上一篇《风险也不是一个数字》的结尾留了一句：收益和风险都拆成了一组指标，但一项投资还是没法只看其中一边，下一篇写夏普比率，以及"风险调整后收益"到底调整了什么。这篇来还这笔账。
夏普比率是我在量化行业做 ML Infra 这几年绕不开的一个词。晨会、月报、策略评审里都会出现，但我对它的把握一直是一句不知道从哪听来的话：收益除以风险。准备基金从业资格考试这段时间，我第一次把公式逐项拆开，才发现这句话省掉了两个关键选择——分子为什么要先减去无风险收益率，分母为什么是波动率。这两个选择决定了它能回答什么问题，也决定了它在什么地方会误导人。
收益更高，所以更好吗#
先看两个简化到只剩数字的策略。为了把注意力放在比较上，先假设这段时间的无风险收益率近似为 0，收益和超额收益暂时是同一个数：
- 策略 A：年化收益 10%，年化波动率 5%；
- 策略 B：年化收益 15%，年化波动率 15%。
B 多赚了 5 个百分点，代价是波动率变成 A 的三倍。多出来的这部分收益，是策略本身更有效率，还是仅仅因为承担了更多风险？只看收益率，这个问题没有答案。
做系统监控时我遇到过一个结构一样的困惑。一个服务每秒处理 2000 个请求，但吃掉 8 个核；另一个每秒处理 1000 个请求，只吃 2 个核。只看吞吐量，第一个赢；如果关心的是每个核能产出多少请求，结论会反过来。投资也需要一个类似的"单位代价换多少产出"的度量，把收益和获取收益过程中的颠簸放进同一个比值。
类比到这里就停下。系统的资源消耗可测、可加，金融里的"风险"没有这么干净的定义。这个差别会影响后面每一节。
夏普比率的公式在做什么#
夏普比率的标准定义是
$$ S = \frac{\mathbb{E}[R_p - R_f]}{\sigma(R_p - R_f)} $$\( R_p \) 是策略或投资组合的收益率；\( R_f \) 是无风险收益率，必须和 \( R_p \) 处在同一个统计周期、同一种货币下；\( R_p - R_f \) 是超额收益；\( \mathbb{E}[\cdot] \) 是期望，回答"平均而言能拿到多少超额收益"；\( \sigma(\cdot) \) 是标准差，衡量超额收益的波动。比值 \( S \) 就是每承担一单位波动，平均对应的超额收益。
更常见的写法是简化版：
$$ S = \frac{R_p - R_f}{\sigma_p} $$它把期望换成了历史样本均值，又用收益本身的标准差 \( \sigma_p \) 代替超额收益的标准差。第二步成立的条件是无风险收益率在样本窗口里近似不变——常数减来减去不影响标准差。如果 \( R_f \) 本身也在变，两个标准差就不严格相等，这一点在日频数据里偶尔会冒出来。
这个公式里藏着两个选择，它们在写法上几乎看不见：
- 分子用的是超额收益，不是全部收益；
- 分母把波动率当成了风险的代理。
下面两节分别说这两个选择。它们决定了夏普比率是什么，也决定了它不是什么。
分子为什么不是全部收益#
把总收益放进分子，等于把一份"不承担波动也能拿到"的回报，算成了策略的功劳。
一个粗略的类比：比较两份工作不能只看工资总额，如果其中一份包含大量额外工时和额外责任，真正该比较的是"超出正常工作量那部分换来的补偿"。投资里的无风险收益率就是那条基线——如果一个几乎不承担波动的方式也能拿到 2%，那么只有超过 2% 的部分，才是承担波动换来的回报。
用数字过一遍。一个策略年化收益 8%，年化波动率 5%，同期无风险收益率 2%：
- 不扣基线：\( 8\% / 5\% = 1.6 \)；
- 扣掉基线：\( (8\% - 2\%) / 5\% = 1.2 \)。
差的 0.4 全部来自那 2 个百分点。换个无风险利率更高的环境，两种算法的距离还会拉大。
“无风险"这个词要打个引号。它是金融模型里的近似概念，不代表现实世界存在绝对没有风险的资产。短期国债、回购利率这些常被当作近似基准，它们也有再投资、流动性上的细节，只是相对股票、期货的波动小到可以当常数用。
匹配规则只有一条：无风险收益率必须和收益同期限、同币种。用日收益去减年化无风险收益率是错的，得先把无风险利率换算到日；人民币资产配美元利率也是错的。实际计算用哪个利率当 \( R_f \) 会改变夏普的绝对值，比较两份报告的数字之前，先确认它们减的是同一个东西。
分母为什么是波动率#
上一篇《风险也不是一个数字》把波动率拆开过：它是收益偏离均值的程度，离差平方、平均、再开根号。金融里选它来当风险的分母，理由挺实际：
- 定义干净，就是一个标准差，没有需要拍脑袋的参数；
- 可以从历史收益序列直接估计；
- 同一频率、同一窗口下，不同策略之间可以横向比较；
- 和均值—方差框架天然衔接，组合方差能按权重和协方差分解，所以它也是组合优化里的常客。
但波动率在定义的时候就把两件事丢掉了。上涨和下跌在公式里没有区别，一期 +5% 和一期 -5% 对标准差的贡献一模一样。它也不看顺序和分布形状：慢慢阴跌两年和一次跳水，只要每期收益的离散程度相同，波动率就相同；尾部有多厚、最大回撤有多深、亏损的概率有多大，它都不回答。
这两个丢失是建模选择，不是疏忽。类似的取舍在模型指标里也常见：一个指标怎么解释，取决于它一开始选了什么 loss 或 proxy。波动率之于风险，和交叉熵之于"模型回答得好不好"是同一类操作——把一个不好直接度量的东西换成可以计算的代理。代理好用，不等于它等价于目标。
用波动率做分母是一个建模选择，不是数学上的必然。 换一个风险代理，就会得到另一个指标：比如只把低于目标的波动算作风险，分母变成下行偏差，得到的就是 Sortino Ratio。
2 和 1：这个数字怎么读#
回到开头的两个策略，这次把数字列全：
| 策略 | 年化超额收益 | 年化波动率 | 夏普比率 |
|---|---|---|---|
| A | 10% | 5% | 2 |
| B | 15% | 15% | 1 |
从表里能读出三句话：B 的收益更高；A 每承担一单位波动换来的超额收益更多，是 B 的两倍；按夏普的口径，A 的风险调整后收益效率更高。
但这三句话推导不出"A 一定比 B 好”。如果目标就是尽量高的绝对收益，而且能扛住 15% 的波动，B 完全可能是更合适的选择。夏普回答的是效率问题，不负责替你选。
还有一个经常被写错的地方：夏普比率没有单位，也没有百分号。分子分母都是收益率，单位约掉，剩下一个比值，写成"夏普 2%“是错的。
网上流传着"夏普大于 1 就好、大于 2 就优秀"之类的口诀。这些数字在我这里只能当量级参考：不同资产类别、不同策略类型、不同样本区间能出现的夏普范围差得很远；同一个策略，日频和月频、扣费和不扣费，数字也会变。抽掉这些前提，阈值就不剩什么了。
日频夏普为什么要乘 √N#
用日频数据直接算出来的夏普通常很小，0.1 上下很常见，和月报里的数字对不上。原因不复杂：分子是单期超额收益，分母是单期波动，比值本身带着频率。行业习惯把它换算到一年，方便比较。
上一篇讲波动率年化时用过 \( \sigma_{ann} = \sigma_{period}\sqrt{T} \)。夏普的年化是同一件事换了个位置。如果各期收益近似独立同分布，N 期的平均超额收益大致按 N 倍累积，标准差按 \( \sqrt{N} \) 倍累积，两者相除：
$$ S_{ann} \approx S_{period}\sqrt{N} $$日频 N 取 252 左右（一年的交易日数量），月频 N 取 12。比如月频夏普 0.5，年化约 \( 0.5 \times \sqrt{12} \approx 1.73 \)。这不是说未来一年一定能有 1.73 的夏普，只是把同一个数字换到"一年"这把尺子上。
换算成立需要几个假设：各期收益近似独立、分布相对稳定、没有明显自相关，而且无风险收益率的口径和频率一致。前面说过日收益不能直接减去年化无风险收益率，年化这一步同样不能混用频率。
真实数据会违反假设。高频策略的收益常有自相关，平滑估值出来的序列更明显；同一段业绩，日频年化、周频年化、直接用年度收益算，三个数可以都不一样。所以看到夏普，先问四件事：区间多长、什么频率、无风险利率用什么、年化方法是什么。这四件事没对齐，两个数字就没有可比性。
还有一个容易混的地方：这里的平均是各期超额收益的算术平均，不是复合增长率。第一篇算过，波动越大，几何平均和算术平均的距离越大；夏普的分子站在算术平均这边，所以它和投资者实际拿到的复合收益之间还隔着波动拖累。
加杠杆改变不了的事情#
做一个理想实验：假设可以按无风险利率借到钱，把某个策略的风险头寸整体放大 k 倍。组合变成 k 份风险资产加 \( 1-k \) 份无风险资产，超额收益放大为原来的 k 倍，波动率也放大为原来的 k 倍。代入夏普：
$$ \frac{k(R_p - R_f)}{k\sigma_p} = \frac{R_p - R_f}{\sigma_p} $$分子分母同时乘以 k，比值不变。用数字看：一个超额收益 6%、波动率 4% 的策略，夏普 1.5；两倍杠杆之后超额收益 12%、波动率 8%，夏普还是 1.5。
杠杆放大的是收益和风险的量级，不是单位风险对应的收益效率。 想提高夏普，只能去改分子分母里"效率"本身，借钱做不到。
现实里要补几句。融资利率通常高于无风险利率，借钱这件事本身就压低收入；杠杆放大波动之后，保证金追缴和强制平仓会先于最终收益出现，路径上的爆仓风险和最终收益不是等比例缩放的；交易成本、滑点、市场冲击不会按头寸规模老实线性增长，仓位越大越差；容量和流动性也有限制，很多策略能装下的资金远小于理论值。这些是把公式搬进现实时被拿掉的部分，不是杠杆操作建议。
高夏普里的隐藏损失#
前面默认了收益分布比较"正常”。换一个不正常的：一个策略的月度收益序列，前 11 个月每个月 +0.5%，第 12 个月 -20%。
只看前 11 个月，每月收益完全一样，波动率是 0。夏普比率的分母不存在——它在这里不是很高，而是没有定义。现实中收益不会精确地每月相同，只要在 +0.4% 到 +0.6% 之间小幅波动，波动率就是一个很小的数，年化夏普轻松被抬到两位数。在尾部事件发生之前，基于历史数据的夏普看不出任何危险。
把第 12 个月补上，整段 12 个月算下来：
- 期末净值 84.51，累计收益 -15.49%；
- 月均收益 -1.208%，年化 -14.5%；
- 月度样本标准差 5.918%（除以 n-1），按 \( \sqrt{12} \) 年化约 20.5%；换成总体标准差口径是年化 19.6%，夏普从 -0.71 变成 -0.74，不改变结论；
- 夏普比率约 -0.71。
同一段业绩，窗口截在崩盘前是一个没有定义的高夏普，截满 12 个月是负夏普加两位数的年化波动。结论由窗口的位置决定。
这种"平时赚小钱、偶尔赔大钱"的收益形状，统计上叫负偏度和厚尾。它赚的其实是卖保险的钱——大部分时间收保费，小概率赔付一次大的。“在压路机前捡硬币"是对这类策略的常见描述，硬币是真的，只是赔付发生在尾部。波动率看不见尾部：它只度量离差的大小和频率，不看方向，也不看极端程度。夏普比率继承了这一点。
图里 A、B 两条路径由各自的年化均值和波动率构造，C 就是上面那组月度收益。构造序列的累计收益和算术平均会差一点，第一篇算过的波动拖累在这里同样存在。三条线放在一起：C 在前 11 个月最平，最后一个月把前面的积累一次抹掉还倒亏；A 的终点低于 B，但路径平缓得多。最终收益、收益路径、波动率、尾部损失，四个东西并不等价。
历史夏普被抬高，通常不是有人故意作假，而是这些情况：
- 样本窗口太短，还没覆盖完整市场环境，比如一条没经历过熊市的净值曲线；
- 低流动性资产用滞后或平滑的估值，账面波动被抹平，真卖的时候不是这个价；
- 收益序列存在自相关（平滑估值也会带来），年化时被 \( \sqrt{N} \) 放大；
- 策略的尾部风险还没发生过；
- 回测没扣交易成本、滑点和市场冲击；
- 展示时只挑了表现最好的时间窗口。
它们的共同点：损失真实存在，但没有进入历史收益序列，或者进入的方式被处理得很温和。夏普比率只能看到进入分子和分母的信息，被波动率遗漏的风险，也会被夏普比率遗漏。
历史夏普也只是一个估计值#
前面一直在用的"年化超额收益"和"年化波动率”，在现实里都不是已知常数，而是从一段历史样本里估出来的两个统计量。分子分母都带估计误差，比值自然带。
样本越短、收益噪声越大，估计越不稳。一年的日频数据只有 252 个左右的观测，用它估出来的夏普和"策略真实的夏普"之间的差距可能不小；两份报告上 2.1 和 1.9 的差别，很可能只是抽样波动，而不是策略质量差了 10%。样本拉长到几年会稳一些，但前提是策略本身没有变化。
这件事和机器学习里的验证很像。一个模型在有限验证集上算出的指标，是对真实性能的估计，不是真实性能本身；验证集上 0.1 的提升，换个随机种子可能就消失了。历史夏普也是同一回事：计算过程可以精确到小数点后很多位，但精度属于算术，准确度属于估计。
对历史夏普，合适的用法是把它当证据之一，而不是结论。
换一个分母，就换了一种风险定义#
夏普比率不是孤立的。把它的零件换掉，能得到一串亲戚，它们之间的差别主要不在计算技巧，而在"把什么当成代价"：
- Sortino Ratio：分母换成下行偏差，只惩罚低于目标的那部分波动。上一篇提过它的动机——不想把上涨也算成成本。
- Information Ratio：分子换成相对基准的主动收益，分母换成跟踪误差，也就是主动收益的标准差。它衡量"主动偏离基准"的效率，评价指数增强或相对收益产品时比夏普更贴切。
- 最大回撤：不是比率，描述一段历史里从高点跌下去最惨的一截，和波动率回答的问题完全不同。
- Calmar Ratio：用收益除以最大回撤，把"赚了多少"和"路径上最痛的跌幅"放进同一个数。
这些指标谁也替代不了谁。选哪个分母，取决于更怕哪种失败方式：怕过程颠簸用波动率，怕跌下去回不来用回撤，怕跑输基准用跟踪误差。换一个分母，就换了一种对风险的定义。
真正值得记住的几件事#
- 夏普比率衡量的是每承担一单位波动换来的超额收益，是一个风险调整后的效率指标，不是策略质量的总分。
- 分子减去无风险收益率，扣掉的是"不承担这些波动也能拿到的基线回报"；无风险收益率必须和收益同期限、同币种。
- 分母用波动率是一个建模选择：上涨和下跌在公式里没有区别，方向、尾部、回撤都在它视野之外；换一个风险代理，就得到另一个指标。
- 统一口径是夏普可比性的来源，也是它压缩信息的地方；比较之前先确认时间区间、频率、无风险利率和年化方法一致。
- 理想条件下，把策略整体加 k 倍杠杆，超额收益和波动率同时变成 k 倍，夏普不变；杠杆放大的是量级，不是单位风险的效率。
- 高历史夏普可以和尾部风险共存：平时收小钱、偶尔赔大钱的策略，在赔付发生之前，波动率和夏普都看不出危险。
- 历史夏普是有限样本上的估计值，样本越短越不稳；两个数字的细微差别未必有实际意义。
- 计算精度不等于估计精度：一个精确算出来的历史夏普，仍然只是对策略能力的一个带误差的估计。
夏普比率和这些风险调整指标，都是沿着收益路径评价一个策略。下一篇换一个视角，从公司本身出发，聊股票估值里最常见、也最容易被误解的指标：市盈率。
参考资料#
- William F. Sharpe, “Mutual Fund Performance”, The Journal of Business, 1966
- William F. Sharpe, “The Sharpe Ratio”, The Journal of Portfolio Management, 1994
- Andrew W. Lo, “The Statistics of Sharpe Ratios”, Financial Analysts Journal, 2002
- David H. Bailey, Marcos López de Prado, “The Deflated Sharpe Ratio”, The Journal of Portfolio Management, 2014