2. 风险度量指标：波动率、最大回撤、夏普比率、索提诺比率、卡尔玛比率、VaR、CVaR
做量化交易，说白了就是在跟不确定性打交道。你赚多少钱，取决于你扛住了多少风险。但风险这东西，看不见摸不着，怎么量化？
我个人习惯，先把风险拆成几个维度来看：波动有多大？回撤有多深？收益划不划算？极端情况下会亏多少？ 这七个指标，就是回答这些问题的工具。
核心观点： 没有完美的单一指标。每个指标都有盲区，组合使用才能看清全貌。
2.1 波动率：最基础的“颠簸感”
波动率衡量的是价格变动的剧烈程度。数学上就是收益率的标准差。
为什么看它？因为波动越大，你持仓时的心跳越快，爆仓的概率也越高。我在做CTA策略时，遇到过一种情况：策略年化收益30%，但波动率高达40%。结果呢？实盘三个月，客户就受不了清盘了。收益再好，拿不住也是白搭。
计算方式：
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个交易日避坑指南： 我曾经用30天滚动窗口算波动率，结果遇到市场急跌，波动率瞬间飙升，策略直接停止交易。后来我改用指数加权移动平均（EWMA），让近期数据权重更大，反应更灵敏。
2.2 最大回撤：你最痛的那一刀
最大回撤，就是从净值最高点跌到最低点的幅度。它告诉你：在最坏的情况下，你会亏掉多少钱。
我个人觉得，这个指标比波动率更贴近真实感受。波动率是“平均颠簸”，最大回撤是“最惨的那次颠簸”。你想想看，账户从100万跌到60万，和从100万跌到80万，心理压力完全不是一个量级。
关键点：
- 最大回撤是路径依赖的。同样的最终收益，回撤路径不同，体验天差地别。
- 回撤修复时间也很重要。跌了50%，要涨100%才能回来。时间成本你扛得住吗？
注意： 最大回撤是一个历史统计值，不代表未来不会更大。我见过一个策略，回测最大回撤15%，实盘直接干到30%。为什么？因为市场结构变了，历史没包含那种极端情况。
2.3 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，能换来多少超额收益。
夏普比率大于1，算及格；大于2，算优秀；大于3，你就要怀疑是不是回测过拟合了。我见过有人把夏普做到5以上，结果实盘一塌糊涂。为什么？因为夏普比率对正态分布假设很敏感，而真实市场的收益率分布是尖峰厚尾的。
代码实现：
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)我的经验： 夏普比率高，不一定代表策略好。它只惩罚了“波动”，没惩罚“回撤”。一个策略如果经常小赚大亏，夏普可能还不错，但实盘你会亏得很惨。
2.4 索提诺比率：只惩罚“坏波动”
索提诺比率是夏普比率的改良版。它只把下行波动率（亏损时的波动）作为分母。上涨时的波动，它不管。
为什么这样改？因为上涨波动是好事啊！你想想看，一个策略天天涨5%，波动率很大，但你会不开心吗？夏普比率会惩罚这种“好波动”，索提诺不会。
计算公式：
def sortino_ratio(returns, risk_free_rate=0.03, target=0):
downside_returns = returns[returns < target]
downside_vol = np.std(downside_returns, ddof=1)
excess_return = np.mean(returns) - risk_free_rate / 252
return np.sqrt(252) * excess_return / downside_vol个人习惯： 我一般把目标收益率设为0，只考虑亏损时的波动。这样更贴近“我不喜欢亏钱”的真实心理。
2.5 卡尔玛比率：回撤与收益的“性价比”
卡尔玛比率 = 年化收益率 / 最大回撤。它直接告诉你：每承受1%的回撤，能换来多少收益。
这个指标我特别喜欢，因为它直观。比如卡尔玛比率是3，意味着你每亏1块钱，能赚3块钱。听起来是不是很舒服？
对比一下：
| 指标 | 分母 | 关注点 |
|---|---|---|
| 夏普比率 | 总波动率 | 整体稳定性 |
| 索提诺比率 | 下行波动率 | 亏损时的稳定性 |
| 卡尔玛比率 | 最大回撤 | 最坏情况下的代价 |
注意： 卡尔玛比率对回撤时间窗口很敏感。如果最大回撤发生在早期，后期收益很高，卡尔玛会很好看。但如果你在回撤期入场，体验会很差。
2.6 VaR：在险价值
VaR回答的是：在95%（或99%）的置信水平下，未来一天（或一周）最大可能亏损是多少？
比如，日VaR(95%) = -2%，意思是有95%的概率，明天亏损不超过2%。听起来很美好，但问题来了：那剩下的5%呢？
我见过有人用VaR做风控，结果遇到2008年那种极端行情，VaR完全失效。因为VaR只告诉你“95%的情况”，没告诉你“那5%的极端情况有多极端”。
三种计算方法：
- 参数法： 假设收益率服从正态分布，直接用均值和标准差算。简单，但假设太强。
- 历史模拟法： 直接用过去N天的收益率排序，取第5%分位数。真实，但依赖历史数据。
- 蒙特卡洛模拟： 随机生成大量路径，统计亏损分布。灵活，但计算量大。
# 历史模拟法计算VaR
def historical_var(returns, confidence=0.95):
return np.percentile(returns, (1 - confidence) * 100)避坑指南： 我曾经用参数法算VaR，结果遇到市场波动率突变，VaR严重低估了风险。后来我改用历史模拟法，并定期更新数据窗口，效果好了很多。
2.7 CVaR：条件在险价值
CVaR是VaR的升级版。它回答的是：当亏损超过VaR时，平均会亏多少？
比如，VaR(95%) = -2%，CVaR(95%) = -5%。意思是：在最坏的5%情况下，平均亏损是5%。这个指标比VaR更全面，因为它考虑了尾部风险。
我个人觉得，做风控一定要看CVaR。VaR告诉你“最坏情况的下限”，CVaR告诉你“最坏情况的平均水平”。两者结合，才能对极端风险有更清晰的认知。
代码实现：
def conditional_var(returns, confidence=0.95):
var = historical_var(returns, confidence)
tail_returns = returns[returns <= var]
return np.mean(tail_returns)我的经验： 在构建投资组合时，我通常用CVaR作为优化目标，而不是方差。因为CVaR能更好地控制尾部风险，避免“黑天鹅”事件带来的毁灭性打击。
2.8 知识体系总览
下面这张图，帮你理清这七个指标的关系：
嗯，这七个指标，每个都有它的用处，也都有它的局限。波动率告诉你平均颠簸，最大回撤告诉你最痛一刀，夏普比率看整体性价比，索提诺只罚坏波动，卡尔玛看回撤代价，VaR和CVaR盯住尾部风险。
我个人习惯，在策略评估时至少看三个指标：夏普比率、最大回撤、CVaR。一个看收益风险比，一个看最坏情况，一个看尾部风险。三者结合，基本能覆盖大部分风险场景。
最后提醒一句： 指标是工具，不是真理。再漂亮的指标，也抵不过市场的一次结构突变。保持敬畏，持续监控，才是风控的核心。
公众号:蓝海资料掘金营，微信deep3321