风险度量指标：量化投资的“体检报告”
做量化投资这些年，我越来越觉得，风险度量就像是给投资组合做体检。你光看收益高不高，就像只看体重秤上的数字——瘦不一定健康，胖也不一定有问题。真正重要的是那些藏在背后的指标。
今天咱们就来聊聊六个核心风险指标：波动率、最大回撤、夏普比率、索提诺比率、VaR和CVaR。嗯，这六个指标，基本覆盖了风险度量的方方面面。
核心观点：风险不是用来躲避的，而是用来理解和管理的。每个指标都像一面镜子，照出组合的不同侧面。
1. 波动率：最基础的风险度量
波动率，说白了就是资产价格上蹿下跳的幅度。我习惯用年化波动率来衡量，公式很简单：
年化波动率 = 日收益率标准差 × √252为什么是252？因为一年大概有252个交易日。这个指标告诉你：你的组合一年下来，大概会波动多少。
我的经验：波动率不是越低越好。我在做CTA策略时发现，有些低波动率的品种，一旦爆发起来，回撤惊人。波动率更像是一个“温度计”，告诉你市场情绪有多热。
2. 最大回撤：投资者的“心理底线”
最大回撤，就是从最高点到最低点的跌幅。这个指标我特别看重，因为它直接关系到你能不能拿住仓位。
举个例子：
净值从1.0涨到1.5，然后跌到1.2
最大回撤 = (1.5 - 1.2) / 1.5 = 20%我曾经见过一个策略，年化收益30%，但最大回撤达到40%。说实话，这种策略我一般不会实盘。为什么？因为回撤超过30%的时候，大部分投资者已经扛不住了。
避坑指南：我曾经犯过一个错误——只看最大回撤的数值，没看回撤持续的时间。一个20%的回撤如果持续半年，比一个30%但只持续两周的回撤更可怕。时间维度一定要考虑进去。
3. 夏普比率：收益与风险的“性价比”
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：
夏普比率 = (组合收益率 - 无风险利率) / 波动率我个人习惯用1.0作为分水岭。夏普比率大于1.0，说明策略不错；大于2.0，那就是顶级策略了。
但这里有个坑——夏普比率对正态分布假设很敏感。你想想看，如果收益分布是尖峰厚尾的，夏普比率就会失真。这也是为什么我们需要索提诺比率。
4. 索提诺比率：只惩罚“坏”波动
索提诺比率和夏普比率很像，但有一个关键区别：它只考虑下行波动率。
索提诺比率 = (组合收益率 - 无风险利率) / 下行波动率说白了，上涨的波动是好事，为什么要惩罚它？索提诺比率只关注下跌时的波动，更符合实际投资心理。
实战建议：我在做多因子模型时，会同时看夏普和索提诺。如果两者差距很大，说明策略的收益主要来自“捡烟蒂”式的上涨，而不是稳健的复利增长。这时候就要小心了。
5. VaR：在险价值
VaR回答的问题是：在95%或99%的置信水平下，我的组合最多会亏多少钱？
举个例子：
95% VaR = -2.5%
含义：有95%的把握，组合日亏损不超过2.5%计算VaR有三种常用方法：
- 参数法：假设收益服从正态分布，直接用均值和标准差算
- 历史模拟法：用过去的数据直接排序，取分位数
- 蒙特卡洛模拟：随机生成大量路径，统计亏损分布
我个人最常用历史模拟法，因为它不需要假设分布形态。但要注意，历史不会简单重复——2008年金融危机之前，VaR模型基本都失效了。
6. CVaR：条件在险价值
CVaR是VaR的升级版。VaR只告诉你“最多亏多少”，但没告诉你“如果亏超了，平均亏多少”。CVaR补上了这个缺口。
CVaR = 超过VaR部分的平均亏损举个例子：
95% VaR = -2.5%
95% CVaR = -3.8%
含义：在最坏的5%情况下，平均亏损是3.8%我的习惯：做风控时，我主要看CVaR而不是VaR。因为VaR可能会低估尾部风险，而CVaR能更真实地反映极端情况下的损失。记得有一次，一个策略的VaR看起来没问题，但CVaR已经接近风控红线了——果断减仓，后来果然躲过一劫。
实战：用Python计算这些指标
说了这么多，咱们来点实际的。下面是我常用的计算代码：
import numpy as np
import pandas as pd
def calculate_risk_metrics(returns, risk_free_rate=0.03):
"""
计算全套风险指标
returns: 日收益率序列
risk_free_rate: 年化无风险利率
"""
# 年化波动率
annual_vol = np.std(returns) * np.sqrt(252)
# 最大回撤
cum_returns = (1 + returns).cumprod()
running_max = cum_returns.cummax()
drawdown = (cum_returns - running_max) / running_max
max_drawdown = drawdown.min()
# 年化收益率
annual_return = (1 + returns).prod() ** (252/len(returns)) - 1
# 夏普比率
sharpe = (annual_return - risk_free_rate) / annual_vol
# 索提诺比率
downside_returns = returns[returns < 0]
downside_vol = np.std(downside_returns) * np.sqrt(252)
sortino = (annual_return - risk_free_rate) / downside_vol if downside_vol != 0 else np.nan
# VaR (95%置信水平)
var_95 = np.percentile(returns, 5)
# CVaR (95%置信水平)
cvar_95 = returns[returns <= var_95].mean()
return {
'年化波动率': annual_vol,
'最大回撤': max_drawdown,
'夏普比率': sharpe,
'索提诺比率': sortino,
'VaR(95%)': var_95,
'CVaR(95%)': cvar_95
}
# 使用示例
# 假设你有日收益率数据
# metrics = calculate_risk_metrics(your_returns)
# print(metrics)注意：这段代码假设收益率是日频数据。如果是周频或月频，记得调整年化因子（周频用52，月频用12）。
指标对比一览
| 指标 | 衡量什么 | 优点 | 缺点 |
|---|---|---|---|
| 波动率 | 整体波动幅度 | 计算简单，通用性强 | 不区分涨跌 |
| 最大回撤 | 极端下跌幅度 | 直观易懂 | 忽略回撤时长 |
| 夏普比率 | 风险调整后收益 | 标准化比较 | 假设正态分布 |
| 索提诺比率 | 下行风险调整收益 | 更符合实际 | 计算稍复杂 |
| VaR | 最大可能亏损 | 风险量化 | 忽略尾部风险 |
| CVaR | 尾部平均亏损 | 更全面 | 计算量较大 |
嗯，这六个指标，基本够用了。我个人习惯是：日常监控看波动率和最大回撤，策略评估看夏普和索提诺，风控红线看VaR和CVaR。每个指标都有自己的位置，组合起来用，才能看清风险的全貌。