第四节：风险度量指标——夏普比率、索提诺比率、最大回撤、卡玛比率、收益风险比
各位同学，咱们今天聊点实在的。
做套利交易，光看收益率可不行。你赚了50%，但中间回撤了40%，这种策略你敢实盘吗？反正我是不敢。
风险度量指标，说白了就是给策略做“体检”。一套完整的体检报告，能告诉你这个策略到底健不健康，值不值得投钱进去。
4.1 夏普比率：最经典的“性价比”指标
夏普比率，我做了这么多年交易，几乎每个策略报告里都会看到它。它的核心思想很简单：每承担一单位风险，能换来多少超额收益。
公式长这样：
Sharpe Ratio = (Rp - Rf) / σp其中：
- Rp：策略年化收益率
- Rf：无风险利率（通常用国债收益率或SHIBOR）
- σp：策略年化波动率
举个例子你就明白了。假设你的套利策略年化收益15%，无风险利率3%，年化波动率8%。那么夏普比率就是(15%-3%)/8% = 1.5。
经验之谈：
- 夏普 > 1：策略还不错，值得关注
- 夏普 > 2：相当优秀，我见过的实盘策略里不多
- 夏普 > 3：要么是神，要么是数据造假
我的习惯：计算夏普比率时，我一般用日频数据算，再年化。直接用年化数据算容易失真，尤其是套利策略，日间波动和日内波动差别很大。
4.2 索提诺比率：只关心“坏”波动
夏普比率有个问题——它把上涨波动和下跌波动一视同仁。但做交易的人都知道，上涨波动是好事，下跌波动才是风险。
索提诺比率就是来解决这个问题的。它只考虑下行波动，公式如下：
Sortino Ratio = (Rp - Rf) / σd其中σd是下行标准差，只计算收益率低于目标收益率（通常设为0或无风险利率）的部分。
我在项目中遇到过这样的情况：一个策略夏普比率只有0.8，但索提诺比率高达2.5。为什么？因为它大部分时间都在涨，偶尔暴跌一下。这种策略，夏普比率低估了它的真实水平。
注意：索提诺比率越高越好，但也不是越高越安全。我曾经见过一个策略，索提诺比率3.8，结果是因为它几乎不交易，资金闲置了大半年。这种“假稳健”要警惕。
4.3 最大回撤：最让人睡不着觉的指标
最大回撤，英文叫Max Drawdown。说白了就是：从最高点跌到最低点，你最多亏了多少。
公式：
Max Drawdown = max(1 - 净值 / 历史最高净值)举个例子：你的策略净值从1.0涨到1.5，然后跌到1.2，再涨到1.8。那么最大回撤就是(1.5-1.2)/1.5 = 20%。
嗯，这里要注意：最大回撤只看历史，不代表未来。但它是衡量策略“抗揍能力”最直观的指标。
我的经验：
- 套利策略，最大回撤控制在5%以内算合格
- 超过10%就要反思策略逻辑了
- 超过20%？建议直接放弃，别浪费时间
4.4 卡玛比率：收益与回撤的“性价比”
卡玛比率，Calmar Ratio，是夏普比率的“兄弟”。它用最大回撤代替了波动率：
Calmar Ratio = 年化收益率 / 最大回撤为什么我喜欢用卡玛比率？因为它更直观。你想想看，夏普比率告诉你每单位波动能赚多少，但波动这东西太抽象了。卡玛比率直接告诉你：你冒了最大回撤的风险，能换来多少收益。
比如年化收益20%，最大回撤5%，卡玛比率就是4。这个数字，你一眼就能看出策略的“性价比”。
避坑指南：我曾经用过一个策略，卡玛比率高达6，但实盘一个月就亏了8%。为什么？因为它的最大回撤是在回测早期发生的，后期策略参数变了，回撤数据已经过时了。所以，卡玛比率要结合回撤发生的时间段一起看。
4.5 收益风险比：最朴素的衡量
收益风险比，也叫盈亏比。公式简单到不能再简单：
收益风险比 = 平均盈利 / 平均亏损比如你的策略平均每笔盈利5000元，平均每笔亏损2000元，那么收益风险比就是2.5。
这个指标，我建议和胜率一起看。胜率高但收益风险比低，说明你赚的都是小钱，亏一次就回到解放前。胜率低但收益风险比高，说明你靠几次大赚覆盖多次小亏。
我的建议：套利交易，收益风险比至少要做到2以上。低于1.5的策略，长期来看很难赚钱。
4.6 实战：用Python计算这些指标
光说不练假把式。下面我写一段代码，把这些指标一次性算出来：
import numpy as np
import pandas as pd
def calculate_risk_metrics(returns, rf=0.03, periods_per_year=252):
"""
计算风险度量指标
returns: 日收益率序列
rf: 无风险利率（年化）
periods_per_year: 年化周期数，日频用252
"""
# 年化收益率
annual_return = np.mean(returns) * periods_per_year
# 年化波动率
annual_vol = np.std(returns) * np.sqrt(periods_per_year)
# 夏普比率
sharpe = (annual_return - rf) / annual_vol
# 索提诺比率
downside_returns = returns[returns < 0]
downside_vol = np.std(downside_returns) * np.sqrt(periods_per_year)
sortino = (annual_return - rf) / downside_vol if downside_vol != 0 else np.nan
# 最大回撤
cumulative = (1 + returns).cumprod()
running_max = cumulative.cummax()
drawdown = (cumulative - running_max) / running_max
max_drawdown = drawdown.min()
# 卡玛比率
calmar = annual_return / abs(max_drawdown) if max_drawdown != 0 else np.nan
# 收益风险比
avg_gain = returns[returns > 0].mean()
avg_loss = abs(returns[returns < 0].mean())
profit_loss_ratio = avg_gain / avg_loss if avg_loss != 0 else np.nan
return {
'年化收益率': f'{annual_return:.2%}',
'年化波动率': f'{annual_vol:.2%}',
'夏普比率': f'{sharpe:.2f}',
'索提诺比率': f'{sortino:.2f}',
'最大回撤': f'{max_drawdown:.2%}',
'卡玛比率': f'{calmar:.2f}',
'收益风险比': f'{profit_loss_ratio:.2f}'
}
# 示例用法
np.random.seed(42)
sample_returns = np.random.normal(0.001, 0.02, 500) # 模拟500个交易日
metrics = calculate_risk_metrics(sample_returns)
for k, v in metrics.items():
print(f'{k}: {v}')这段代码我用了好几年，基本没改过。你直接复制到自己的策略回测框架里就能用。
4.7 指标解读：别只看数字
指标算出来了，怎么解读？我总结了几条经验：
| 指标 | 优秀 | 合格 | 危险 |
|---|---|---|---|
| 夏普比率 | > 2.0 | 1.0 - 2.0 | < 1.0 |
| 索提诺比率 | > 3.0 | 1.5 - 3.0 | < 1.5 |
| 最大回撤 | < 5% | 5% - 10% | > 15% |
| 卡玛比率 | > 3.0 | 1.5 - 3.0 | < 1.5 |
| 收益风险比 | > 3.0 | 2.0 - 3.0 | < 2.0 |
重要提醒：这些阈值不是绝对的。不同品种、不同频率的策略，标准差别很大。比如高频套利，最大回撤控制在1%以内都很正常。而跨品种套利，回撤5%可能已经算优秀了。
4.8 知识体系图
下面这张图，把今天讲的内容串起来了：
这张图你看懂了吗？四个核心指标从不同角度衡量风险，收益风险比则是最终的“体检结论”。
最后说一句：指标只是工具，不是真理。我见过夏普比率1.2的策略实盘赚了大钱，也见过夏普比率2.5的策略亏得底朝天。关键还是看你对策略逻辑的理解有多深。
公众号:蓝海资料掘金营，微信deep3321