第四节：诊断工具1——回测绩效指标辨析（夏普比率、最大回撤、胜率）的陷阱
做量化策略，谁还没被几个漂亮数字骗过？
我刚开始做策略研究那会儿，看到夏普比率3.0、最大回撤5%、胜率70%的回测报告，眼睛都直了。心想：这不就是印钞机吗？结果实盘一跑，三个月亏掉一半。后来我才明白——回测指标本身没问题，问题出在我们太容易相信它们了。
今天咱们就来扒一扒，夏普比率、最大回撤、胜率这三个最常见的指标，到底藏着哪些坑。
1. 夏普比率：最容易被“美化”的指标
夏普比率衡量的是“每承担一单位风险，能获得多少超额收益”。公式很简单：
Sharpe Ratio = (Rp - Rf) / σp其中Rp是策略年化收益，Rf是无风险利率，σp是收益率的年化标准差。
听起来很合理对吧？但陷阱藏在分母里。
真实市场的收益分布，尾部极厚。我见过一个策略，99%的时间都在赚小钱，1%的时间亏掉所有利润。它的标准差看起来不大，夏普比率能到2.5。但那个1%的尾部风险，才是真正的杀手。
同样的策略，用日收益率算夏普是1.2，换成周收益率算就变成1.8，用月收益率能到2.3。为什么？因为频率越低，波动率被平滑得越厉害。我个人习惯：永远用日频数据计算夏普比率，并且至少用3年以上的数据。
2. 最大回撤：最容易被“忽略”的指标
最大回撤，就是从最高点到最低点的跌幅。听起来很直观，但它的陷阱更隐蔽。
举个例子：
| 策略 | 年化收益 | 最大回撤 | 夏普比率 |
|---|---|---|---|
| 策略A | 25% | 8% | 1.8 |
| 策略B | 20% | 5% | 2.1 |
看起来策略B更好对吧？但你知道吗，策略A的最大回撤发生在第1年，之后3年稳步上涨。策略B的最大回撤发生在最后1个月——也就是说，你刚实盘就遇到了历史最大回撤。
我曾经见过一个策略，回测5年最大回撤只有3%。但仔细一看，最后6个月的回撤是2.9%——也就是说，策略在回测结束前刚刚经历了一次接近历史极值的回撤。这种策略你敢实盘吗？
3. 胜率：最容易被“误解”的指标
胜率，就是赚钱的交易次数占总交易次数的比例。很多人觉得胜率越高越好，其实不然。
咱们来算一笔账：
- 策略X： 胜率80%，平均盈利1%，平均亏损5%
- 策略Y： 胜率40%，平均盈利5%，平均亏损1%
哪个更好？
策略X的期望收益 = 80% × 1% - 20% × 5% = 0.8% - 1% = -0.2%
策略Y的期望收益 = 40% × 5% - 60% × 1% = 2% - 0.6% = +1.4%
看到了吗？胜率80%的策略居然是亏钱的！
很多新手喜欢追求高胜率，结果做出来的策略全是小赚大亏。我见过一个高频策略，胜率75%，但每次亏钱都是亏大的。回测曲线看起来很美，实盘一个月就爆仓了。
还有一个更隐蔽的陷阱：胜率可以被参数调整“伪造”。你把止损设得很小，止盈设得很大，胜率自然就高了——但盈亏比会变得极差。这种策略在回测里表现不错，实盘里遇到一次滑点就完蛋。
4. 三个指标的综合陷阱：相关性
单独看每个指标都有问题，那把它们放一起看总行了吧？
嗯，也不行。因为这三个指标之间是相互关联的。
举个例子：你调整了一个参数，让最大回撤从10%降到了5%。看起来是好事对吧？但你可能没注意到，为了降低回撤，你减少了仓位，导致夏普比率从1.8降到了1.2。更糟糕的是，你为了平滑曲线，增加了交易频率，结果胜率从55%降到了48%。
这就是典型的“按下葫芦浮起瓢”。
我习惯用一张图来综合评估：
这张图想表达什么？说白了，就是三个指标要同时满足合理区间，而不是某一个特别亮眼。如果一个策略夏普2.0、回撤3%、胜率75%，我反而会怀疑它是不是过拟合了。
5. 实战建议：如何正确使用这三个指标
说了这么多陷阱，那到底该怎么用？我分享几个自己的习惯：
- 夏普比率： 用日频数据计算，至少3年回测期。如果夏普超过2.0，做压力测试——把数据切分成两半，看前后半段的夏普是否稳定。
- 最大回撤： 不光看数值，还要看回撤的恢复时间。如果一个策略最大回撤10%，但花了2年才恢复，那这个策略的流动性风险很大。
- 胜率： 永远和盈亏比一起看。我习惯用期望收益（胜率×平均盈利 - 败率×平均亏损）作为核心指标，而不是单独看胜率。
- 综合判断： 把三个指标画成雷达图，看面积是否均匀。如果某个指标特别突出，其他两个很弱，那这个策略大概率有问题。
最后说一句： 回测指标只是工具，不是真理。我见过太多人在回测里追求完美指标，结果实盘一塌糊涂。记住一句话：回测的目的是发现策略的弱点，而不是证明策略的完美。
好了，这一节就到这里。指标本身没有错，错的是我们太容易相信它们。下一节咱们聊聊另一个诊断工具——参数敏感性分析，看看参数过拟合到底是怎么发生的。