收益评估基础：收益的定义与可视化

在量化风控模型中，收益评估是衡量模型经济价值的核心环节。只有准确理解收益的定义与计算方法，才能为后续的告警阈值联动提供可靠的量化依据。本节将系统讲解累计收益、年化收益、夏普比率三大核心指标，并展示收益曲线的可视化方法。

一、收益的三大核心定义

二、指标详解与计算逻辑

2.1 累计收益（Cumulative Return）

累计收益是最直观的收益度量方式，它记录了从策略启动到当前时刻的总收益。在风控模型中，累计收益曲线通常以净值曲线（Net Asset Value, NAV）的形式呈现，初始净值为 1.0，每日根据收益率进行复利计算。

• 优点：直观反映盈利总额，便于向业务方展示
• 缺点：无法直接比较不同时间长度的策略
• 风控应用：累计收益回撤超过阈值时触发告警

2.2 年化收益（Annualized Return）

年化收益将不同时间跨度的收益统一折算为年化收益率，通常假设一年有 252 个交易日。计算公式中的 T 代表实际交易天数。

2.3 夏普比率（Sharpe Ratio）

夏普比率由诺贝尔奖得主威廉·夏普提出，是衡量风险调整后收益的黄金标准。它表示每承担一单位风险（标准差），能获得多少超额收益。

• 分子：策略平均日收益率 - 无风险利率（通常取年化 3% 折算为日利率）
• 分母：策略日收益率的标准差
• 年化夏普：日夏普 × √252

三、收益曲线的可视化方法

收益曲线是模型表现最直观的视觉呈现。通过曲线形态，可以快速识别模型的稳定性、回撤幅度和收益趋势。以下是三种核心可视化方法：

1. 净值曲线（NAV Curve）：横轴为时间，纵轴为累计净值，展示收益的累积过程
2. 收益率分布直方图：展示日收益率的分布特征，判断是否服从正态分布
3. 回撤曲线（Drawdown Curve）：展示从历史高点的回撤幅度，用于识别风险集中期

四、收益曲线可视化 SVG 图

下图展示了一个典型的风控模型收益曲线组合视图，包含净值曲线（蓝色）和回撤曲线（红色），帮助理解收益与风险的联动关系：

五、收益计算代码实现

以下 Python 代码展示了如何计算累计收益、年化收益和夏普比率，并生成收益曲线数据：

import numpy as np
import pandas as pd

def calculate_returns(daily_returns, risk_free_rate=0.03, trading_days=252):
    """
    计算累计收益、年化收益和夏普比率

    参数:
        daily_returns: 日收益率序列 (numpy array 或 list)
        risk_free_rate: 年化无风险利率，默认 3%
        trading_days: 年化交易天数，默认 252

    返回:
        dict: 包含累计收益、年化收益、夏普比率
    """
    daily_returns = np.array(daily_returns)
    T = len(daily_returns)

    # 累计收益
    cumulative_return = np.prod(1 + daily_returns) - 1

    # 年化收益
    annualized_return = (1 + cumulative_return) ** (trading_days / T) - 1

    # 日夏普比率
    daily_rf = risk_free_rate / trading_days
    excess_returns = daily_returns - daily_rf
    daily_sharpe = np.mean(excess_returns) / np.std(excess_returns, ddof=1)

    # 年化夏普比率
    annualized_sharpe = daily_sharpe * np.sqrt(trading_days)

    return {
        'cumulative_return': cumulative_return,
        'annualized_return': annualized_return,
        'daily_sharpe': daily_sharpe,
        'annualized_sharpe': annualized_sharpe
    }

# 示例：生成模拟日收益率并计算
np.random.seed(42)
simulated_returns = np.random.normal(0.001, 0.02, 252)
result = calculate_returns(simulated_returns)

print(f"累计收益: {result['cumulative_return']:.2%}")
print(f"年化收益: {result['annualized_return']:.2%}")
print(f"年化夏普比率: {result['annualized_sharpe']:.2f}")

六、收益曲线与告警阈值的联动逻辑

在量化风控系统中，收益曲线不仅是展示工具，更是告警阈值设定的核心依据。以下表格展示了收益指标与告警阈值的典型联动关系：