衡量因子选股能力的稳定性

我曾经帮一家私募做归因分析，发现他们的策略夏普比率有1.8，看起来不错。但一算信息比率，只有0.3。为什么？因为他们的超额收益几乎全部来自市场贝塔，而不是选股能力。说白了，就是运气好，赶上了牛市。

4.3 用Python计算这两个指标

代码其实很简单，但有几个坑要注意。我直接上完整示例：

import numpy as np
import pandas as pd

def calculate_sharpe_ratio(returns, risk_free_rate=0.03, periods_per_year=252):
    """
    计算年化夏普比率
    returns: 日收益率序列
    risk_free_rate: 年化无风险利率
    periods_per_year: 年化周期数（日频=252，周频=52，月频=12）
    """
    # 年化超额收益
    excess_return = np.mean(returns) * periods_per_year - risk_free_rate
    # 年化波动率
    volatility = np.std(returns) * np.sqrt(periods_per_year)
    
    sharpe = excess_return / volatility
    return sharpe

def calculate_information_ratio(strategy_returns, benchmark_returns, periods_per_year=252):
    """
    计算年化信息比率
    strategy_returns: 策略日收益率
    benchmark_returns: 基准日收益率
    """
    # 超额收益序列
    excess_returns = strategy_returns - benchmark_returns
    # 年化超额收益均值
    annual_excess = np.mean(excess_returns) * periods_per_year
    # 跟踪误差（年化）
    tracking_error = np.std(excess_returns) * np.sqrt(periods_per_year)
    
    info_ratio = annual_excess / tracking_error
    return info_ratio

# 示例数据
np.random.seed(42)
strategy_ret = np.random.normal(0.001, 0.02, 1000)  # 模拟策略日收益
benchmark_ret = np.random.normal(0.0005, 0.015, 1000)  # 模拟基准日收益

sharpe = calculate_sharpe_ratio(strategy_ret)
info_ratio = calculate_information_ratio(strategy_ret, benchmark_ret)

print(f"夏普比率: {sharpe:.4f}")
print(f"信息比率: {info_ratio:.4f}")

4.4 知识体系总览

下面这张图，是我自己整理的风险调整收益指标框架。你看一眼就能明白它们之间的关系：

这张图把两个指标拆解得很清楚。左边是夏普比率，右边是信息比率。它们的共同点是都用「收益/风险」这个框架，不同点在于「收益」和「风险」的定义。

4.5 实战中的选择建议

说了这么多，到底什么时候用哪个？我总结了一个简单的判断逻辑：

场景	推荐指标	原因
绝对收益策略（如CTA、期权卖方）	夏普比率	没有基准，只看绝对回报和风险
指数增强、行业轮动	信息比率	需要衡量相对基准的超额能力
多策略组合	两者都看	夏普看整体，信息看各策略相对贡献
高频策略	夏普比率（高频版）	高频通常无基准，但需注意周期对齐

最后说一句实在话：这两个指标都不是万能的。夏普比率假设收益正态分布，但实际中策略收益往往有肥尾。信息比率对基准选择很敏感，基准选错了，算出来就是自欺欺人。

我个人的习惯是：先用夏普筛一遍，再用信息比率做归因。两个指标结合起来看，基本能判断一个策略是「真功夫」还是「假把式」。

---

公众号:蓝海资料掘金营，微信deep3321