4. 风险调整收益指标（上）：夏普比率、信息比率、索提诺比率
做量化投资，最怕什么？
怕赚了指数不赚钱，更怕赚了钱却承担了不该承担的风险。
我刚开始做因子策略那会儿，看着回测曲线漂亮得不行，年化收益30%+，心里美滋滋。结果一算夏普比率，才0.6。嗯，说白了就是拿命在换收益。后来我养成了一个习惯——先看风险调整收益，再看绝对收益。今天咱们就来聊聊这三个最常用的指标。
核心逻辑一句话：收益是表象，风险是本质。风险调整收益，就是帮你把「收益」和「风险」放在同一杆秤上称一称。
4.1 夏普比率：最经典的「性价比」指标
夏普比率，量化圈里没人不知道它。它的公式很简单：
夏普比率 = (策略年化收益率 - 无风险利率) / 年化波动率说白了，就是每承担一单位风险，能换来多少超额收益。
我个人习惯把夏普比率理解成「投资的性价比」。 你想想看，两个策略年化收益都是20%，一个波动率10%，一个波动率30%，你会选哪个？当然是前者。夏普比率帮你把这个直觉量化了。
实际应用中的几个坑
- 无风险利率怎么选？ 国内一般用一年期国债收益率，或者SHIBOR 3M。我见过有人用0，那算出来的夏普比率虚高，没啥参考价值。
- 年化波动率怎么算？ 日度数据的话，先算日波动率，再乘以根号252。注意，这里用的是对数收益率，不是简单收益率。
- 夏普比率多高算好？ 我个人经验：大于1算及格，大于2算优秀，大于3……嗯，你要小心是不是过拟合了。
避坑指南： 我曾经遇到一个策略，夏普比率高达2.8，结果仔细一看，它大部分收益来自某一个月的大行情。去掉那个月，夏普直接掉到0.6。所以，一定要看滚动夏普比率，别被整体数字骗了。
4.2 信息比率：衡量「主动管理」能力的标尺
信息比率和夏普比率长得很像，但有个关键区别——它衡量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率差值的标准差。
信息比率告诉你：你跑赢基准的那部分收益，是不是靠运气？ 如果信息比率高，说明你确实有选股/择时的能力；如果低，那可能只是随波逐流。
信息比率 vs 夏普比率
| 维度 | 夏普比率 | 信息比率 |
|---|---|---|
| 分母 | 总风险（波动率） | 主动风险（跟踪误差） |
| 分子 | 超额收益（相对无风险） | 超额收益（相对基准） |
| 适用场景 | 绝对收益策略 | 相对收益策略（如指数增强） |
| 理想值 | > 1 | > 0.5 |
我在做多因子选股策略时，特别喜欢用信息比率。因为我们的目标是跑赢沪深300，不是追求绝对收益。信息比率能告诉我：我构建的因子组合，到底有没有真正的alpha能力。
注意： 信息比率对基准选择非常敏感。你换个基准，结果可能天差地别。我建议同时用多个基准做敏感性分析，别只盯着一个数字。
4.3 索提诺比率：只惩罚「坏」波动
夏普比率有个天然缺陷——它把上行波动和下行波动一视同仁。但你想啊，涨得多难道不是好事吗？为什么要惩罚它？
索提诺比率就是来解决这个问题的。它只考虑下行波动（即亏损时的波动），公式如下：
索提诺比率 = (策略年化收益率 - 无风险利率) / 下行标准差下行标准差怎么算？只取收益率低于某个目标值（通常是0或无风险利率）的数据，计算它们的标准差。
说白了，索提诺比率更符合人性。 投资者怕亏钱，不怕赚钱。你波动大但都是往上涨，那没问题；你波动大但经常暴跌，那才是真风险。
一个真实案例
我记得有个CTA策略，夏普比率只有0.8，看起来一般。但它的索提诺比率高达2.1。为什么？因为这个策略大部分时间在横盘或小亏，但一旦趋势来了就猛赚。下行波动很小，上行波动很大。这种策略，用夏普比率衡量就吃亏了。
所以我的建议是：两个指标一起看。如果夏普和索提诺差距很大，说明策略的收益分布不对称，可能藏着一些尾部风险。
总结一下三个指标的关系：
- 夏普比率：全面衡量「收益/总风险」
- 信息比率：衡量「主动收益/主动风险」
- 索提诺比率：衡量「收益/下行风险」
三者互补，缺一不可。
4.4 知识体系图：风险调整收益指标全景
下面这张图帮你理清这三个指标的核心逻辑：
4.5 实战代码：一键计算三个指标
光说不练假把式。下面这段Python代码，输入策略收益率序列和基准收益率序列，就能同时算出三个指标：
import numpy as np
import pandas as pd
def risk_adjusted_metrics(strategy_returns, benchmark_returns=None, rf=0.03, periods_per_year=252):
"""
计算夏普比率、信息比率、索提诺比率
参数:
strategy_returns: 策略日收益率序列
benchmark_returns: 基准日收益率序列（计算信息比率时需要）
rf: 无风险利率（年化）
periods_per_year: 年化周期数（日度数据用252）
"""
# 年化收益率
ann_return = (1 + strategy_returns.mean()) ** periods_per_year - 1
# 年化波动率
ann_vol = strategy_returns.std() * np.sqrt(periods_per_year)
# 夏普比率
sharpe = (ann_return - rf) / ann_vol
# 索提诺比率
downside_returns = strategy_returns[strategy_returns < 0]
downside_std = downside_returns.std() * np.sqrt(periods_per_year)
sortino = (ann_return - rf) / downside_std if downside_std != 0 else np.nan
# 信息比率（需要基准数据）
if benchmark_returns is not None:
excess_returns = strategy_returns - benchmark_returns
ann_excess = (1 + excess_returns.mean()) ** periods_per_year - 1
tracking_error = excess_returns.std() * np.sqrt(periods_per_year)
info_ratio = ann_excess / tracking_error if tracking_error != 0 else np.nan
else:
info_ratio = np.nan
return {
'夏普比率': round(sharpe, 4),
'索提诺比率': round(sortino, 4),
'信息比率': round(info_ratio, 4)
}
# 示例用法
# metrics = risk_adjusted_metrics(strat_ret, bench_ret)
# print(metrics)使用建议： 我习惯在回测报告中同时展示这三个指标，并加上滚动窗口（比如60天滚动）的时序图。这样既能看整体水平，又能看稳定性。如果一个策略的夏普比率忽高忽低，那它的可靠性就要打个问号。
好了，这一章的内容就到这儿。三个指标各有侧重，结合起来用才能全面评估一个策略的真实水平。下一章咱们继续聊剩下的风险调整指标——卡玛比率、斯特林比率，还有那个让人又爱又恨的最大回撤。
公众号:蓝海资料掘金营，微信deep3321