从 IC 到夏普比率量化研究的核心度量

数据频率

日度

年化因子

252 个交易日

无风险利率

按 0 处理

示例区间

2020–2025

为什么需要一套度量

一个量化策略从预测开始，经过组合构建与交易，最后留下一条净值曲线。只看这条曲线，会把几件不同的事混在一起：信号本身有没有预测力，组合有没有把预测力转化为收益，收益承担了多少风险，又有多少来自市场本身的涨跌。

这些问题需要不同的指标分别回答。把它们沿着策略的链条排开，每一环都有对应的度量：

1. 01→

   信号

   有没有预测力？

   • IC
   • Rank IC
   • ICIR
   • 衰减
2. 02→

   组合

   预测能否变成持仓？

   • 转移系数
   • 换手
   • 成本
3. 03→

   收益

   赚了多少？

   • 年化收益
   • 波动拖累
4. 04→

   风险

   代价是什么？

   • 波动
   • 回撤
   • VaR · ES
   • 夏普
5. 05

   归因

   收益从哪里来？

   • Alpha
   • Beta
   • 信息比率

下文先讨论最基础的收益与风险，再把两者合成为风险调整收益；随后回到链条的起点，讨论信号质量与主动管理基本定律；最后是 Alpha、Beta 与交易成本。每个指标都给出定义、公式、成立的前提，以及最容易被误读的地方。文中的数据均为演示数据，不代表任何实际业绩。

收益：计算、复利与年化

简单收益与对数收益

第 $t$ 期的简单收益为

$$r_t = \frac{P_t + D_t}{P_{t-1}} - 1$$

其中 $P_t$ 为期末价格或净值，$D_t$ 为期间分红。对数收益定义为

$$\ell_t = \ln\left(1 + r_t\right)$$

两者的用途不同。同一时点上，组合收益是各资产简单收益的加权和，$r_{p,t} = \sum_i w_{i}\, r_{i,t}$；跨时间累积时，对数收益可以直接相加，$\ln\left(V_T / V_0\right) = \sum_{t=1}^{T} \ell_t$。在截面上加总对数收益，或在时间上加总简单收益，都是回测中常见的计算错误。

累计净值与年化收益

净值按复利累积：

$$V_T = V_0 \prod_{t=1}^{T} \left(1 + r_t\right)$$

以每年 252 个交易日计，年化收益（复合年增长率）为

$$R_{\text{ann}} = \left(\frac{V_T}{V_0}\right)^{252/T} - 1$$

另一种常见写法是把日均收益乘以 252，得到算术年化收益 $252\,\bar r$。两者并不相等，差别来自波动。

算术平均与几何平均

算术平均回答“平均每期赚多少”，几何平均回答“长期实际以多快的速度增长”。若收益近似服从对数正态分布，两者约相差一半的方差：

$$g \approx \mu - \frac{\sigma^2}{2}$$

一个 $+10\%$ 与 $-10\%$ 交替出现的序列，算术平均为零，两期之后净值却变为 $1.1 \times 0.9 = 0.99$。波动本身会侵蚀复利，这被称为波动拖累。

更准确地说，在几何布朗运动的假设下，期望净值以 $\mu$ 的速度增长，中位净值只以 $\mu - \sigma^2/2$ 的速度增长：

$$\begin{gathered} \mathbb{E}\left[V_t\right] = V_0\, e^{\mu t} \\[6pt] \operatorname{median}\left(V_t\right) = V_0\, e^{\left(\mu - \sigma^2/2\right) t} \end{gathered}$$

期望值被少数表现极好的路径拉高，而大多数路径落在它的下方。拖动图二中的波动率，可以看到两条曲线如何分开。

十年净值的分布

中位净值期望净值10%–90% 区间示例数据

算术年化收益 μ

10.0%

年化波动 σ

25%

0.250.51248160 年2 年4 年6 年8 年10 年

几何增长率 μ − σ²/2

6.88%

波动拖累 σ²/2

3.13%

十年期望净值

2.72

十年中位净值

1.99

对评估策略而言，这意味着两件事：比较收益时应使用复利口径；而在算术收益相同的前提下，波动更低的策略会积累更多的财富。

风险：波动、回撤与尾部

波动率与下行偏差

最常用的风险度量是收益的标准差：

$$\begin{gathered} \hat\sigma = \sqrt{\frac{1}{T-1}\sum_{t=1}^{T}\left(r_t - \bar r\right)^2} \\[6pt] \sigma_{\text{ann}} = \hat\sigma\,\sqrt{252} \end{gathered}$$

按 $\sqrt{252}$ 年化隐含着一个前提：各期收益独立同分布。收益存在正自相关时，例如持有流动性较差的资产，或净值经过平滑处理，这样换算会低估真实的年化波动。

波动率对上涨与下跌一视同仁。更关心亏损的投资者会使用下行偏差，只统计低于目标收益 $\tau$ 的部分：

$$\sigma_{d} = \sqrt{\frac{1}{T}\sum_{t=1}^{T}\min\left(r_t - \tau,\ 0\right)^2}$$

目标收益 $\tau$ 通常取 0 或无风险利率，不同报告之间应保持一致。

回撤

回撤度量净值从历史高点回落的幅度：

$$\begin{gathered} \mathrm{DD}_t = \frac{V_t}{\max_{s \le t} V_s} - 1 \\[6pt] \mathrm{MDD} = \min_{t}\, \mathrm{DD}_t \end{gathered}$$

最大回撤只是一个点。同样深度的回撤，三周内修复与持续两年，对资金与信心的消耗完全不同，因此还需要关注回撤的持续时间，以及从谷底修复到前高所用的时间。

累计净值与回撤

策略基准示例数据

1.01.52.02020-0120202021-0120212022-0120222023-0120232024-0120242025-012025

回撤

0%-20%-40%2020-0120202021-0120212022-0120222023-0120232024-0120242025-012025-10.7%

最大回撤

-10.7%

回撤起点

2023-12-05

最低点

2024-04-16

回撤持续（峰值至修复）

125 个交易日

VaR 与 ES

在险价值（VaR）回答的是：在给定置信水平下，一期最多会亏多少。设置信水平为 $\alpha$（如 95%），$q_{1-\alpha}$ 为收益分布的 $1-\alpha$ 分位数，则

$$\mathrm{VaR}_{\alpha} = -\,q_{1-\alpha}\left(r\right)$$

VaR 并不描述分位之外的亏损有多深。期望损失（Expected Shortfall，又称 CVaR）取尾部亏损的平均值：

$$\mathrm{ES}_{\alpha} = -\,\mathbb{E}\left[\, r \;\middle|\; r \le q_{1-\alpha}\left(r\right) \right]$$

若假设收益服从正态分布 $N\left(\mu, \sigma^2\right)$，两者有解析形式：

$$\begin{gathered} \mathrm{VaR}_{\alpha} = z_{\alpha}\,\sigma - \mu \\[6pt] \mathrm{ES}_{\alpha} = \sigma\,\frac{\varphi\left(z_{\alpha}\right)}{1-\alpha} - \mu \end{gathered}$$

其中 $z_\alpha = \Phi^{-1}\left(\alpha\right)$，$\varphi$ 与 $\Phi$ 分别为标准正态分布的密度函数与累积分布函数。

真实收益往往尖峰厚尾。图四中的样本在 90% 与 95% 的置信水平上，正态假设甚至略微高估了 VaR；提高到 99% 及以上，正态假设开始低估尾部，对 ES 的低估尤其严重。这也是监管与风控越来越多地使用 ES 而不是 VaR 的原因之一。

日收益分布与尾部

历史 VaR历史 ES正态 VaR示例数据

置信水平 α

90%95%99%99.5%

-6%-4%-2%0%2%4%

VaR 99%（历史）

2.32%

VaR 99%（正态）

2.25%

ES 99%（历史）

3.59%

ES 99%（正态）

2.59%

偏度与峰度

标准差只刻画分布的宽度。偏度 $\gamma_3$ 与峰度 $\gamma_4$ 描述分布的形状：

$$\begin{gathered} \gamma_3 = \frac{\mathbb{E}\left[\left(r-\mu\right)^3\right]}{\sigma^3} \\[6pt] \gamma_4 = \frac{\mathbb{E}\left[\left(r-\mu\right)^4\right]}{\sigma^4} \end{gathered}$$

正态分布的偏度为 0、峰度为 3。负偏与高峰度同时出现，意味着策略平时表现平稳，偶尔出现幅度很大的亏损，例如卖出期权或拥挤的套利交易。这类风险在标准差里几乎看不到，在下一节的夏普比率里也同样看不到。

风险调整收益：夏普、索提诺与卡玛

夏普比率

夏普比率衡量每承担一单位波动所获得的超额收益：

$$\begin{gathered} \mathrm{SR} = \frac{\mathbb{E}\left[r_t - r_f\right]}{\sigma\left(r_t - r_f\right)} \\[6pt] \mathrm{SR}_{\text{ann}} = \sqrt{252}\;\mathrm{SR}_{\text{daily}} \end{gathered}$$

与波动率一样，$\sqrt{252}$ 的换算依赖收益独立同分布；收益存在正自相关时，年化夏普会被高估。夏普比率也不区分上涨与下跌的波动，并默认投资者只关心均值与方差。

索提诺与卡玛

索提诺比率把分母换成下行偏差，只惩罚亏损方向的波动；卡玛比率则用最大回撤度量风险：

$$\begin{gathered} \mathrm{Sortino} = \sqrt{252}\;\frac{\bar r - \tau}{\sigma_d} \\[6pt] \mathrm{Calmar} = \frac{R_{\text{ann}}}{\left|\,\mathrm{MDD}\,\right|} \end{gathered}$$

三个比率从不同角度回答同一个问题。表一用同一段演示数据计算，策略与基准的差距在三个比率上并不相同：基准的最大回撤接近四成，卡玛比率几乎为零。

指标	演示策略	基准
年化收益（复利）	11.6%	1.8%
年化波动	8.7%	13.7%
夏普比率	1.31	0.20
索提诺比率	1.95	0.29
最大回撤	-10.7%	-37.5%
卡玛比率	1.09	0.05
偏度	-0.11	0.06
峰度	3.24	4.15

夏普比率本身也有误差

夏普比率是用有限的样本估计出来的。在收益独立同分布且近似正态时，它的标准误差约为（Lo，2002）：

$$\mathrm{SE}\left(\widehat{\mathrm{SR}}\right) \approx \sqrt{\frac{1 + \tfrac{1}{2}\,\widehat{\mathrm{SR}}^{2}}{T}}$$

公式中的 $\widehat{\mathrm{SR}}$ 与 $T$ 需使用同一频率。换算到年化口径，用 $Y$ 年日度数据估计的年化夏普，标准误差近似为 $1/\sqrt{Y}$：三年数据、年化夏普 1.0，95% 置信区间约为 $\left[-0.13,\ 2.13\right]$，甚至无法排除真实夏普为零的可能。

夏普比率的 95% 置信区间

估计值95% 置信区间示例数据

估计的年化夏普

1.00

样本长度

3 年

-2-10123451 年5 年10 年15 年20 年

标准误

0.58

95% 置信区间

[-0.13, 2.13]

真实夏普 > 0 的概率

95.8%

显著为正所需年限

3.8 年

收益不服从正态分布时，Bailey 与 López de Prado（2012）提出的概率夏普比率（PSR）把偏度与峰度纳入考虑，估计真实夏普高于某个基准 $\mathrm{SR}^{*}$ 的概率：

$$\widehat{\mathrm{PSR}}\left(\mathrm{SR}^{*}\right) = \Phi\left(\frac{\left(\widehat{\mathrm{SR}} - \mathrm{SR}^{*}\right)\sqrt{T-1}}{\sqrt{1 - \hat\gamma_3\,\widehat{\mathrm{SR}} + \frac{\hat\gamma_4 - 1}{4}\,\widehat{\mathrm{SR}}^{2}}}\right)$$

这里的夏普为未年化的单期值。负偏与厚尾都会增大分母，使同样的夏普比率变得不那么可信。

多重检验

如果尝试了 $N$ 个策略并挑出表现最好的一个，它的夏普比率天然偏高。即使所有策略的真实夏普都为零，$N$ 个估计值中最大值的期望也约为

$$\mathbb{E}\left[\max_{n} \widehat{\mathrm{SR}}_n\right] \approx \sqrt{V}\left[\left(1-\gamma\right)\Phi^{-1}\left(1 - \frac{1}{N}\right) + \gamma\,\Phi^{-1}\left(1 - \frac{1}{N e}\right)\right]$$

其中 $V$ 为各次试验夏普估计值的方差，$\gamma \approx 0.5772$ 为欧拉–马歇罗尼常数。这正是紧缩夏普比率（Deflated Sharpe Ratio）的出发点：如实记录试验的次数，把这一期望最大值作为 $\mathrm{SR}^{*}$ 代入 PSR。试验得越多，对样本内夏普的要求就应该越高。

信号质量：IC 与主动管理基本定律

IC 与 Rank IC

信息系数（Information Coefficient，IC）衡量预测与未来收益的一致程度。在每个截面 $t$，对 $N$ 只股票的预测值 $s_{i,t}$ 与其后 $h$ 期的收益 $r_{i,t+h}$ 计算相关系数：

$$\begin{gathered} \mathrm{IC}_t = \operatorname{corr}\left(s_{i,t},\ r_{i,t+h}\right) \\[6pt] \mathrm{RankIC}_t = \operatorname{corr}\left(\operatorname{rank} s_{i,t},\ \operatorname{rank} r_{i,t+h}\right) \end{gathered}$$

Rank IC 即 Spearman 相关系数，使用排序后的秩计算，对极端值不敏感，是截面选股中更常用的口径。

常见因子的月度 Rank IC 往往只有 0.02 到 0.10。这个量级在单个截面上几乎看不出规律：图六中 IC 为 0.05 的散点接近一团噪声，按信号分成十组之后，组均值才隐约向右上方倾斜。点击“重新抽样”，样本 IC 会在正负之间摆动；把 IC 调到 0.10 以上，斜率才逐渐清楚。微弱的预测力之所以有价值，在于它能在数千只股票、数百个截面上反复出现。

一个截面：信号与未来收益

单只股票十分位均值示例数据

真实 IC

0.05

股票数量 N

800

重新抽样

-18%-9%0%+9%+18%-3σ-2σ-1σ0σ+1σ+2σ+3σ纵轴：未来 20 日收益　横轴：信号

样本 IC

0.053

样本 Rank IC

0.058

抽样误差（95%）

±0.069

十分位多空价差

1.80%

单个截面的 IC 本身也有抽样误差。股票数为 $N$ 时，其标准误约为 $1/\sqrt{N}$；800 只股票的截面，95% 抽样区间约为 $\pm 0.07$，比多数因子的 IC 还要大。这也是为什么需要看 IC 在时间上的表现。

ICIR 与显著性

ICIR 为 IC 序列的均值与标准差之比，衡量预测能力的稳定性，也可以据此构造 $t$ 统计量：

$$\begin{gathered} \mathrm{ICIR} = \frac{\overline{\mathrm{IC}}}{\sigma\left(\mathrm{IC}\right)} \\[6pt] t = \mathrm{ICIR}\,\sqrt{n} \end{gathered}$$

其中 $n$ 为 IC 的期数。若 IC 按月计算，年化 ICIR 约为月度 ICIR 乘以 $\sqrt{12}$。胜率，即 IC 为正的期数占比，是另一个直观的补充。需要注意，当预测期长于采样间隔时（例如每周计算未来 20 日收益的 IC），相邻观测相互重叠，直接套用上式会高估显著性。

月度 Rank IC

月度 IC12 个月均值示例数据

-0.050.000.050.102020-0120202021-0120212022-0120222023-0120232024-0120242025-012025

IC 均值

0.041

ICIR（月度）

1.08

年化 ICIR

3.73

t 值 · 胜率

9.1 · 85%

预测期 $h$ 的选择同样会改变 IC。随着 $h$ 延长，IC 通常逐步衰减；衰减的速度决定了信号需要多频繁地更新，也就间接决定了换手率与交易成本。

主动管理基本定律

Grinold（1989）把信号质量与组合表现联系起来：信息比率约等于 IC 与广度平方根的乘积。Clarke、de Silva 与 Thorley（2002）引入转移系数 TC，描述各种约束（禁止做空、换手上限、行业与风格限制）使实际持仓偏离理想持仓的程度：

$$\mathrm{IR} \approx \mathrm{TC} \times \mathrm{IC} \times \sqrt{\mathrm{BR}}$$

广度 $\mathrm{BR}$ 指每年相互独立的下注次数，而不是股票数量乘以调仓次数。股票之间、相邻两次调仓之间高度相关时，有效广度会大幅缩水，公式给出的信息比率也就过于乐观。

IR ≈ TC × IC × √BR

当前约束无约束 TC = 1示例数据

信息系数 IC

0.030

广度 BR（次 / 年）

500

转移系数 TC

0.60

0.00.51.01.52.02.53.0101001,00010,000

信息比率 IR

0.40

无约束时的 IR

0.67

跟踪误差 5% 时的主动收益

2.0%

达到 IR = 1 所需广度

3,087

这条定律更适合作为思考框架，而不是精确的预测工具。它说明了提升组合表现的三条路径：更准的预测、更多独立的机会，以及更少的约束损耗。

超额收益与归因：Alpha、Beta 与信息比率

单因子回归

把策略的超额收益对市场的超额收益做回归：

$$\begin{gathered} r_{p,t} - r_f = \alpha + \beta\left(r_{m,t} - r_f\right) + \varepsilon_t \\[6pt] \beta = \frac{\operatorname{Cov}\left(r_p,\ r_m\right)}{\operatorname{Var}\left(r_m\right)} \end{gathered}$$

$\beta$ 衡量策略随市场波动的敏感度；$\alpha$ 是扣除市场暴露之后剩余的平均收益，日度 $\alpha$ 乘以 252 即为年化口径；$R^2$ 说明市场解释了多大比例的波动。

要区分 $\alpha$ 与“跑赢基准的部分”。一个 $\beta = 1.3$ 的组合在上涨市中可以大幅跑赢指数，但这部分收益来自放大的市场暴露，而不是选股能力；反过来，低 $\beta$ 的策略在下跌市中跑赢，也不全是 $\alpha$。图九中的演示策略 $\beta$ 明显低于 1，回归截距与简单的超额收益因此并不相同。

策略收益 vs 基准收益

回归线β = 1示例数据

采样频率

日度周度月度

-10%-5%0%5%10%-10%-5%0%5%10%策略基准

Beta β

0.37

年化 Alpha α

10.6%

R²

0.34

年化超额（未剔除 β）

8.6%

采样频率也会影响估计。日度数据样本量大，但容易受到非同步交易与短期噪声的影响；月度数据更平滑，样本量却少得多。切换图九中的频率，可以看到 $\beta$ 与 $R^2$ 的变化。

跟踪误差与信息比率

策略相对基准的主动收益为 $a_t = r_{p,t} - r_{b,t}$，其波动称为跟踪误差。单位跟踪误差所获得的主动收益即信息比率：

$$\begin{gathered} \mathrm{TE} = \sigma\left(a_t\right)\sqrt{252} \\[6pt] \mathrm{IR} = \frac{252\,\bar a}{\mathrm{TE}} \end{gathered}$$

夏普比率以无风险资产为参照，信息比率以基准为参照。对于指数增强这类以基准为锚的产品，信息比率比夏普比率更能说明管理能力。

多因子归因

除了市场，收益还可能来自规模、价值、动量、行业等系统性暴露。把单因子回归扩展为多因子形式：

$$r_{p,t} - r_f = \alpha + \sum_{k=1}^{K} \beta_k\, f_{k,t} + \varepsilon_t$$

控制了常见的风格与行业因子之后仍然显著的 $\alpha$，才更接近真正的选股能力；残差 $\varepsilon_t$ 的波动则是组合的特异风险。

从纸面到实盘：换手与交易成本

换手与成本拖累

回测收益能否落地，很大程度上取决于交易成本。以双边换手衡量一年内的交易量：

$$\mathrm{TO} = \sum_{t}\sum_{i}\left|\, w_{i,t} - w_{i,t}^{-} \,\right|$$

其中 $w_{i,t}^{-}$ 为调仓前、随价格漂移后的权重，求和覆盖一年内的全部调仓。若每交易 1 元的综合成本为 $c$，包括佣金、印花税、买卖价差与冲击成本，成本对年化收益与夏普比率的影响近似为

$$\begin{gathered} R_{\text{net}} \approx R_{\text{gross}} - \mathrm{TO}\cdot c \\[6pt] \mathrm{SR}_{\text{net}} \approx \frac{R_{\text{gross}} - \mathrm{TO}\cdot c}{\sigma} \end{gathered}$$

令扣费后收益为零，可得盈亏平衡成本 $c^{*} = R_{\text{gross}} / \mathrm{TO}$。高换手策略的盈亏平衡成本往往只有十几个基点，任何低估成本的假设都会被成倍放大。

扣除成本后的夏普比率

当前换手参考换手示例数据

年化双边换手

20×

单位交易成本

15 bp

-1.5-1.0-0.50.00.51.01.50 bp10 bp20 bp30 bp40 bp5×15×30×60×

年化成本拖累

3.00%

扣费后年化收益

8.4%

扣费后夏普

0.96

盈亏平衡成本

56.9 bp

冲击成本与容量

冲击成本随交易规模上升。经验上常用平方根法则描述：

$$\text{Impact} \approx k\,\sigma_{\text{daily}}\sqrt{\frac{Q}{\mathrm{ADV}}}$$

其中 $Q$ 为交易量，$\mathrm{ADV}$ 为日均成交量，$k$ 为经验系数。规模越大，单位成本越高，这意味着每个策略都存在容量上限：回测中的收益，只在一定的资金规模内成立。

边界：指标之外

所有指标都来自同一段历史，它们只能说明在这些假设下过去发生了什么。使用之前，至少需要检查：

1. 样本外与多重检验：参数与规则是否在样本外确定，一共尝试过多少种版本；
2. 数据偏差：是否使用了当时无法获得的数据（前视偏差），股票池是否包含已经退市的股票（幸存者偏差）；
3. 分布假设：收益是否自相关、是否厚尾，$\sqrt{252}$ 的换算与正态假设是否成立；
4. 市场阶段：按年度或市场状态拆分，看结论是否依赖少数几段行情；
5. 口径一致：无风险利率、年化方式、成本假设与基准，在不同策略之间是否统一；
6. 容量：在目标规模下，冲击成本是否仍然可控。

下表汇总了本文涉及的主要指标：

参考文献

• Sharpe, W. F. (1994). The Sharpe Ratio. The Journal of Portfolio Management, 21(1), 49–58.
• Sortino, F. A., & Price, L. N. (1994). Performance Measurement in a Downside Risk Framework. The Journal of Investing, 3(3), 59–64.
• Grinold, R. C. (1989). The Fundamental Law of Active Management. The Journal of Portfolio Management, 15(3), 30–37.
• Clarke, R., de Silva, H., & Thorley, S. (2002). Portfolio Constraints and the Fundamental Law of Active Management. Financial Analysts Journal, 58(5), 48–66.
• Lo, A. W. (2002). The Statistics of Sharpe Ratios. Financial Analysts Journal, 58(4), 36–52.
• Bailey, D. H., & López de Prado, M. (2012). The Sharpe Ratio Efficient Frontier. Journal of Risk, 15(2), 3–44.
• Bailey, D. H., & López de Prado, M. (2014). The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality. The Journal of Portfolio Management, 40(5), 94–107.
• Grinold, R. C., & Kahn, R. N. (1999). Active Portfolio Management (2nd ed.). McGraw-Hill.