HoulMeigh Document - Performance Metric - Sharpe Ratio

定义与信噪比类比 · 同一份站内样本的四种年化口径实测 · 短样本置信区间与策略页夏普怎么读  |  全部实测数字构建期计算,行情数字不写死

PART A — 概念层:把收益除以波动,得到单位风险的回报

1. 夏普比率是什么:每承担一单位波动,换来多少超额收益

一句话定义:夏普比率(Sharpe Ratio,站内绩效模块记作 sharpe_ratio)= 组合收益与无风险利率之差(超额收益)的均值,除以这串超额收益的标准差: SR = E[Rp − Rf] / σ(Rp − Rf)。 实务中常把 Rf 记为 0(本页实测与站内引擎均是此口径,见 §3),此时它就是 「收益的均值 ÷ 收益的波动」。原式由 Sharpe(1966)提出、1994 年修订为按协方差计价的 信息比率形态;本页讲的是最常用的经典式。
SR = (R̄p − Rf)⁄σ(Rp − Rf),    年化:SRann = SR每期 × √T   (T = 一年的期数)
CS 类比 这就是通信里的信噪比(SNR):均值 R̄−Rf 是你想传递的信号强度,σ 是噪声电平。年化因子 √T 则相当于「把不同采样率的设备折算到同一采样率下再比」——分子按 T 线性累加、分母按 √T 累加(独立噪声的方差可加),比值自然长出 √T。夏普比率无量纲:它把「赚得多不多」归一化成「赚得稳不稳」。

2. 为什么要除以波动:收益率单独看会骗人

核心动机:两条曲线年化收益相同,一条每天小幅爬坡、一条大起大落坐过山车—— 前者你能拿得住,后者你大概率在回撤最深的地方割肉。除以 σ 就是把「收益」换算成 「用波动换来的收益」,让不同风险水平的策略可比。
假想曲线(与任何行情无关)年化收益年化波动夏普
① 慢牛+10%10%1.00
② 过山车+10%40%0.25
③ 高杠杆版 ①(×2 仓)+20%20%1.00

① 与 ② 收益相同、夏普差 4 倍——波动才是那条真正拉开差距的轴。 ③ 是纯数学推论:加杠杆不改变夏普(分子分母同乘),所以它把「策略好坏」和 「仓位大小」这两个常被混为一谈的问题分开了——夏普管前者,你加多少杠杆赚多少绝对收益管后者。

PART B — 实测层:同一份样本,四种年化口径四个数

3. 动手算:三行代码,和三个容易踩的口径坑

最小实现(向量化):
r = equity.pct_change().dropna()      # 或价格序列的收益
sharpe_per_bar = r.mean() / r.std()   # 每期夏普(rf 记 0)
sharpe_annual  = sharpe_per_bar * np.sqrt(bars_per_year)
站内回测引擎即此口径(app/core/backtest/metrics.py:对 bar 级收益取 mean/std,年化因子 √(16×240),rf=0);策略实验台的组合口径用 √(365×8) (scripts/strategy_v2_lab.py 的 sharpe_annual)——两者不同源,见 §5。
三个坑,每一个都会改变「夏普」这个数字
  • 年化因子:√242、√252、√(365×8) 都是常见选择,因子不同,同一个策略能差出两成——引用夏普必须先说按什么频率、乘了多少(本页 PART B 用同一份样本实测);
  • 短样本:夏普的点估计在有限样本上方差很大,样本越短越不可信——§6 用 Lo(2002) 近似算出本样本的置信区间;
  • 非独立、非正态:公式的漂亮性质建立在收益近似 iid 正态之上;日内/高频收益常有自相关与肥尾(本样本的实测峰度见 §6),此时年化与置信区间都要打折——自相关怎么检验,见方差比与ADF两页。

4. 滚动夏普:站内 IM 样本「买入持有」实测

样本:本页实测与站内回撤页、策略页共用同一份数据——中证1000 股指期货 主力连续合约的 15 分钟 K 线(品种来历见 中证1000 详解),共 1023 根 bar, 聚合为 64 个有效交易日(实测每日约 16 根), 覆盖 2026-06-15 ~ 2026-09-11。基准取「全时段持有多头、rf=0」—— 它不是策略,但它是所有策略页数字都必须战胜的起跑线。
年化收益(日口径)
-35.8%
×242 折算
年化波动
31.3%
×√242 折算
全样本夏普
-1.14
日收盘 × √242
滚动 20 日区间
-7.89 ~ +5.38
共 44 个点
滚动 20 日年化夏普(日收盘收益)
全样本固定值 -1.14(虚线)
读图提醒 滚动曲线在 -7.89(2026-07-20 窗口末)到 +5.38(2026-08-27 窗口末)之间来回穿越零轴——窗口只有 20 个交易日时,夏普几乎是在描述「最近一个月的行情形状」,而不是策略属性。任何「近 N 月夏普」都请先问窗口有多长、样本够不够。

5. 口径对照实验:同一份买入持有,四个「年化夏普」

做法:对同一份样本分别按 ① 日收盘收益 ×√242、 ② 15 分钟收益 ×√(242×实测 bar/天)、③ 15 分钟收益 ×√(16×240) (站内引擎约定)、④ 15 分钟收益 ×√(365×8)(实验台组合口径)计算。 四个数字都对,回答的是四个不同问题。
口径年化夏普它回答的问题
① 日收盘 × √242-1.14日频复盘者看到的风险调整后收益(本页主图)
② bar × √(242×16)-1.15按样本实测采样率年化——与 ① 最可比的一个
③ bar × √(16×240)(引擎)-1.14站内回测引擎对同一段行情会打印的数
④ bar × √(365×8)(实验台)-1.00P4 四腿组合夏普用的口径(365 天 × 8 根假设)
这组对照说明什么 同一份行情,四个数从 -1.15 到 -1.00 不等——差异全部来自口径,不来自行情。所以跨页、跨报告引用任何夏普,第一句话应该是口径:什么收益序列、什么年化因子、rf 取没取。站内锚点里 P1/P3 的引擎夏普是 ③ 类,P4 组合的 2.30 是 ④ 类,两者不可直接比大小。

6. 短样本的诚实话:给点估计配一条置信区间

Lo(2002)近似:若每期收益 iid 正态,逐观测夏普标准误近似 SE ≈ √[(1 + ½·SR²) / (N−1)]; 年化后乘 √T 即置信区间的宽度尺度。N 是样本期数——本样本只有 63 个日收益。
项数值说明
点估计(年化,日口径)-1.14§5 的 ①
标准误 SE(年化)±1.98Lo 近似,×√242 折算
95% 置信区间[-5.02, +2.73]区间跨越 0:逐观测 t = -0.58,样本不足以拒绝「夏普为零」
收益分布体检偏度 -0.36 / 超额峰度 +0.85峰度显著偏离 0 时 iid 正态假设失真,上表区间偏窄
这行的意思是 以本样本 64 个交易日计,点估计 -1.14 的 95% 区间是 [-5.02, +2.73]——无论点估计正负,短区间样本只够说「方向勉强」,说不出「到底是 1.75、0.5 还是 −0.5」。区间宽度里还藏着 ½SR² 项:点估计越好看,怀疑它的理由越充分(这正是「过拟合的夏普总比真实的高」的统计根源)。再叠加 §5 的口径差,就明白策略页为什么把夏普和最大回撤、交易笔数并排印——单独一个数字永远不够。
PART C — 应用与边界

7. 夏普怎么参与决策:站内锚点与它的三件盲区

三个用法:① 横向评比:同一样本、同一口径下给变体排序 (策略页每个表都带夏普列即为此用);② 组合分散:两腿相关为负时, 组合波动下降快于收益混合——P4 实测组合年化波动从单腿的 11.0% 降到 7.7%, 夏普随之抬升,这是「分散是免费午餐」的算术版本;③ 仓位换算: 目标波动制下,仓位 ∝ 目标 σ / 实测 σ——夏普只决定「值不值得做」,不决定「做多大」。
站内锚点(已发布数字)区间收益夏普口径备注
P1 趋势 v2′(ADX 25)+8.67%1.74引擎口径 ③,30 笔
P3 波动率突破 B1(量比确认)+14.31%2.31引擎口径 ③,仅 15 笔——§6 的 SE 提醒适用
P4 四腿等权组合+6.31%2.30实验台口径 ④,与上行不同源,勿比大小
三件盲区 对称惩罚:σ 对上涨波动与下跌波动同罚——一条暴涨的曲线夏普也难看,只罚下潜的替代者是索提诺比率(引擎已实现)与以最大回撤为分母的 Calmar 比率,回撤的算法与口径坑见回撤与最大回撤;路径盲区:夏普不知道你是怎么活过 -50% 的;分布盲区:肥尾样本里 std 本身低估(§6 体检行),黑天鹅从不按 σ 来。

8. 边界与提醒:夏普数字最容易骗人在哪里

四条
  • 样本内夏普同样是一条路径的单次抽样,不是分布——§6 的置信区间只算了 iid 近似,真实收益的自相关与肥尾会让它更宽;
  • 高夏普不等于可交易:未扣成本的夏普、靠极短窗口刷出的夏普、样本内反复调参挑出的夏普,在真实盘前都要先证伪(站内策略页的「改进假设被证伪」记录就是示范);
  • 不同年化因子、不同收益频率、rf 取值不同的夏普不可直接比较(§5 的四个数就是演示);
  • 本页全部实测数字只描述 2026-06-15 ~ 2026-09-11 这段窗口的形状,不构成对中证1000 股指期货或任何策略未来夏普的预测。
本页资料来源: Sharpe, W. F. (1966). Risk-and-Returns-and-Ratios-of-Averages, Journal of Business; Sharpe, W. F. (1994). The Sharpe Ratio, Financial Analysts Journal; Lo, A. (2002). The Statistics of Sharpe Ratios, Journal of Portfolio Management(§6 标准误近似); 站内引擎口径见 app/core/backtest/metrics.py,实验台口径见 scripts/strategy_v2_lab.py。 文献为公开资料,站内口径以当前仓库版本为准;经典结论本身无时效风险。
本页定位
风险收益度量入口
定义 → 算法 → 口径 → 置信 → 决策用法
实测样本
1023 根 15 分钟
中证1000 股指期货主力连续,与策略页同源
核心公式
SR = (R̄−Rₑ)/σ × √T
信噪比 + 年化折算
下一步 分母 σ 从哪来:波动的测量与聚集见ATR 算法解析;iid 假设怎么检验:见方差比与ADF两页;夏普的另一面(下潜深度)见回撤与最大回撤;这些数字在真实策略迭代里如何被逐版对照,从趋势策略页进,组合分散抬升夏普的实例见VWAP 日内回归页。