![](https://fastly.jsdelivr.net/gh/bucketio/img11@main/2024/10/21/1729466068183-23134fce-3131-4262-b18c-f378d71af4f6.gif)

# 你真的读懂夏普比率？量化交易员带你入门Sharpe Ratio

![](https://fastly.jsdelivr.net/gh/bucketio/img9@main/2024/10/20/1729465031968-b3c8959e-1d37-4b8a-91b1-b0b0dfe25143.png)

大家好，欢迎来到这篇关于夏普比率（Sharpe Ratio）的科普推文。本文帮助你更系统、深入地理解夏普比率在量化投资和投资组合管理中的重要作用，以及专业的**量化交易员**如何看待Sharpe Ratio。

## 1. 为什么不能只看收益率？

在直觉上，我们常常把"**收益率**"视为衡量一个投资好坏的核心指标，但现实投资中，"收益率"只是故事的一半。

**案例：绿色投资 vs. 黑色投资**

![](https://fastly.jsdelivr.net/gh/bucketio/img15@main/2024/12/23/1734960763355-11eae165-6b02-400e-a5c1-69b78e47cd57.png)

- **绿色投资**：最终总收益 40%，过程相对平稳
- **黑色投资**：最终总收益同样是 40%，但曲线剧烈波动

两者最终收益看似相同，却并不代表它们"质量"一致。黑色投资过程中大起大落，带来以下问题：

1. **心理压力**：如若中途出现大回撤，投资人会恐慌，甚至可能提前割肉。
2. **信心不足**：波动越大，未来越难预测；而平稳向上的绿色更具可预期性。
3. **流动性需求**：万一在黑色投资大幅回撤时需要现金，就可能不得不在较低价位卖出，造成实际亏损。

结论：在拥有同样"最终收益"的情况下，**更稳定**的投资显然更受欢迎。这就引出了"风险调整后收益"的概念——我们需要让"波动"或"风险"在回报测度中占有一席之地。

## 2. 用波动率量化"风险"

要想在衡量回报时考虑风险，先得量化风险。**标准差（Standard Deviation）**或**波动率（Volatility）**便是投资中最常见的风险度量方式，记作 $\sigma$。

其数学定义为：

$$
\sigma = \sqrt{\frac{1}{n-1} \sum_{t=1}^{n} \bigl(r_t - \bar{r}\bigr)^2}
$$

- $r_t$：投资在第 $t$ 个时段的收益率  
- $\bar{r}$：收益率的平均值  
- $n$：统计的周期数（如天、周、月等）

通俗地说，波动率就是"**收益围绕均值的偏离程度**"。波动率越大，说明投资的"走向"越不稳定，风险也越高。

## 3. 夏普比率（Sharpe Ratio）的定义

当我们有了"**波动率**"这个衡量风险的工具后，就能定义"**风险调整后收益**"——即"夏普比率（Sharpe Ratio）"。

### 3.1 一般形式

从理论上讲，夏普比率最常见的公式是：

$$
\text{Sharpe Ratio}
= \frac{\bar{r} - r_f}{\sigma}
$$

- $\bar{r}$：投资的平均收益率  
- $r_f$：无风险收益率（Risk-Free Rate），在某些案例中可能省略或简化  
- $\sigma$：投资收益的波动率

不过，在不少量化交易实务中，尤其是短周期（例如日度数据）时，很多人会暂时忽略 $r_f$，或者令 $r_f \approx 0$。于是，就得到了更简化的形式：

$$
\text{Sharpe Ratio}
= \frac{\bar{r}}{\sigma}
$$

### 3.2 年化夏普比率

为了方便比较，有时我们还会把夏普比率"年化"。若使用**日度数据**，通常会乘以 $\sqrt{252}$（约 252 个交易日）：

$$
\text{Sharpe Ratio (annualized)}
= \frac{\bar{r}_{\text{daily}}}{\sigma_{\text{daily}}} \times \sqrt{252}
$$

若使用**月度数据**，则可乘以 $\sqrt{12}$ 来年化，以此类推。

### 3.3 它好在哪？

- **收益越高，夏普比率越高**：反映了收益对指标的正贡献。  
- **波动越大，夏普比率越低**：越不平稳的投资，被"惩罚"得更严重。

所以，夏普比率一举两得：既能鼓励高回报，也能约束高风险。

## 4. 夏普比率的直观例子

回到最开头"绿色 vs. 黑色"的例子：  

- 如果我们为**绿色**计算夏普比率，假设结果是 2  
- 为**黑色**计算，假设结果只有 0.5  
- 在回报同为 40% 的前提下，夏普比率清晰地显示"绿色优于黑色"

**原因**：绿色更平稳，承担更少的风险就拿到了与黑色相同的收益。

![](https://fastly.jsdelivr.net/gh/bucketio/img18@main/2024/12/23/1734963810708-b3e038b6-cc6f-43cb-8703-d1c8798f5668.png)

## 5. 如何通过组合提升夏普比率？

### 5.1 分散化（Diversification）

假设有两个投资：

- **红色**（Red）  
- **蓝色**（Blue）

![](https://fastly.jsdelivr.net/gh/bucketio/img12@main/2025/02/20/1740049082289-ee4e97e8-da36-4661-9b34-6caef0323e89.png)
它们各自的回报和波动情况相似，且各自的夏普比率都为 2。看上去二者不相上下。但是，倘若二者呈**负相关**或低相关，当红色上涨时蓝色下跌，或二者走势差异明显，我们可以将这两个投资按照一定权重（例如各 50%）组合在一起，得到一个新的组合（图中用"Perp"代表）。

结果往往令人惊喜：

- 红、蓝各自夏普比率为 2  
- 二者的混合组合可能夏普比率飙升到 5（甚至更高），收益不变而波动大幅下降

**原因**：二者在价格波动上部分相互抵消，最终让组合整体曲线更平滑。  
**启示**：这就是"**不要把鸡蛋放在同一个篮子里**"的量化体现；当我们想"对冲"或"分散投资"时，实则是在努力提升组合的夏普比率。

## 6. 高夏普 vs. 高回报：杠杆的魔力

或许有人说："如果一个策略收益不算最高，但夏普很高；另一个策略收益更大，但夏普一般。选哪个？"  

**答案：大多数情况下选高夏普策略，并通过杠杆放大**。

### 6.1 杠杆（Leverage）的原理

假设你有 100 美元资金：

1. 你再借来 100 美元，用于投资某个标的  
2. 这时你的总投资是 200 美元，杠杆倍数 = 2 倍

- 如果标的上涨 1%，你赚的并不是 1 美元，而是 2 美元；相当于你**本金**的收益率达 2%  
- 同理，若标的下跌 1%，亏损也会放大为 2 美元

结论：**杠杆放大了绝对收益和绝对亏损，但不改变夏普比率**。因为随着收益倍率提升，波动也相应成比例提升，两者同时被放大，分子分母的比例并未改变。

### 6.2 如何用杠杆？

- 先选择一个"**基础夏普比率**"足够高的策略  
- 如果觉得收益率水平不够，可以把策略加杠杆，以获得更高的"**最终收益**"  
- 在此过程中，夏普比率基本保持不变（忽略融资成本、滑点、交易成本等现实因素），也就意味着你可以拥有"**平稳 + 更高收益**"的理想投资线

**注意**：过度杠杆会带来爆仓、流动性风险，以及更高的借贷成本，需要谨慎把控。

## 7. 理论支持与常见问题

### 7.1 统计检验：t-统计量

从统计学角度，如果我们要检验一个策略的收益是否显著大于 0，就会计算 t-统计量（t-stat）。有数学推导表明：

$$
t \propto \text{Sharpe Ratio}
$$

- 当夏普比率越高，对应的 t-stat 也越高  
- 这意味着策略在统计学上"盈利更具显著性"，我们对它的持续盈利更有信心

### 7.2 学术理论：切线组合（Tangency Portfolio）

在现代投资组合理论（如马克维茨理论的扩展）中，如果投资者的目标是**最大化收益，并最小化方差（或波动）**，那么最优的选择就是"**切线组合**"，即**夏普比率最高的那条投资组合**。这是在理论层面证明"**夏普比率越高越好**"的学理依据。

### 7.3 实际市场中的夏普比率水平

- **标普 500 指数（S&P 500）**：长期（20 年周期）夏普比率约在 0.4~0.5 左右  
- **巴菲特**（Berkshire Hathaway）：约 0.75  
- **优秀对冲基金**：2.0 以上  
- **极端高夏普**（>5）：一般只会在小规模、特定市场环境或接近套利机会时出现，很难大规模复制

如果你能长年累月地维持 **夏普比率 $\ge 2$**，那已经超过了市场上绝大多数投资者。  

## 8. 小结

1. **收益率**固然重要，但不应孤立看待，**风险（波动）** 同样关键。  
2. **夏普比率（Sharpe Ratio）** 将收益和风险结合，是衡量"风险调整后收益"的主流指标。  
3. **分散化**、**对冲**等手段可以让整体波动更小，大幅提升组合的夏普比率。  
4. 当一个高夏普策略本身回报不够高时，可以考虑运用**杠杆**来提升回报，且不降低夏普比率。  
5. 在统计学和金融学理论中，夏普比率都有坚实基础和重要地位。  
6. 长期实现 2+ 的夏普比率，已能击败绝大多数市场参与者。

**希望这篇更深入的介绍能帮助你更好地理解夏普比率。追求更高夏普、打造平滑收益曲线，是许多量化交易与投资管理的终极目标。祝各位投资顺利！**

---

> **后记**：  
>
> - 这里使用的夏普比率多数场景中忽略了无风险收益率 $r_f$，因为目前很多投资环境下 $r_f$ 相对收益远小于波动幅度。  
> - 真正交易中，还要考虑杠杆融资成本、交易成本、滑点、税费以及市场限制等因素，实际夏普比率也会受其影响而变化。  
> - 对夏普比率非常高的策略，要保持警惕性，辨别其稳健性和可持续性。

## 关于LLMQuant

LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区，致力于探索人工智能（AI）与量化（Quant）领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校，外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。