第九章：期权组合优化目标——夏普比率、索提诺比率、最大回撤约束

做期权组合优化，说白了就是回答一个问题：什么样的组合才算「好」？

我早年刚接触量化时，觉得收益高就是好。后来被市场狠狠教育了几次，才明白——收益必须和风险放在一起看。今天我们就来聊聊三个最核心的优化目标：夏普比率、索提诺比率，以及最大回撤约束。

9.1 夏普比率：最经典的「收益/风险」标尺

夏普比率是业界最通用的指标。它的公式很简单：

Sharpe Ratio = (Rp - Rf) / σp

其中 Rp 是组合预期收益，Rf 是无风险利率，σp 是组合收益的波动率。

核心思想：每承担一单位总风险，能换来多少超额收益。

我在项目中遇到过一件事：有个同事拿了一个夏普比率高达 2.5 的策略给我看，我一看回测曲线——确实漂亮。但仔细检查发现，他用了日频数据，而且没有考虑交易成本。换成周频数据后，夏普直接掉到 0.8。嗯，这里要注意：数据频率和计算方式对夏普比率影响极大。

9.2 索提诺比率：只惩罚「坏」波动

夏普比率有个天然缺陷：它把上行波动和下行波动一视同仁。但作为期权交易者，你想想看——上涨的波动我们巴不得多来点，真正怕的是下跌。

索提诺比率就是来解决这个问题的：

Sortino Ratio = (Rp - Rf) / σd

σd 是下行标准差，只计算收益率低于目标值（通常设为 0 或无风险利率）的部分。

我个人习惯在期权组合优化中优先使用索提诺比率。为什么？因为期权策略天然具有非对称收益特征。比如卖出宽跨式，夏普可能很好看，但一旦遇到黑天鹅，下行风险极大。索提诺比率能更真实地反映这种风险。

9.3 最大回撤约束：守住底线

夏普和索提诺都是「比率型」指标，它们能告诉你每单位风险换多少收益，但它们不会告诉你组合可能亏多少钱。

最大回撤（Max Drawdown）就是用来补这个短板的。它衡量的是：从历史高点跌到最低点，最大亏损幅度是多少。

在期权组合优化中，我通常这样设置约束：

约束条件：
  - 最大回撤 ≤ 15%
  - 回撤恢复期 ≤ 60 个交易日
  - 单日最大亏损 ≤ 5%

为什么要有恢复期约束？因为期权组合如果回撤太大，gamma 和 vega 暴露会急剧变化，恢复起来比股票组合难得多。我曾经见过一个组合回撤 20%，虽然最终涨回来了，但中间因为保证金不足被迫平仓——这就是回撤约束没设好的代价。

目标函数 = 索提诺比率 - λ × (当前回撤 / 最大允许回撤)

9.4 三者如何协同优化？

在实际项目中，我不会只用单一指标。我的做法是：

1. 第一层筛选：用夏普比率过滤掉明显不行的组合（比如夏普 < 0.5）
2. 第二层优化：以索提诺比率为目标函数，最大化每单位下行风险的收益
3. 第三层约束：加入最大回撤和恢复期约束，确保组合不会「暴毙」

下面这张图展示了三者的关系：

9.5 代码实现示例

下面是一个简单的 Python 实现，展示如何在优化中同时考虑这三个目标：

import numpy as np
from scipy.optimize import minimize

def sharpe_ratio(returns, rf=0.03):
    excess = returns.mean() * 252 - rf
    vol = returns.std() * np.sqrt(252)
    return excess / vol if vol > 0 else 0

def sortino_ratio(returns, rf=0.03, target=0):
    excess = returns.mean() * 252 - rf
    downside = returns[returns < target].std() * np.sqrt(252)
    return excess / downside if downside > 0 else 0

def max_drawdown(equity_curve):
    peak = np.maximum.accumulate(equity_curve)
    drawdown = (equity_curve - peak) / peak
    return drawdown.min()

def objective(weights, returns):
    # 组合收益
    port_returns = returns @ weights
    # 索提诺比率（最大化）
    sr = sortino_ratio(port_returns)
    # 回撤惩罚
    equity = (1 + port_returns).cumprod()
    dd = max_drawdown(equity)
    penalty = 0 if dd > -0.15 else 1000  # 回撤超过15%则重罚
    return -sr + penalty

# 假设 returns 是历史收益率矩阵（n_days × n_assets）
# weights 是资产权重向量
result = minimize(objective, 
                  x0=np.ones(5)/5,
                  args=(returns,),
                  constraints=[{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}],
                  bounds=[(0, 0.3)]*5)

9.6 实际应用中的取舍

最后说点实在的。这三个目标不可能同时达到最优——这是优化问题的本质。

我做过一个实盘案例：一个跨式期权组合，夏普比率 1.2，索提诺 0.9，最大回撤 12%。我试图把索提诺优化到 1.2 以上，结果回撤飙到了 18%。后来我妥协了，把索提诺目标设在 1.0，回撤控制在 14% 以内——这个方案最终实盘表现反而最好。

所以我的建议是：先定回撤底线，再优化索提诺，最后用夏普做验证。这个顺序我用了很多年，没出过大问题。

公众号:蓝海资料掘金营，微信deep3321