风险调整收益：把"赚多少"除以"多颠簸"
我的掌握程度：
先掌握这个答案
一般形式：风险调整收益=超额收益/风险度量。家族成员按分母分：①波动（夏普比率——阶段6主角）；②下行波动（索提诺）；③最大回撤（Calmar）；④跟踪误差（信息比率IR=超额/跟踪误差）；⑤Beta（Treynor）。共同思想：收益必须除以获得它的代价才可比——如同比较汽车不看极速看"每公里油耗"。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 每个统计量都要带单位和假设
计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。
- 写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
- 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
- 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。
使用边界
- p值不是原假设为真的概率，也不是策略未来盈利概率。
- 日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。
背景 · 从一个困惑说起
策略A年赚18%波动25%，策略B年赚12%波动8%——谁更好？裸比收益A胜；但B每承受一单位波动换来1.5单位收益，A只有0.72。加杠杆视角更直观：B加杠杆到25%波动可期收益≈37.5%（不考虑成本）——收益的"效率"才是可比较的量。
由此产生的问题
风险调整收益的一般形式是什么？为什么它是跨策略比较的唯一公平口径？它家族里有哪些成员？
核心概念
一般形式：风险调整收益=超额收益/风险度量。家族成员按分母分：①波动（夏普比率——阶段6主角）；②下行波动（索提诺）；③最大回撤（Calmar）；④跟踪误差（信息比率IR=超额/跟踪误差）；⑤Beta（Treynor）。共同思想：收益必须除以获得它的代价才可比——如同比较汽车不看极速看"每公里油耗"。
为什么需要它
①公平比较的基石：不同波动/杠杆/风格的策略只有换算成"单位风险收益"才能同台（q-005的老问题正式数学化）；②杠杆不变性：夏普类指标不随杠杆缩放改变（分子分母同乘）——这是它被选为行业第一指标的原因；③诊断分工：夏普管总效率、Calmar管尾部痛感、IR管主动管理能力——一个体检套餐而非单一数字。
实际应用场景
报告规范：任何策略汇报必附「年化超额X%、波动Y%、夏普Z、回撤W、CalmarV」五行——只报收益的汇报在专业场合直接失格。
与之前知识的联系
q-005（阶段1风险概念）与q-012（年化）在此合成正式指标；q-220（夏普计算）与q-528（夏普三骗术）是它的展开；q-039的IR=IC×√BR预告了信息比率。
⚠ 常见误解
- 风险调整后收益高=可以加杠杆放大赚：理论上成立，实践受成本、容量、爆仓约束（q-028）——「可加杠杆」是潜能不是承诺
- 夏普就是风险调整收益的全部：不同分母适合不同问题（回撤敏感的委托人看Calmar；相对委托看IR）
- 高风险高收益是必然：风险是收益的「可能」不是「保证」——承担波动只获得了获取回报的资格（风险溢价的存在性本身就是学术争论）
🛠 本题实践任务
为两个不同波动等级的标的（如沪深300与中证1000，或两只基金）计算夏普、索提诺、Calmar三指标。回答：哪个在哪个口径下胜出？为什么？
💡 提示（先自己想5分钟再看）
无风险利率统一用2%；索提诺的下行波动只对负收益日计算。
✅ 验收标准
一张2×3指标对照表+结论。你已掌握专业汇报的「五行套餐」雏形。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（净值曲线、波动率、期望），再用案例、公式和代码帮助理解。此功能需要先启用服务。