主题切换
4.3 绩效指标全景
概念详解
绩效指标是量化策略的"体检报告"。一个好的策略需要从收益、风险、风险调整后收益、稳定性等多个维度进行综合评估。单一指标（如年化收益率）很容易产生误导——高收益可能来自高杠杆或极端集中持仓。
绩效指标可以分为五大类：
- 收益类：累计收益率、年化收益率、超额收益（Alpha）
- 风险类：波动率、最大回撤、下行波动率、VaR
- 风险调整收益类：夏普比率、索提诺比率、信息比率、卡玛比率
- 稳定性类：胜率、盈亏比、连续亏损次数、最长回撤恢复时间
- 归因分析类：因子暴露、行业贡献、择时能力 vs 选股能力
名词解释：夏普比率
衡量每单位总风险所获得的超额回报，公式：(年化收益率 - 无风险利率) / 年化波动率。数值越高越好。一个夏普比率为1的策略意味着超额收益等于其承担的风险；夏普比率超过2的策略被认为是优秀的，超过3非常罕见，可能暗示过拟合。
名词解释：最大回撤
在选定周期内，净值从最高点到最低点的最大跌幅，衡量策略最糟糕的连续亏损情况。例如："2020-2023年间最大回撤15%"，意味着净值曾从峰值下跌了15%。最大回撤不仅影响心理承受力，还决定杠杆使用上限。
名词解释：卡玛比率
年化收益率除以最大回撤，反映单位回撤所获得的收益，越大表示策略在不利时期的恢复能力越强。卡玛比率 = 年化收益率 / |最大回撤|。卡玛比率大于1意味着即使遇到历史最大回撤，一年也能收复失地。
名词解释：索提诺比率
与夏普比率类似，但分母只使用下行波动率（低于目标收益率的波动），排除了上行波动对风险度量的干扰。索提诺比率 = (年化收益率 - 目标收益率) / 下行波动率。
名词解释：信息比率
衡量主动管理带来的超额收益相对于跟踪误差的比率。信息比率 = 年化超额收益 / 年化跟踪误差。用于评估相对基准的表现，信息比率大于1的基金经理被认为优秀。
数学原理
年化收益与年化波动率
假设有日收益率序列
夏普比率
最大回撤
索提诺比率
其中
Python实战
📌 案例：完整的绩效指标计算
此处有展示代码展开 ▼
python
import numpy as np
import pandas as pd
def calculate_all_metrics(equity_curve, benchmark=None, rf_rate=0.03):
"""
计算全套绩效指标
Parameters:
equity_curve: pd.Series, 净值曲线（index为日期）
benchmark: pd.Series, 基准净值曲线
rf_rate: 无风险利率（年化）
"""
# 日收益率
returns = equity_curve.pct_change().dropna()
n_days = len(returns)
years = n_days / 252
# === 收益指标 ===
total_return = equity_curve.iloc[-1] / equity_curve.iloc[0] - 1
annual_return = (1 + total_return) ** (1 / years) - 1
# === 风险指标 ===
daily_vol = returns.std()
annual_vol = daily_vol * np.sqrt(252)
# 最大回撤
rolling_max = equity_curve.expanding().max()
drawdown = (equity_curve - rolling_max) / rolling_max
max_drawdown = drawdown.min()
# 下行波动率
downside_returns = returns[returns < 0]
downside_vol = downside_returns.std() * np.sqrt(252)
# === 风险调整收益 ===
sharpe = (annual_return - rf_rate) / annual_vol if annual_vol > 0 else 0
sortino = (annual_return - rf_rate) / downside_vol if downside_vol > 0 else 0
calmar = annual_return / abs(max_drawdown) if max_drawdown != 0 else 0
# 信息比率（相对于基准）
if benchmark is not None:
excess = returns - benchmark.pct_change().dropna()
tracking_error = excess.std() * np.sqrt(252)
excess_return = annual_return - calculate_annual_return(benchmark)
ir = excess_return / tracking_error if tracking_error > 0 else 0
else:
ir = np.nan
# === 稳定性指标 ===
win_rate = (returns > 0).mean()
win_mean = returns[returns > 0].mean()
lose_mean = returns[returns < 0].mean()
profit_loss_ratio = abs(win_mean / lose_mean) if lose_mean != 0 else np.inf
# 最长回撤恢复时间
max_dd_end = drawdown.idxmin()
max_dd_start = drawdown.loc[:max_dd_end].idxmax()
# Calmar Ratios per rolling year
rolling_1y = returns.rolling(252).mean() * 252 # rolling annual return
rolling_vol = returns.rolling(252).std() * np.sqrt(252)
metrics = {
'累计收益率': f'{total_return:.2%}',
'年化收益率': f'{annual_return:.2%}',
'年化波动率': f'{annual_vol:.2%}',
'最大回撤': f'{max_drawdown:.2%}',
'下行波动率': f'{downside_vol:.2%}',
'夏普比率': f'{sharpe:.2f}',
'索提诺比率': f'{sortino:.2f}',
'卡玛比率': f'{calmar:.2f}',
'信息比率': f'{ir:.2f}',
'胜率': f'{win_rate:.2%}',
'盈亏比': f'{profit_loss_ratio:.2f}',
'最大回撤发生时间': str(max_dd_end),
}
return pd.Series(metrics)点击展开可浏览运行结果
年化收益率: 12.15% 年化波动率: 18.67% 夏普比率: 0.65 最大回撤: -16.78% 卡玛比率: 0.72
📌 案例：滚动指标分析
此处有展示代码展开 ▼
python
def rolling_metrics(returns, window=252):
"""
计算滚动窗口的夏普比率和最大回撤，评估策略表现的稳定性
"""
rolling_sharpe = returns.rolling(window).mean() / returns.rolling(window).std() * np.sqrt(252)
rolling_dd = returns.rolling(window).apply(
lambda x: (x.cumsum().cummax() - x.cumsum()).max()
)
return rolling_sharpe, rolling_dd
# 可视化滚动夏普
import matplotlib.pyplot as plt
fig, axes = plt.subplots(3, 1, figsize=(12, 10))
rolling_sharpe, rolling_dd = rolling_metrics(returns)
axes[0].plot(rolling_sharpe, label='Rolling Sharpe (1Y)')
axes[0].axhline(y=0, color='r', linestyle='--')
axes[0].axhline(y=1, color='g', linestyle='--')
axes[0].set_title('Rolling Sharpe Ratio')
axes[0].legend()
axes[1].fill_between(rolling_dd.index, 0, rolling_dd.values, color='red', alpha=0.3)
axes[1].set_title('Rolling Max Drawdown')
axes[1].invert_yaxis()
axes[2].plot((1 + returns).cumprod(), label='Cumulative Return')
axes[2].set_title('Cumulative Return')
axes[2].legend()
plt.tight_layout()
plt.show()点击展开可浏览运行结果
📘 本段为代码片段（依赖上文变量或外部输入，如 df/data/参数等），无法独立运行
📊 实战模拟
📊 实战模拟
常见误区
只看夏普比率不看最大回撤：一个夏普3但回撤80%的策略，在实盘中几乎不可能坚持执行（你会被心理压力击垮，或者触发风控强制清仓）。
不考虑样本长度的影响：年化夏普比率的统计误差约为
（T为年数）。一个3年样本的夏普比率，其95%置信区间约±1.15，意味着"夏普2"与"夏普0.85"在统计上可能没有区别。 用算术平均替代几何平均：年化收益应该用几何平均（CAGR），
，而不是简单算术平均 。 忽略尾部风险指标：夏普比率假设收益率服从正态分布，但股票收益率通常有肥尾。需要额外关注偏度、峰度和VaR/CVaR。
把"胜率"当作最重要的指标：很多优秀趋势跟踪策略的胜率只有30%-40%，但盈亏比很高。胜率低不代表策略不好。
实战练习
获取任意一只股票的日收益数据，分别计算其：
- 全样本的年化收益、年化波动率和夏普比率
- 分年度的年化收益、最大回撤（观察策略表现的年度差异性）
构造两个虚拟策略：策略A胜率60%、每次赚1%、亏1%；策略B胜率40%、每次赚3%、亏1%。分别计算它们的期望收益和夏普比率。哪个更好？为什么？
在你的回测框架中加入滚动指标分析模块：计算滚动252天的夏普比率、最大回撤和年化收益，绘制这三个序列的走势图。分析策略表现的稳定性。
延伸阅读
- Sharpe, W. F. (1966). "Mutual Fund Performance." Journal of Business.
- Sortino, F. A. & van der Meer, R. (1991). "Downside Risk."
- Lo, A. W. (2002). "The Statistics of Sharpe Ratios." Financial Analysts Journal. 讨论夏普比率的统计推断问题。
- Eling, M. & Schuhmacher, F. (2007). "Does the Choice of Performance Measure Influence the Evaluation of Hedge Funds?" 比较不同绩效指标的异同。
本章要点
- 绩效评估需要从收益、风险、风险调整收益、稳定性四个维度全面分析。
- 夏普比率是最常用的风险调整收益指标，但假设正态分布，不捕捉尾部风险。索提诺比率只惩罚下行波动，更符合投资者心理。
- 最大回撤是一个路径依赖的指标，反映策略的历史最差表现，直接影响心理承受力和杠杆上限。
- 卡玛比率衡量单位最大回撤的收益补偿，是实践中非常实用的参考指标。
- 所有绩效指标都有统计误差，短期的高夏普比率可能只是运气。需要结合统计检验（见4.5章）判断显著性。
- 没有哪个单一指标能完美评价策略——好的策略评估必然是多指标交叉验证。