4. 收益度量基础：年化收益率、夏普比率、信息比率、最大回撤率的计算与解读

在额度收益风险平衡策略中，收益度量是评估策略表现的核心环节。仅关注绝对收益往往掩盖了风险暴露，因此需要一套标准化的指标来统一衡量收益的“质量”。本章将深入解析四个最关键的收益与风险调整指标：年化收益率、夏普比率、信息比率和最大回撤率，并给出具体的计算逻辑与业务解读。

4.1 年化收益率（Annualized Return）

年化收益率是将不同持有期的收益率统一换算为一年期的收益率，便于不同策略、不同时间维度的横向比较。它是所有后续风险调整指标的基础。

4.1.1 计算公式

对于日频或月频收益率序列，年化收益率通常采用几何复利方式计算：

年化收益率 = (1 + 平均周期收益率)^(年周期数) - 1

其中：

• 平均周期收益率：通常使用几何平均，而非算术平均，以反映复利效应。
• 年周期数：日频取 252（交易日），周频取 52，月频取 12。

4.1.2 计算示例

4.2 夏普比率（Sharpe Ratio）

夏普比率衡量的是每承担一单位总风险所获得的超额收益。它是现代投资组合理论中最经典的风险调整收益指标。

4.2.1 计算公式

夏普比率 = (策略年化收益率 - 无风险利率) / 策略年化波动率

其中：

• 无风险利率：通常取一年期国债收益率或 SHIBOR 3M 利率。
• 年化波动率：日收益率标准差 × √252。

4.2.2 解读标准

4.3 信息比率（Information Ratio）

信息比率衡量的是每承担一单位主动风险所获得的主动收益。与夏普比率不同，它关注的是相对于某个基准的超额表现。

4.3.1 计算公式

信息比率 = (策略年化收益率 - 基准年化收益率) / 跟踪误差年化值

其中：

• 基准年化收益率：可以是市场指数、行业平均或内部对标策略。
• 跟踪误差年化值：策略与基准每日收益率之差的标准差 × √252。

4.3.2 与夏普比率的对比

4.4 最大回撤率（Maximum Drawdown, MDD）

最大回撤率衡量的是策略在历史观察期内，从峰值到谷值的最大亏损幅度。它是衡量策略尾部风险和投资者心理承受能力的关键指标。

4.4.1 计算公式

最大回撤率 = max( (峰值 - 谷值) / 峰值 )

其中：

• 峰值：历史净值曲线的局部最高点。
• 谷值：该峰值之后出现的最低点。

4.4.2 回撤恢复期

除了回撤幅度，回撤恢复期（Drawdown Duration）同样重要。它指从谷值恢复到前一个峰值所需的时间。恢复期越长，策略的流动性风险和机会成本越高。

4.5 指标综合解读框架

单一指标存在局限性，实际应用中应将四个指标结合使用。以下 SVG 图展示了四维指标的综合评估逻辑：

4.6 计算代码示例（Python）

以下代码展示了如何基于日收益率序列计算上述四个指标：

import numpy as np
import pandas as pd

def compute_performance_metrics(daily_returns, risk_free_rate=0.02, benchmark_returns=None):
    """
    计算年化收益率、夏普比率、信息比率、最大回撤率
    
    Parameters:
    daily_returns: pd.Series, 策略日收益率序列
    risk_free_rate: float, 年化无风险利率
    benchmark_returns: pd.Series, 基准日收益率序列（可选）
    
    Returns:
    dict: 包含四个指标的字典
    """
    # 1. 年化收益率（几何）
    total_return = (1 + daily_returns).prod()
    n_days = len(daily_returns)
    annual_return = total_return ** (252 / n_days) - 1
    
    # 2. 年化波动率
    annual_vol = daily_returns.std() * np.sqrt(252)
    
    # 3. 夏普比率
    excess_return = annual_return - risk_free_rate
    sharpe_ratio = excess_return / annual_vol if annual_vol != 0 else 0
    
    # 4. 信息比率（如果提供了基准）
    information_ratio = None
    if benchmark_returns is not None:
        active_return = daily_returns - benchmark_returns
        tracking_error = active_return.std() * np.sqrt(252)
        annual_active_return = (1 + active_return).prod() ** (252 / n_days) - 1
        information_ratio = annual_active_return / tracking_error if tracking_error != 0 else 0
    
    # 5. 最大回撤率
    cumulative = (1 + daily_returns).cumprod()
    running_max = cumulative.cummax()
    drawdown = (cumulative - running_max) / running_max
    max_drawdown = drawdown.min()
    
    return {
        'annual_return': annual_return,
        'annual_volatility': annual_vol,
        'sharpe_ratio': sharpe_ratio,
        'information_ratio': information_ratio,
        'max_drawdown': max_drawdown
    }

# 使用示例
# metrics = compute_performance_metrics(strategy_returns, benchmark_returns=bench_returns)
# print(f"年化收益率: {metrics['annual_return']:.2%}")
# print(f"夏普比率: {metrics['sharpe_ratio']:.2f}")
# print(f"最大回撤: {metrics['max_drawdown']:.2%}")

4.7 额度策略中的指标联动分析

在额度收益风险平衡策略中，四个指标并非孤立存在，而是形成联动关系：

• 高年化收益率 + 低夏普比率：说明收益主要来自承担高风险，而非策略能力。此时应警惕额度过度集中。
• 高夏普比率 + 高最大回撤：可能策略在大部分时间表现平稳，但偶发极端事件导致巨亏。需要压力测试和情景分析。
• 高信息比率 + 低跟踪误差：表明策略在严格控制偏离度的前提下持续跑赢基准，是额度策略的理想状态。
• 低最大回撤 + 短恢复期：策略韧性好，适合作为额度分配的核心底层策略。