交易策略的夏普比率多少算好？

一般来说：低于 0.5 为差，0.5–1.0 对被动或只做多策略来说可以接受，1.0–2.0 对主动策略来说属于良好，高于 2.0 则是优秀，同时也应促使你仔细审查回测方法。大多数只做多的股票基金在长期内的夏普比率在 0.4 到 0.8 之间。系统化量化对冲基金通常以 1.0–1.5 为目标。在多年回测中夏普超过 3.0，除非策略确实是市场中性且不相关的，否则几乎总是意味着过拟合或代码错误。

夏普比率和索提诺比率有什么区别？

夏普比率对上行波动和下行波动一视同仁地惩罚——某些月份的大幅正收益和大幅负收益一样会拉低你的夏普。索提诺比率（Sortino ratio）对此做了修改，只惩罚下行波动（低于某个目标的收益，通常是零或无风险利率）。对于收益分布呈正偏态的策略——即在稳定的小额盈利之外偶尔出现大额盈利——索提诺比率会给出更有利的结果。两者都有用；评估策略时务必同时报告两者。

如何从日收益计算年化夏普比率？

先计算每日超额收益（日收益减去每日无风险利率）。然后：年化夏普 = (每日超额收益均值 / 每日超额收益标准差) × sqrt(252)。sqrt(252) 是在假设每年 252 个交易日的前提下对比率进行年化。周数据乘以 sqrt(52)；月数据乘以 sqrt(12)。注意，这种年化方法假设收益是独立同分布的——这一假设在实践中并不完全成立，对于收益存在自相关的策略尤其如此。

一个策略夏普比率很高，却仍然是糟糕的投资吗？

会的，有好几种情况。第一，基于较短历史（< 3 年）得出的高夏普在统计上并不可靠——用 2 年数据算出的 1.5 夏普，其置信区间非常大。第二，如果策略呈负偏态（频繁的小额盈利，但偶尔出现灾难性亏损——这是做空波动率策略的特征），夏普看起来一直不错，直到那次罕见的大额亏损出现并抹去多年的收益。第三，夏普没有考虑流动性风险、杠杆，或与组合中其他持仓的相关性。务必用最大回撤、偏度、峰度和尾部风险指标来补充夏普。

夏普比率会因所用的无风险利率不同而变化吗？

会，而且这个选择很重要。美元策略惯用的无风险利率是 3 个月期美国国库券收益率。在利率接近零的时期（2009–2022 年），这几乎不影响结果。但当联邦基金利率高于 5% 时，从收益中减去无风险利率会显著降低夏普比率的分子。务必说明你使用了哪种无风险利率。对于跨越数十年的回测，应使用每个时期实际的历史无风险利率，而不是单一的常数。

首页/指南/夏普比率

什么是夏普比率？交易者指南

夏普比率是衡量风险调整后收益的指标：用年化组合收益减去无风险利率，再除以收益的年化标准差。一般来说，0.5–1.0 可以接受，1.0–2.0 属于良好；回测中高于 2.0 虽属优秀，但应仔细检查是否存在过拟合。

更新于 2026年10月12日

单看收益，你对一个交易策略得不出任何有用的结论。一个靠承担巨大风险在一年内赚到 30% 的策略，并不比一个以极小回撤赚到 12% 的策略更好。夏普比率（Sharpe ratio）是在风险调整基础上比较收益最常用的指标——理解它是评估任何回测的必要前提。

公式

夏普比率由 William Sharpe 于 1966 年提出，定义如下：

夏普比率 = (Rp − Rf) / σp

其中：

Rp = 年化组合收益
Rf = 年化无风险利率（通常为 3 个月期国库券收益率）
σp = 组合收益的年化标准差（波动率）

分子是超额收益——策略相比持有现金多赚了多少。分母衡量收益的波动程度。比率越高，意味着每承担一单位风险获得的超额收益越多。

如何解读

夏普比率是一个无量纲的数字。它的意义来自比较，而不仅仅是绝对值本身。几个参考点：

低于 0：策略收益低于无风险利率。你还不如持有现金。
0 到 0.5：风险调整后表现较差。大多数简单的股票买入持有策略在长期内都落在这个区间（因为股票波动率较高）。
0.5 到 1.0：可以接受。许多分散化的被动组合处于这个区间。
1.0 到 2.0：良好。这是成功的量化策略和优秀的主动管理人追求的目标。
高于 2.0：优秀——或可疑。真正的高夏普策略确实存在（做市、统计套利），但它们通常在容量和流动性上受到严格限制。在散户的回测中，夏普高于 2.5 几乎总是意味着过拟合或前视偏差（look-ahead bias）错误。

从日收益年化夏普比率

大多数回测引擎都从日收益计算夏普。年化方法如下：

夏普（年化） = mean(每日超额收益) / std(每日超额收益) × √252

√252 这个因子在假设每年 252 个交易日的前提下，把日度统计量转换为年度统计量。周收益用 √52，月收益用 √12。这种年化假设收益相互独立——这是一个近似假设，但对大多数日频策略来说通常是合理的。

夏普比率与索提诺比率

夏普的一个局限是它对所有波动一视同仁地惩罚——无论上行还是下行。对于偶尔出现大幅正向极端值的策略（例如趋势跟踪），夏普会低估其表现质量，因为这些大额盈利会抬高分母。

索提诺比率通过用下行偏差——仅负收益的标准差——替代 σp 来解决这个问题。这使它更适合具有正偏态的策略。报告回测结果时，同时给出夏普和索提诺，才能呈现完整的图景。

夏普比率何时会误导你

夏普是一个有用的基准，但它有几个盲点：

做空波动率策略——卖出期权或结构化产品——可以通过收取权利金在多年内保持很高的夏普比率，然后在尾部事件中（如 2020 年 3 月）遭受灾难性亏损。夏普捕捉不到左尾风险。
流动性差的持仓——如果持仓按模型估值而非按市场价格估值，波动率会显得人为偏低，从而虚增夏普。
自相关的收益——通过收益平滑手段平滑收益的策略，其报告的波动率可能很低，却无法反映真实的经济风险。
多重检验偏差——如果你运行 50 个策略变体并报告其中最高的夏普，你选出的是运气而不是能力。

基于这些原因，评估策略时务必将夏普比率与最大回撤、偏度、峰度以及 Calmar 比率（年收益 / 最大回撤）一起使用。

实践中的夏普比率

运行回测时，你应该始终比较同一策略多个变体的夏普比率，以了解参数选择如何影响风险调整后的表现。原始收益更高但夏普低于另一方案的策略，往往是更差的选择——额外的收益是以不成比例的波动率为代价换来的。

像 QuantPrompt 这样的工具会在每次回测中同时报告夏普比率、最大回撤、索提诺比率和 Calmar 比率。这让你可以轻松地并排比较策略变体，找出哪些参数组合能获得最佳的风险调整特征，而不仅仅是最高的原始收益。