1. 课程导入
📐 夏普比率 Sharpe Ratio
📘 基础概念 · 公式推导 · 核心含义 · 投资场景
🎯 量化投资 · 进阶起点
📌 定义与公式推导
Definition & Derivation
📖 夏普比率定义
夏普比率（Sharpe Ratio）衡量每承担一单位总风险，投资组合能获得多少超额回报。由诺贝尔奖得主威廉·夏普提出，是风险调整后收益的核心指标。
- 分子：组合收益率 与 无风险利率 之差（超额收益）
- 分母：组合收益率的标准差（总风险）
- 比率越高，说明风险调整后表现越优秀
🧮 公式推导
- 基础公式：\( S = \frac{E[R_p] - R_f}{\sigma_p} \)
- 其中 \(E[R_p]\) 为预期组合收益，\(R_f\) 为无风险利率，\(\sigma_p\) 为收益波动率。
- 推导逻辑：从资本资产定价模型(CAPM)出发，夏普比率是资本市场线(CML)的斜率。
- 实际计算时常用 历史收益率均值 代替预期收益，样本标准差代替总体标准差。
Sharpe\ Ratio = \frac{ \bar{R}_{p} - R_{f} }{ \sigma_{p} }
⚡ 其中 \(\bar{R}_{p}\) 为组合平均收益率，\(\sigma_{p}\) 为收益率标准差
🧠 核心含义解读
Interpretation
💡 一句话理解
夏普比率告诉你：每承受1%的波动，能换来多少净收益。数值越大，投资的“性价比”越高。
- S > 1 : 收益超过风险，通常认为良好
- S > 2 : 非常优秀，常见于顶级策略
- S < 0 : 收益甚至低于无风险利率，策略失效
| 夏普比率 | 风险调整表现 | 典型场景 | 投资者态度 |
|---|---|---|---|
| < 0.0 | 差 (负超额收益) | 策略亏损或极度波动 | 回避 |
| 0.0 – 0.5 | 低于平均 | 债券组合、保守策略 | 谨慎 |
| 0.5 – 1.0 | 中等 | 股债混合、多因子 | 可接受 |
| 1.0 – 2.0 | 优秀 | 趋势跟踪、量化对冲 | 积极配置 |
| > 2.0 | 极佳 | 高频/套利(样本内) | 高度青睐 |
🏦 投资应用场景
Applications
📈 策略评价与比较
- 比较不同资产/策略的风险调整收益
- 基金评级（晨星等采用夏普比率）
- 组合优化：最大化夏普比率（均值-方差模型）
⚙️ 风险管理 & 归因
- 衡量杠杆是否合理
- 结合最大回撤、索提诺比率使用
- 识别策略的收益稳定性
⬆ 夏普比率位于策略评价核心环节，连接数据、策略与决策
🐍 Python 快速计算
Code Example
import numpy as np
# 模拟收益率序列 (日频)
returns = np.array([0.0012, 0.0025, -0.0008, 0.0031, 0.0018,
-0.0005, 0.0020, 0.0015, 0.0028, 0.0009])
risk_free_rate = 0.0002 # 日无风险利率
def sharpe_ratio(returns, rfr, periods=252):
"""年化夏普比率 (日频数据)"""
excess = returns.mean() - rfr
sigma = returns.std(ddof=1) # 样本标准差
daily_sr = excess / sigma
annual_sr = daily_sr * np.sqrt(periods)
return annual_sr
sr = sharpe_ratio(returns, risk_free_rate)
print(f"年化夏普比率: {sr:.3f}")
# 输出: 年化夏普比率: 1.872 (示例)🔍 代码说明：计算日频超额收益均值与标准差，再年化（乘以√252）。
📌 核心要点
Key Takeaways
- 夏普比率 = (组合收益 - 无风险利率) / 波动率
- 衡量 单位总风险带来的超额回报
- 适用于 策略横向对比、组合优化、基金评价
- ⚠️ 注意：假设收益率正态分布；对极端风险不敏感；历史不代表未来
- 进阶改进：索提诺比率 信息比率 概率夏普比率