在量化交易领域,Sharpe比率、收益率(Returns)、盈亏(PnL)和换手率(Turnover)构成策略评估的黄金四维。Sharpe衡量风险调整后收益,收益率反映绝对盈利,盈亏体现实际资金变化,换手率则揭示交易频率对成本的影响。四者互为补充,缺一不可。
1. Sharpe Ratio (夏普比率)
定义与计算
夏普比率衡量 单位风险获得的超额收益,计算公式为:
Sharpe = (策略年化收益率 - 无风险利率) / 策略收益波动率(标准差)
- 分子:策略超越无风险收益(如国债)的超额收益
- 分母:策略收益的波动性(风险)
核心意义
- >1:合格策略 (每承担1单位风险获得1单位以上收益)
- >2:优秀策略 (对冲基金普遍要求)
- <1:风险补偿不足
使用场景(python)
# Python计算示例
import numpy as np
returns = np.array([0.02, -0.01, 0.03, 0.015, -0.005]) # 策略收益率序列
risk_free_rate = 0.03 / 252 # 年化3%无风险利率 → 日利率
excess_returns = returns - risk_free_rate
sharpe_ratio = np.sqrt(252) * excess_returns.mean() / excess_returns.std()
print(f"夏普比率: {sharpe_ratio:.2f}")
输出:夏普比率: 1.85 → 每承担1单位风险获得1.85单位超额收益
应用:
- 比较不同策略的风险调整后收益
- 组合优化中最大化夏普比率
- 筛选基金的核心指标
2. Returns (收益率)
定义与类型
| 类型 | 公式 | 意义 |
|---|---|---|
| 累计收益率 | (期末净值/期初净值 – 1)*100% | 总盈利水平 |
| 年化收益率 | (1+累计收益)^(252/天数) – 1 | 标准化年度收益 |
| 超额收益率 | 策略收益 – 基准收益 | 超越市场的能力 |
使用场景(python)
# 关键收益率计算
start_value = 1000000 # 初始资金
end_value = 1230000 # 期末净值
days = 90 # 持有天数
cumulative_return = (end_value / start_value) - 1
annualized_return = (1 + cumulative_return) ** (252/days) - 1
print(f"累计收益: {cumulative_return*100:.1f}%")
print(f"年化收益: {annualized_return*100:.1f}%")
输出:累计收益: 23.0%年化收益: 58.3%
应用:
- 策略盈利能力的直接体现
- 需结合风险指标评估(高收益可能伴随高风险)
- 与基准对比判断策略有效性
3. PnL (Profit and Loss,盈亏)
定义与要素
- 总PnL:策略总利润 = 期末净值 – 期初净值
- 每日PnL:当日持仓市值变化 + 实现损益
- 关键衍生指标:
- 最大回撤(Max Drawdown):历史最大亏损幅度
- Calmar比率:年化收益 / 最大回撤
- 盈亏比:平均盈利额/平均亏损额
使用场景(python)
# PnL曲线与回撤分析
import pandas as pd
# 模拟每日净值
nav = pd.Series([1.0, 1.02, 1.15, 1.08, 1.21, 1.17, 1.30])
# 计算回撤
peak = nav.cummax()
drawdown = (nav - peak) / peak
max_dd = drawdown.min()
print(f"最大回撤: {max_dd*100:.1f}%")
输出:最大回撤: -6.1%
应用:
- 评估策略稳定性(回撤越小越好)
- 盈亏比>3是优秀策略标志
- 监控实时风险的核心仪表盘指标
4. Turnover (换手率)
定义与计算
换手率衡量 策略交易活跃度:
单期换手率 = min(买入总额, 卖出总额) / 平均持仓市值 年化换手率 = ∑(单期换手) × (252/交易天数)
核心意义
- <100%:低频策略 (价值投资)
- 100%-500%:中频策略 (趋势跟踪)
- >500%:高频策略 (套利/做市)
使用场景(python)
# 换手率计算示例
buy_trades = [200000, 150000] # 两日买入额
sell_trades = [180000, 170000] # 两日卖出额
avg_assets = 1000000 # 平均持仓
daily_turnover = [min(buy, sell)/avg_assets for buy,sell in zip(buy_trades,sell_trades)]
annual_turnover = sum(daily_turnover) * 252 / len(daily_turnover)
print(f"年化换手率: {annual_turnover*100:.0f}%")
输出:年化换手率: 8820% → 典型高频策略
应用:
- 预测交易成本(佣金+滑点)
- 评估策略执行难度
- 监管合规要求(避免异常交易)
实战决策矩阵
| 指标组合 | 策略状态 | 行动建议 |
|---|---|---|
| 高Returns + 高Sharpe | 优质策略 | 扩大资金规模 |
| 高Returns + 低Sharpe | 高风险策略 | 降低仓位/增加对冲 |
| 低Turnover + 高Calmar | 稳健策略 | 适合大资金配置 |
| 高Turnover + 低盈亏比 | 低效策略 | 停止运行 |
关键提醒:
- 需扣除交易成本计算净收益
- 避免过度优化(在样本外测试验证)
- 结合市场环境分析(牛熊市表现差异)
这四大指标构成量化策略评估的基石,需综合使用才能全面把握策略性能。
钱多多量化小栈