深入理解策略评估指标

可视化演示

收益度量指标

站长要选拔金牌骑手，第一步永远是翻看两位骑手的“日收入账本”。但账本上一堆数字没法直接比——阿明干了半年，阿强干了一年，怎么比谁更能赚？聪明的站长会把收入折算成“年化收入”，把时长不同、起点不同的人拉到同一把尺子上量。量化交易的第一步，同样是把策略的净值曲线折算成各种口径的收益指标。

最基础的是累计收益率，它回答“从起点到终点一共赚了多少”。但它有个大毛病：时间长短不同，累计收益就没法比。于是有了年化收益率，把总收益按时间比例折算成“每年赚多少”。更进一步，市场涨的时候人人赚钱，要看清策略的真本事，还得扣掉市场本身的贡献，这就是超额收益——好比骑手在“平台无差别派单”的底薪之外，靠路线规划多赚的那部分。

技术细节上，先计算累计收益率，再做年化折算：假设策略跑了一年半（约 378 个交易日），总收益 20%，我们就用一年 252 个交易日的口径把 20% 摊成“每年约 13%”。

站长最后在台账上写下两个年化数字：阿明年化六万，阿强年化五万二。数字好看并不等于可以签约——他还得看看这两份收入的“稳定性”，这就引出下一节的风险度量。

风险度量指标

光看收入高没有用。阿明年化六万，但收入像过山车：月初爆单月尾封号；阿强五万二，每天稳稳当当地跑。站长心里明白：波动越大，他越难预测明天的账，也越担心阿明哪天撑不住辞职。这种“收入忽高忽低”的程度，在量化里就叫波动率。

波动率用日收益率的标准差来度量，把“每天偏离平均多少”量化成一个数字；再乘 √252（一年约 252 个交易日）做年化。注意波动率对上涨和下跌都敏感，所以衍生出只统计下跌一侧的下行波动率——毕竟投资者真正害怕的是亏钱。而最大回撤更极端，直接刻画“从最高点摔到最低点有多惨”，这一节先建立概念，第四节再展开。

站长在阿明的档案里看到一行刺眼的记录：日收入波动率是阿强的三倍。这就像策略净值曲线上的大起大落——波动率是“颠簸指数”，颠得越狠，乘客（投资者）越容易晕车离场。

夏普比率

收入看过了，颠簸也测过了，站长要拍板了：到底谁的综合素质高？直觉上，最好的骑手当然是“每受一分颠簸的罪，就多赚一份钱”——量化里第一把这样的尺子就是夏普比率。

夏普比率 =（策略年化收益 − 无风险利率）÷ 年化波动率。分子先扣掉“躺平也能赚的钱”（比如国债收益），留下靠策略本事赚的超额收益；分母是承担的风险。结果就是“每承担 1 单位波动，换来多少超额回报”。一般认为夏普大于 1 算合格，大于 2 属优秀。但夏普有两个著名盲区：第一，它把上涨波动和下跌波动同等惩罚，而投资者其实只恨下跌；第二，它假设收益近似正态分布，对极端尾部风险不敏感。这两个盲区要靠后两节补上。

站长一算账：阿明夏普 0.8，阿强夏普 1.9——阿明每颠簸一分才换来八厘收益，阿强几乎“稳赚不颠”。结论很清楚：性价比上阿强完胜。

最大回撤详解

站长正准备签阿强，突然想起去年台风夜：阿强连人带车摔了，歇了两周，收入直接清零。任何骑手都有“最惨时刻”，而投资策略的“最惨时刻”就是最大回撤。如果说波动率是“日常颠簸”，最大回撤就是“塌方式下跌”，专门考验你能扛多深。

最大回撤的定义很严格：从净值的历史最高点，一路跌到之后的最低点，这个跌幅的最大值。它回答的问题很朴素：“如果你运气差到在巅峰进场，最多会亏多少？”它比波动率更贴近真实心态，因为人们最难忘的不是每天的起伏，而是从高点的跌落。回撤还有一个残酷的不对称性：亏 20% 只需涨 25% 回本，亏 50% 却要涨 100% 才能回本（$R_{recover} = D/(1-D)$），回撤越深，恢复越难。

站长把台风夜那两周的亏空标红：阿强的最大回撤是 30%。他心里清楚，真实世界往往是“跌起来比回测更狠”，这 30% 已经足够考验绝大多数人的心脏了——最大回撤是给投资者做“心脏体检”的指标。

Calmar比率

综合两张表格，站长发现一个难题：阿明贡献了更高的峰值收入，阿强则从不大起大落。到底用哪张表拍板？他想起行业里的一个老规矩：看“一年赚的钱”和“最惨一次性亏损”的账，这个比值就是 Calmar 比率。

Calmar 比率 = 年化收益率 ÷ 最大回撤的绝对值。它把“最坏时刻”放进分母：每承受 1% 的最大回撤，换来多少年化收益。夏普比率用波动率做分母，关心的是“全程平均颠簸的性价比”；Calmar 用最大回撤做分母，关心“巅峰到谷底的性价比”。实战中，Calmar 特别适合过滤“尾部风险型”策略：某策略平时波动不大、夏普挺高，但某次黑天鹅直接腰斩——夏普看不出来，Calmar 立刻现形。反过来它也有局限：只看“最深的那个点”，忽略回撤持续的时间；新策略样本期短，最大回撤估计不足，Calmar 容易虚高，需搭配足够长的样本。

站长用 Calmar 算完账，阿强 2.1，阿明 0.5。他恍然大悟：“我不怕你平时颠簸，就怕你把最关键的黄金商圈大单搞砸一次。” Calmar 就是那把专盯“最惨时刻”的尺子。

稳健性评估

体检报告全绿还不够。站长把阿强叫来：“上次台风天你发挥怎么样？如果平台改派单规则，你还跑得动吗？”这些“换环境考试”的做法，在量化里叫稳健性评估——检验策略在数据换一批、参数动一动、成本加一加之后，还赚不赚钱。

回测漂亮的策略常常是“过拟合”的：研究员调参数调到历史数据上完美，但换到新数据立刻失灵。对付过拟合有三大武器：一是样本外检验，把时间序列切成训练段和样本外段，只让策略“看过”前半段再考后半段；二是滚动前推（walk-forward），不停滚动地“训练一小段、验证下一小段”；三是参数敏感性分析，把参数略微扰动，看业绩是否剧烈崩塌。实际工程里还要把交易成本、滑点算进去——一个“扣完成本就不赚钱”的策略不值得实盘。

站长拿着“用晴天数据集训、再考雨天路线”的模拟记录，发现阿强样本外成绩只缩水了一成，而阿明从没做过这种演练——稳健性评估的意义，就是把“考试型选手”和“实战型选手”分开。

市场环境适配

最后一个问题：平台下个月要调整派单算法，雨雪天单量翻倍，阿强还能不能保住金牌？市场就像天气，不会永远晴朗。一个策略在牛市是印钞机，到了熊市可能就是绞肉机——所以评估的最后一步，是看它在不同“天气”下的适应力。

实践中，把历史行情按状态划分：牛市（指数持续上涨）、熊市（持续下跌）、震荡市（来回拉锯），再分别统计策略在每个状态下的收益、回撤和夏普。还可以做压力测试，模拟极端行情（如 2020 年 3 月流动性危机）下的最坏结果。最后要设定策略生命周期预警：一旦实盘表现显著劣于历史分布，比如回撤超过历史最大回撤的 1.5 倍，就要降仓或停用重审。

站长在阿强的档案上盖下“金牌骑手”章，备注却写着“每季度复检一次”。市场环境会变，策略会衰减，评估不是一次性的体检，而是长期的健康管理。

AI 应用场景

Python 演示

import math def compute_metrics(returns, rf_annual=0.02, periods=252):    """给定日收益率序列, 计算年化收益/波动/夏普/最大回撤/Calmar"""    n = len(returns)    if n == 0:        return None     total = 1.0    for r in returns:        total *= (1 + r)     if total > 0:        r_annual = total ** (periods / n) - 1    else:        r_annual = -1.0     mean = sum(returns) / n    var = sum((r - mean) ** 2 for r in returns) / (n - 1)    vol_annual = math.sqrt(var) * math.sqrt(periods)     if vol_annual > 0:        sharpe = (r_annual - rf_annual) / vol_annual    else:        sharpe = 0.0     peak = 1.0    nav = 1.0    max_dd = 0.0    for r in returns:        nav *= (1 + r)        peak = max(peak, nav)        dd = (peak - nav) / peak        max_dd = max(max_dd, dd)     calmar = r_annual / max_dd if max_dd > 0 else 0.0     return {        "annual_return": r_annual,        "annual_vol": vol_annual,        "sharpe": sharpe,        "max_drawdown": max_dd,        "calmar": calmar,    } if __name__ == "__main__":    demo_returns = [        0.006, -0.004, 0.008, -0.006, 0.010, -0.012, 0.007, -0.005,        0.009, -0.008, 0.011, -0.009, 0.005, -0.007, 0.008,    ]    m = compute_metrics(demo_returns)    if m:        for key, value in m.items():            print(f"{key}: {value:.4f}")

1. total *= (1 + r)把每天的净值倍数连乘，资金按复利滚动。
2. r_annual = total ** (periods / n) - 1按时间比例把累计收益折算成年化收益。
3. vol_annual = math.sqrt(var) * math.sqrt(periods)日波动率乘 √252 放大到年度。
4. sharpe = (r_annual - rf_annual) / vol_annual if vol_annual > 0 else 0.0每承担 1% 年化波动换来的超额收益，波动为零时记 0。
5. peak = max(peak, nav)实时刷新历史最高净值。
6. dd = (peak - nav) / peak当前净值相对巅峰的回撤比例。
7. calmar = r_annual / max_dd if max_dd > 0 else 0.0年化收益除以最大回撤的绝对值，最大回撤为零时记 0。

常见误区

面试题