Python量化交易：如何计算夏普比率？衡量风险调整后收益

那天一个客户问我：年化20%收益算高吗？

上周有个程序员来开户，上来就跟我炫耀他的策略回测年化20%。我笑了笑没说话，给他看了另一个策略——年化15%，但最大回撤只有他的一半。他当场就愣住了："这...这到底哪个更好？"

这就是我今天要聊的夏普比率（Sharpe Ratio）的意义。光看收益率就像买车只看最高时速——保时捷能跑300km/h，但你要是天天在市区开，还不如买个油耗低的丰田实在。

夏普比率到底是什么？

简单说，就是每承担一单位风险，能换来多少超额收益。公式长这样：

夏普比率 = (投资组合收益率 - 无风险利率) / 投资组合波动率

我常跟客户说，这就像外卖小哥的"每公里收入"：A小哥一天跑100公里赚500块，B小哥跑50公里赚400块。单看总收入A更高，但算算每公里收入，B小哥其实更划算。

手把手用Python计算

假设我们已经有了每日收益率数据returns（别急，后面会教你怎么获取）：

import numpy as np

# 假设无风险利率年化3%
risk_free_rate = 0.03 / 252  # 换算到日利率

def calculate_sharpe(returns):
    excess_returns = returns - risk_free_rate
    sharpe_ratio = np.sqrt(252) * excess_returns.mean() / excess_returns.std()
    return sharpe_ratio

上周有个做IT的小伙子问我："为什么要乘以根号252？" 这里有个行业常识：我们把日波动率年化处理。252是一年大概的交易天数，就像你们程序员算并发量要区分QPS和TPS一样。

真实案例：两个策略的对比

去年有个客户同时跑了两个策略：

• 策略A：年化收益35%，波动率25%
• 策略B：年化收益28%，波动率12%

用夏普比率一算：

• A策略：(35%-3%)/25% = 1.28
• B策略：(28%-3%)/12% = 2.08

结果很明显——B策略每承担1%风险，能换来2.08%超额收益，完胜A策略。这个客户后来把主要仓位都调到了B策略，今年熊市里少亏了不少钱。

获取收益率数据的三种姿势

很多新手卡在第一步——数据从哪来？我常用的方法：

1. 券商API（悄悄说，我们券商提供的Python接口比别家快30ms）：

from brokerage_api import get_history_data
data = get_history_data('600519.SH', start='2020-01-01')

2. 第三方库（适合小白）：

import akshare as ak
df = ak.stock_zh_a_daily(symbol="sh600519")

3. 本地缓存（适合高频交易）：

import pandas as pd
returns = pd.read_parquet('local_data.parquet')['close'].pct_change()

那些年我踩过的坑

刚开始做量化时，我犯过一个低级错误——用收盘价直接算收益率。结果夏普比率高得离谱，实盘一跑就现原形。后来才明白要用复权价格，就像比较两个基金收益要看累计净值一样。

还有个客户更逗，他用了5分钟线数据计算年化夏普，但忘记调整时间尺度。相当于用"每分钟能跑多少米"直接推算"每年能跑多远"，结果策略实盘后风险完全失控。

进阶技巧：滚动夏普比率

成熟的量化玩家不会只看静态指标。这是我的私房代码：

def rolling_sharpe(returns, window=63):
    rolling_mean = returns.rolling(window).mean()
    rolling_std = returns.rolling(window).std()
    return np.sqrt(window) * (rolling_mean - risk_free_rate) / rolling_std

这就像开车不仅要看当前车速，还要看过去一段时间的速度波动。去年有个客户用这个方法发现策略夏普持续下降，及时止损躲过了后来的暴跌。

开户后能做什么？

在我们这开户的量化用户，有三件事做得特别6：

1. 直接对接交易所数据源，比免费API快0.5秒
2. 使用我们的回测引擎，比自建系统省70%时间
3. 享受专属保证金利率，年化能省2-3个点成本

上周还有个客户用我们的算法交易接口，把冲击成本降低了0.3%，相当于每年多赚一辆Model 3。

夏普不是万能的

最后说句掏心窝的话：夏普比率就像汽车油表，重要但不是全部。我见过夏普3.0的策略实盘亏钱，也见过夏普1.5的策略稳定盈利。关键是要结合最大回撤、胜率、盈亏比一起看。

就像去年有个客户，他的网格策略夏普只有1.2，但加上打新收益和融资套利，整体夏普能做到2.8。这提醒我们：好的量化交易应该是组合拳。

（对了，最近我们券商针对Python量化用户推出了零门槛程序化交易权限，开户时记得找我拿特别通道）