第十九章：回测框架：评估指标（准确率、召回率、夏普比率）

回测做完了，策略跑了一堆曲线，然后呢？

说实话，我见过不少交易员，回测曲线画得漂漂亮亮，一问具体指标就支支吾吾。嗯，这其实挺危险的。回测不是看个净值曲线就完事了，你得用科学的指标去衡量它——到底这个策略是真的能赚钱，还是纯粹运气好？

这一章，我们就来聊聊回测框架里最核心的三个评估指标：准确率、召回率、夏普比率。我个人习惯把它们分成两类来看——一类看“能不能抓到机会”，另一类看“赚得值不值得”。

19.1 准确率与召回率：你的策略到底准不准？

先说说准确率和召回率。这两个指标最早是从分类模型里来的，但在波动率曲面异常点检测这个场景下，它们非常实用。

准确率（Precision），说白了就是：你预测的异常点里，有多少是真的异常？

公式很简单：

Precision = TP / (TP + FP)

其中 TP 是真正例（你预测异常，实际也异常），FP 是假正例（你预测异常，实际正常）。

召回率（Recall），则是：所有真正的异常点里，你抓到了多少？

Recall = TP / (TP + FN)

FN 是假负例（你漏掉的异常点）。

我在项目中遇到过一件事。有一次我开发了一个波动率曲面异常检测模型，准确率高达 95%，我挺高兴的。结果一查召回率，只有 30%。什么意思？就是它虽然报的异常点基本都对，但漏掉了七成真正的异常。这在交易里是很要命的——你错过了太多该规避的风险。

19.2 F1 分数：一个折中的好办法

那有没有一个指标能综合这两者？有，F1 分数。

F1 = 2 * (Precision * Recall) / (Precision + Recall)

F1 是准确率和召回率的调和平均数。它不会让你偏科。如果你只追求准确率而忽略召回率，F1 会很低；反过来也一样。

我个人习惯在回测报告里同时展示这三个指标。准确率告诉你“别乱报”，召回率告诉你“别漏报”，F1 告诉你“整体水平”。

19.3 夏普比率：赚得多不如赚得稳

好，现在我们知道策略能不能抓到异常点了。但抓到之后呢？赚了多少？风险多大？

这就轮到夏普比率登场了。

夏普比率（Sharpe Ratio）衡量的是：每承担一单位风险，你能获得多少超额收益。

Sharpe Ratio = (Rp - Rf) / σp

其中：

• Rp：策略年化收益率
• Rf：无风险利率（通常用国债收益率）
• σp：策略年化波动率（风险）

你想想看，如果一个策略年化收益 30%，但波动率高达 40%，夏普比率只有 0.75。另一个策略年化收益 15%，波动率只有 10%，夏普比率是 1.5。哪个更好？我个人更倾向于后者。为什么？因为波动率低，意味着回撤小，持有体验好，你更容易坚持执行下去。

19.4 一个完整的回测评估示例

光说不练假把式。我们写一段 Python 代码，把这三个指标算出来。

import numpy as np
import pandas as pd

def calculate_precision_recall(y_true, y_pred):
    """
    计算准确率和召回率
    y_true: 真实标签（1=异常，0=正常）
    y_pred: 预测标签
    """
    tp = np.sum((y_true == 1) & (y_pred == 1))
    fp = np.sum((y_true == 0) & (y_pred == 1))
    fn = np.sum((y_true == 1) & (y_pred == 0))
    
    precision = tp / (tp + fp) if (tp + fp) > 0 else 0
    recall = tp / (tp + fn) if (tp + fn) > 0 else 0
    f1 = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0
    
    return precision, recall, f1

def calculate_sharpe_ratio(returns, risk_free_rate=0.02):
    """
    计算夏普比率
    returns: 策略日收益率序列
    risk_free_rate: 年化无风险利率
    """
    excess_returns = returns - risk_free_rate / 252  # 转换为日度
    sharpe = np.sqrt(252) * excess_returns.mean() / returns.std()
    return sharpe

# 模拟数据
np.random.seed(42)
y_true = np.random.choice([0, 1], size=1000, p=[0.95, 0.05])
y_pred = np.random.choice([0, 1], size=1000, p=[0.9, 0.1])

precision, recall, f1 = calculate_precision_recall(y_true, y_pred)
print(f"准确率: {precision:.3f}")
print(f"召回率: {recall:.3f}")
print(f"F1 分数: {f1:.3f}")

# 模拟收益率
daily_returns = np.random.normal(0.001, 0.02, 1000)
sharpe = calculate_sharpe_ratio(daily_returns)
print(f"夏普比率: {sharpe:.3f}")

这段代码很简单，但很实用。你把它集成到你的回测框架里，每次跑完策略，自动输出这几个指标，一目了然。

19.5 知识体系图

为了让你更直观地理解这几个指标之间的关系，我画了一张图：

19.6 避坑指南

最后，分享几个我踩过的坑：

• 不要只看夏普比率。 夏普比率高不代表策略一定好。如果策略用了高杠杆，夏普比率可能被扭曲。我一般会同时看最大回撤和卡玛比率（Calmar Ratio）。
• 准确率和召回率的阈值怎么定？ 这取决于你的风险偏好。如果你更怕漏掉异常点（比如风控场景），那就优先保证召回率。如果你更怕误报（比如交易成本高），那就优先保证准确率。
• 样本外测试很重要。 我曾经在样本内跑出过夏普比率 2.5 的策略，一到样本外直接变成 0.3。嗯，过拟合了。所以一定要做样本外测试，或者用交叉验证。

好了，这一章的内容就到这里。准确率、召回率、夏普比率，这三个指标是你回测框架的基石。把它们用好了，你就能更客观地评价自己的策略，而不是凭感觉说“这个策略不错”。

---

公众号:蓝海资料掘金营，微信deep3321