3. 收益率口径详解：绝对收益率、对数收益率、超额收益率、累计收益率

在量化回测中，收益率的口径选择直接影响标签的分布形态、统计推断的有效性以及模型训练的目标设定。不同口径的收益率适用于不同的分析场景，混淆使用会导致回测结果失真。本节将系统梳理四种核心收益率口径的定义、计算公式、适用场景及相互转换关系。

3.1 四种收益率口径对比

3.2 绝对收益率与对数收益率：核心差异与转换

绝对收益率（简单收益率）和对数收益率是量化分析中最基础的两种口径，二者之间存在明确的数学转换关系，但在统计特性和应用场景上有本质区别。

3.2.1 数学转换关系

# 绝对收益率 → 对数收益率
R_log = np.log(1 + R_abs)

# 对数收益率 → 绝对收益率
R_abs = np.exp(R_log) - 1

# 多期转换（假设收益率较小）
R_abs ≈ R_log + 0.5 * R_log^2  # 二阶泰勒展开近似

3.2.2 统计特性对比

3.3 超额收益率：剥离无风险收益

超额收益率是资产收益率与无风险利率之间的差值，用于衡量投资组合或策略相对于无风险资产的主动收益。在回测标签构建中，超额收益率是评估策略α能力的关键口径。

3.3.1 计算方式

# 日频超额收益率
R_excess_daily = R_asset_daily - R_f_daily

# 年化超额收益率（CAPM框架）
R_excess_annual = (R_asset_annual - R_f_annual)

# 使用对数收益率的超额计算（推荐）
R_excess_log = R_log_asset - R_log_f

3.3.2 无风险利率选择标准

3.4 累计收益率：真实财富变化曲线

累计收益率反映从初始时刻到当前时刻的总收益，是回测绩效评估的最终输出口径。与单期收益率不同，累计收益率通过复利计算，真实反映资金的时间价值。

3.4.1 累计收益率计算

import numpy as np

# 方法1：从绝对收益率序列计算
def cumulative_return(returns_abs):
    """returns_abs: 绝对收益率序列（小数形式）"""
    cum_ret = np.cumprod(1 + np.array(returns_abs)) - 1
    return cum_ret

# 方法2：从对数收益率序列计算
def cumulative_return_from_log(log_returns):
    """log_returns: 对数收益率序列"""
    cum_ret = np.exp(np.cumsum(log_returns)) - 1
    return cum_ret

# 示例
daily_returns = [0.01, -0.005, 0.02, 0.015, -0.01]
cum_ret = cumulative_return(daily_returns)
print(f"累计收益率: {cum_ret[-1]:.4f}")  # 输出: 0.0301

3.4.2 累计收益率 vs 平均收益率

3.5 回测标签口径选择策略

在回测标签构建中，收益率口径的选择需要根据模型类型、预测目标和数据频率综合决策。以下给出不同场景下的推荐口径：

3.6 常见口径错误与修正

1. 混淆绝对收益率与对数收益率的可加性：将多期绝对收益率直接相加计算累计收益，导致结果偏差。修正：使用 np.cumprod(1 + R_abs) - 1 或 np.exp(np.cumsum(R_log)) - 1。
2. 超额收益率中无风险利率频率不匹配：使用年化无风险利率直接减去日频资产收益率。修正：将无风险利率按交易日换算为日频：R_f_daily = (1 + R_f_annual)^(1/252) - 1。
3. 累计收益率回填时忽略分红和拆股：使用复权价格计算收益率时，需确认是前复权还是后复权，不同复权方式影响累计收益率的绝对值。
4. 对数收益率在组合层面错误加权：组合的对数收益率不等于成分对数收益率的加权平均。修正：先计算组合的绝对收益率，再转换为对数收益率。

# 错误示例：组合对数收益率直接加权
# 错误：portfolio_log_return = w1 * log_r1 + w2 * log_r2
# 正确做法：
portfolio_abs_return = w1 * (np.exp(log_r1) - 1) + w2 * (np.exp(log_r2) - 1)
portfolio_log_return = np.log(1 + portfolio_abs_return)