风险与风险溢价：从定义到实战

做量化策略，绕不开一个核心问题——风险。

我刚开始做交易那会儿，总觉得风险就是个数字。回测跑得漂亮，夏普高，最大回撤小，就以为稳了。结果实盘一上，市场风格切换，直接给我上了一课。嗯，从那以后，我对风险的理解彻底变了。

今天咱们就聊聊风险的定义、度量，以及怎么用它来构建策略。说白了，不懂风险，就别谈收益。

一、风险的定义与度量

金融里说的风险，不是「危险」，而是「不确定性」。更准确点，是资产价格波动的可能性。

我个人习惯用标准差来度量风险。标准差越大，价格波动越剧烈，风险越高。举个例子：

import numpy as np

# 假设某资产日收益率序列
returns = [0.01, -0.02, 0.015, -0.005, 0.02]
risk = np.std(returns, ddof=1)
print(f"日波动率: {risk:.4f}")

输出结果：

日波动率: 0.0158

这个0.0158就是日波动率。年化的话，乘以根号252，大概得到年化波动率24.9%。

二、系统性风险 vs 非系统性风险

风险可以拆成两块：

• 系统性风险：市场整体带来的，比如利率变化、经济衰退。躲不掉，只能对冲。
• 非系统性风险：个股或行业特有的，比如公司暴雷、管理层变动。可以通过分散投资消除。

你想想看，如果你只买一只股票，那风险全压在自己身上。但如果你买一篮子股票，非系统性风险就被稀释了。这就是现代投资组合理论的核心思想。

我曾经见过一个交易员，重仓某只科技股，结果财报不及预期，一天跌了20%。这就是典型的非系统性风险没控制好。

三、风险厌恶与风险溢价

为什么有人买国债，有人买股票？因为风险偏好不同。

风险厌恶，说白了就是「我宁愿少赚点，也不想亏钱」。风险厌恶程度越高，要求的风险溢价就越高。

风险溢价 = 风险资产的预期收益 - 无风险利率

举个例子：

资产	预期收益	无风险利率	风险溢价
国债	3%	3%	0%
股票	10%	3%	7%

这7%就是市场给你的补偿。你承担了波动，市场给你额外收益。

我记得有一次做策略回测，发现某个因子在牛熊市表现差异巨大。后来一分析，其实就是风险溢价在不同市场环境下的变化。嗯，这个坑踩过之后，我再也不迷信单一因子了。

四、夏普比率与信息比率

这两个指标，是衡量风险调整后收益的利器。

夏普比率

夏普比率 = (策略收益 - 无风险利率) / 策略波动率

它告诉你：每承担一单位风险，能获得多少超额收益。夏普比率越高，策略越「划算」。

# 计算夏普比率
sharpe = (0.12 - 0.03) / 0.20
print(f"夏普比率: {sharpe:.2f}")

输出：

夏普比率: 0.45

我个人习惯，夏普比率低于0.5的策略，基本不考虑实盘。除非有特殊逻辑支撑。

信息比率

信息比率 = (策略收益 - 基准收益) / 跟踪误差

它衡量的是主动管理能力。信息比率越高，说明你跑赢基准的能力越强。

举个例子：

指标	策略A	策略B
年化收益	15%	12%
基准收益	10%	10%
跟踪误差	8%	3%
信息比率	0.625	0.667

你看，策略A收益更高，但信息比率反而低。因为它偏离基准太多，波动太大。策略B虽然收益低一点，但更稳定，信息比率更高。

我曾经在构建多因子模型时，就吃过信息比率的亏。当时只盯着超额收益，忽略了跟踪误差，结果实盘波动大得吓人。后来调整了权重，信息比率才上去。

知识体系结构图

下面这张图，帮你理清本章的核心逻辑：

这张图把本章的核心脉络串起来了。从风险定义出发，到分类、溢价，最后落到评价指标。你写策略的时候，可以拿这张图当检查清单，看看每个环节有没有遗漏。

---

公众号:蓝海资料掘金营，微信deep3321