20. 绩效评估体系：年化收益率、夏普比率、卡玛比率、最大回撤
做量化交易，尤其是基差套利，最怕什么？
怕策略回测曲线漂亮得像假图，实盘一跑就崩。我见过太多人，回测年化50%，实盘三个月亏掉30%。为什么？因为绩效评估体系没搭好。
今天咱们就聊聊四个核心指标：年化收益率、夏普比率、卡玛比率、最大回撤。这四个指标，说白了就是给策略做「体检」——有没有病、病多重、能不能治。
20.1 年化收益率：别被数字骗了
年化收益率，大家都会算。但我要提醒你一点：基差套利的年化收益率，跟股票趋势策略完全不是一回事。
股票策略的年化，往往靠的是「择时」——猜对方向就赚。基差套利呢？赚的是「价差回归」的钱。我习惯把年化收益率拆成两部分看：
- 基础收益：来自价差均值回归的稳定部分
- 超额收益：来自极端行情下的波动捕捉
举个例子。我做过一个螺纹钢期现套利策略，年化收益率18%。但仔细一拆，基础收益只有12%，剩下6%来自一次「交割月逼仓」行情。这种超额收益，明年还能不能复制？不好说。
核心公式：
年化收益率 = (1 + 总收益率) ^ (252 / 交易天数) - 1注意：基差套利通常用252个交易日，而不是365天。因为周末和节假日没有交易，算进去会稀释真实收益。
我的习惯：回测时至少看3年年化。1年以内的年化，我基本不信。为什么？因为基差套利可能一整年都在震荡，突然某个月爆发一次，年化就虚高了。
20.2 最大回撤：你的心理底线在哪
最大回撤，就是策略从最高点跌到最低点的幅度。听起来简单，但很多人理解错了。
我曾经犯过一个错：回测时最大回撤只有5%，觉得稳了。结果实盘遇到一次「黑天鹅」——某品种突然升水，价差拉大到历史极值，回撤直接干到12%。
为什么会这样？因为回测数据里没有包含这种极端情况。所以我现在看最大回撤，会额外关注两点：
- 回撤持续时间：跌了多久才涨回来？超过3个月的回撤，心理压力极大。
- 回撤发生频率：一年发生几次？如果每年都来一次10%的回撤，那这个策略的「稳定性」就有问题。
避坑指南：我曾经用「滚动窗口法」计算最大回撤，发现不同窗口期结果差异很大。建议用「全局最大回撤」+「最近12个月最大回撤」两个指标一起看。全局的告诉你历史最差情况，近期的告诉你当前风险水平。
20.3 夏普比率：收益与风险的平衡
夏普比率 = (策略收益率 - 无风险利率) / 策略波动率
说白了，就是每承担一单位风险，能换来多少超额收益。夏普比率大于1，算及格；大于2，算优秀；大于3，你要怀疑是不是数据出错了。
但基差套利的夏普比率，有个坑：波动率被低估。
你想想看，基差套利大部分时间都在窄幅震荡，波动率很低。但一旦遇到极端行情，波动率会瞬间放大。如果用全样本计算波动率，会把这种「尖峰肥尾」特征平滑掉，导致夏普比率虚高。
我个人的做法是：
- 用「半衰期加权波动率」替代简单波动率——给近期数据更高权重
- 同时计算「滚动夏普比率」——看夏普比率随时间的变化趋势
代码示例：滚动夏普比率计算
import numpy as np
import pandas as pd
def rolling_sharpe(returns, window=252, risk_free=0.03):
"""
计算滚动夏普比率
returns: 日收益率序列
window: 滚动窗口（默认252个交易日）
risk_free: 无风险利率（年化）
"""
# 计算滚动均值和标准差
rolling_mean = returns.rolling(window).mean() * 252
rolling_std = returns.rolling(window).std() * np.sqrt(252)
# 计算夏普比率
sharpe = (rolling_mean - risk_free) / rolling_std
return sharpe
# 使用示例
daily_returns = pd.Series([...]) # 你的日收益率数据
sharpe_series = rolling_sharpe(daily_returns)
print(f"最新夏普比率: {sharpe_series.iloc[-1]:.2f}")
print(f"夏普比率波动范围: {sharpe_series.min():.2f} ~ {sharpe_series.max():.2f}")20.4 卡玛比率：更「务实」的指标
卡玛比率 = 年化收益率 / 最大回撤
这个指标，我个人非常喜欢。为什么？因为它直接告诉你：每承受1%的回撤，能换来多少收益。
举个例子：
| 策略 | 年化收益率 | 最大回撤 | 夏普比率 | 卡玛比率 |
|---|---|---|---|---|
| 策略A | 15% | 5% | 1.5 | 3.0 |
| 策略B | 20% | 15% | 1.8 | 1.33 |
策略B的夏普比率更高，但卡玛比率更低。你选哪个？
我选策略A。因为基差套利追求的是「稳健」，不是「刺激」。策略B虽然收益高，但15%的回撤，万一遇到连续亏损，心态很容易崩。而策略A的回撤只有5%，扛得住。
我的经验值：基差套利策略，卡玛比率大于2算合格，大于3算优秀。如果卡玛比率小于1，建议重新审视策略逻辑——可能风险控制没做好。
20.5 四个指标的综合运用
单独看任何一个指标，都有局限性。我习惯用「四维评分法」：
- 年化收益率：看绝对值，但更要看稳定性（逐年对比）
- 最大回撤：看绝对值，同时看回撤恢复时间
- 夏普比率：看相对值，但要用滚动方式计算
- 卡玛比率：看「收益/回撤」性价比
四个指标综合打分，才能判断一个策略到底行不行。
核心逻辑图：绩效评估体系
20.6 实战中的注意事项
最后，分享几个实战中容易踩的坑：
- 不要只看年化：年化20%但最大回撤30%，这种策略你敢用吗？
- 夏普比率不是越高越好：我见过有人用「过拟合」把夏普做到5以上，实盘直接崩。夏普比率超过3，就要怀疑是不是数据窥探了。
- 卡玛比率要结合资金规模看：小资金做基差套利，卡玛比率容易做高。资金大了，冲击成本一上来，卡玛比率会明显下降。
- 回撤恢复时间比回撤幅度更重要：回撤10%但一个月就涨回来，和回撤8%但半年回不来，后者更可怕。
重要提醒：绩效评估不是「一次性」工作。我每周都会重新计算这四个指标，跟历史数据对比。如果发现某个指标突然恶化，比如夏普比率从2.0掉到1.2，我会立刻暂停策略，排查原因。别等到亏钱了再后悔。
嗯，这四个指标讲完了。记住一句话：没有完美的指标，只有合理的组合。年化收益率告诉你赚了多少，最大回撤告诉你亏了多少，夏普比率告诉你效率如何，卡玛比率告诉你性价比。四个指标一起看，才能看清策略的全貌。