Sharpe ratio 能告诉你什么，不能告诉你什么

William Sharpe 在 1966 年提出了我们现在所称的 Sharpe ratio，目的是在调整风险后比较共同基金的表现。这个公式看似简单：超额收益除以收益的标准差。让它强大的同时也让它危险的是：这个比率把整个结果分布压缩成一个单一标量，在此过程中它丢弃了几乎所有对尾部风险评估、路径依赖和状态敏感性重要的信息。

Sharpe ratio 携带了三个很少被明说但持续运作的内嵌假设。第一，它假设收益服从正态分布，或至少接近到均值和方差足以完整描述分布的程度。第二，它假设收益在时间上是独立同分布的，也就是昨天的收益对今天毫无预测力。第三，它假设所有波动都同样糟糕，无论来自上行的意外还是下行的冲击。在传统股票市场中，这些假设虽不完美但通常可容忍。在加密货币、高频和趋势跟随策略中，它们会惨烈失效。

理解这些假设不是学术练习。它是区别「把 Sharpe 当作有用的初筛工具」和「把它当作策略质量的终局裁决」的关键。这个比率是为一个每月报告的多元化股票组合世界设计的，不是为带有每日再平衡、肥尾和序列相关的杠杆加密永续策略设计的。

Sharpe ratio 仍然是最有用的初筛指标之一，因为它把原始收益转换成一个经风险调整的数字，可以在不同规模和波动性的策略之间进行比较。一个收益百分之二十、波动百分之十的策略，与一个收益百分之四十、波动百分之四十的策略，在双方都按各自的风险单位归一化之前是无法直接比较的。Sharpe 高效地完成了这种归一化。

但归一化不是评估。这个比率告诉你的是路径相对于产生的收益是否平滑，而不是路径是否持久、可复制或结构稳健。一个策略可以通过卖出期权持续收取溢价来产生高 Sharpe，直到某一天尾部事件把多年积累的收益一笔抹去。这个比率对这种脆弱性毫无预警，因为标准差衡量把每日的小额溢价和单次灾难性亏损当成了对波动的对称贡献。

正确的心智模型是把 Sharpe 当作一个粗筛，用来剔除明显不佳的策略。任何 Sharpe 为负或接近零的策略可能都不值得进一步分析。但正的 Sharpe，即使是高的，也只是继续调查的许可，不是资金配置的绿灯。

一个十二个月 Sharpe ratio 为二点零在排行榜上看起来很亮眼，但从统计角度看，它可能只是噪音恰好朝有利方向对齐了。Sharpe ratio 的估计精度随样本量的平方根改善，这意味着样本长度翻倍只能把精度提高约百分之四十。对月度数据来说，可靠估计一个 Sharpe ratio 通常需要三十到六十个独立观测值，换算成实盘数据就是两年半到五年。

在加密市场中这个问题更严重，因为日度收益不是独立的。波动会聚集，意味着高波动日之后往往还会有高波动日，平静期也会聚集。这种序列相关膨胀了表观观测数量，却没有增加真正的独立信息。一个有两百五十个交易日的策略，在考虑聚集效应后可能只有五十到一百个独立观测的有效统计效力。

实务上的含义是：对 Sharpe ratio 的信心应该比这个指标本身增长得更慢。当你看到短窗口内的高 Sharpe 时，你的怀疑应该成比例增加。这个比率不是能力的证据；它是一个假设，需要大量更多数据才能被当作有信息量的指标。

Sharpe ratio 只使用收益分布的前两个矩：均值和方差。这样做它完全忽略了衡量不对称性的偏度，和衡量尾部厚度的峰度。这种遗漏不是次要技术细节；它是一个根本盲点，可以让危险的策略看起来安全，让安全的策略看起来平庸。

加密货币收益表现出极端的非正态性。实证研究一致发现主要加密指数的峰度值在八到十七之间，而正态分布只有三。比特币的收益分布呈负偏，意味着大额亏损比同等规模的大额收益发生得更频繁。一个持续收割小额收益但背负罕见灾难性亏损的策略，可以在灾难发生前产生吸引人的 Sharpe ratio。标准差衡量把小额收益当成降低波动，完全忽略了存在性的尾部风险。

Cornish-Fisher 展开和 Probabilistic Sharpe Ratio 试图通过使用偏度和峰度调整 Sharpe 估计的置信区间来修正这些高阶矩。当偏度强烈为负且峰度很高时，调整后的 Sharpe 可能远低于原始数字。在一些加密策略评估中，一旦纳入高阶矩，Probabilistic Sharpe Ratio 可以把 headline 数字降低百分之三十到五十。

Sharpe ratio 最受批评的特征之一是它对波动的对称处理。一个产生一系列小额亏损、偶尔夹杂大额收益的策略，与一个产生小额收益、偶尔夹杂大额亏损的策略，只要标准差相同就会受到相同的 Sharpe 惩罚。但从投资者角度这两个策略截然不同。第一个提供凸性和正偏；第二个提供凹性和负偏。

这种对称问题在加密领域极其重要，因为许多成功策略通过不对称的收益结构产生回报。一个趋势跟随策略可能胜率低于百分之四十，但通过偶尔的大额盈利交易产生正偏。Sharpe ratio 把这些盈利交易的波动当成亏损一样惩罚。反过来，一个做空波动率或收益农耕策略可能有超过百分之八十的胜率，但背负着来自尾部风险暴露的隐藏负偏。Sharpe ratio 奖励了表面的平滑，却掩盖了脆弱性。

Sortino ratio 通过使用下行偏差而非总标准差来解决这个问题，只把低于指定阈值的收益计入风险。在加密策略评估中，对于正偏策略 Sortino 通常显著高于 Sharpe，而对于负偏策略则显著更低。当两个比率相差超过百分之三十时，这种差异本身就是信息：它告诉你 Sharpe 正在隐藏一个可能决定策略能否在下一次压力测试中存活的不对称性。

Sharpe ratio 是在收益在时间上独立同分布的假设下推导出来的。这个假设在金融市场中被系统性地违反，而在加密交易和趋势跟随策略中违反尤为严重。波动会聚集，意味着高波动期之后往往还会是高波动，平静期也会持续。动量效应意味着正收益之后更可能还是正收益，至少短期内如此。状态切换引入了潜在分布的突然转变，使历史参数成为未来行为的不可靠指南。

当收益存在序列相关时，有效样本量小于名义计数，Sharpe ratio 估计的标准误差成比例增加。一个在两百五十天数据上 Sharpe 看似为二的策略，在正确考虑自相关后真实 Sharpe 可能接近一。这个调整不是表面功夫；它可能完全改变投资决策。

趋势跟随策略特别容易受到这个问题影响，因为它们的收益特征本质上是路径依赖的。趋势信号在趋势持续时产生利润，在趋势反转时产生亏损。因此收益分布以潜在市场状态的持续性为条件，而非观测之间独立。在不考虑这些结构性差异的情况下用 Sharpe 比较趋势策略和均值回归策略，是在比较苹果和橙子。

Sharpe ratio 通常按毛收益计算，未扣除交易成本、融资费用和执行滑点。这个惯例意味着策略报告的 Sharpe 可能显著高于跟随者实际体验到的。这种差距在不同策略之间并不均匀。高换手策略受到不成比例的影响，因为成本随每笔往返叠加。一个每日周转资金、毛 Sharpe 为一点五的策略，在纳入真实成本后净 Sharpe 可能低于零点八。

杠杆引入了另一层扭曲。Sharpe ratio 在理论上对杠杆不变，因为分子和分母都随杠杆线性缩放。但当考虑保证金要求、强平风险和融资成本时，这种不变性在实践中会失效。一个十倍杠杆、纸面上 Sharpe 为二的策略，实践中 Sharpe 可能只有零点五，因为借入资金的融资成本侵蚀了超额收益，而强平威胁迫使策略在压力期进行次优的仓位管理。

执行质量也同样重要。一个用历史中间价测试的策略假设以理论公允价值完美成交。在实盘中，市场冲击、买卖价差和部分成交可以把每笔交易的实现收益降低十到五十个基点。对一个每月执行五十笔交易的策略来说，仅这种摩擦就可以把年化收益降低三到七个百分点，把一个有吸引力的 Sharpe 变成平庸的。

没有单一指标能捕捉策略风险和收益的全部复杂性。Sharpe ratio 的局限性促使了几个互补指标的发展，这些指标针对特定的盲点。Sortino ratio 用下行偏差替代总标准差，只把低于目标阈值的收益计为风险。这使得它对正偏策略特别有用，因为大的上行波动会被 Sharpe 不公平地惩罚。

Calmar ratio 在分母中使用最大回撤而非标准差。这解决了 Sharpe 无法捕捉路径风险的问题，聚焦于最坏的实现亏损而非平均波动。对于更关注生存而非平滑的投资者，Calmar 通常提供更相关的比较指标。一个 Sharpe 为一点五但 Calmar 为零点三的策略，与两个比率都约为一的策略讲述着截然不同的故事。

Omega ratio 采取更全面的方法，考虑整个收益分布而不只是前两个矩。它被定义为高于阈值的收益与低于同一阈值的亏损之比，在完整分布上积分。Omega 隐式地捕捉了偏度、峰度和所有高阶矩，在理论上对非正态收益更优越。代价是可解释性：Omega 比 Sharpe 更难计算、更不直观，这解释了为什么尽管理论优势明显，它没有获得同样广泛的采用。

• 总是连同样本长度、偏度和峰度一起报告 Sharpe。如果偏度低于负零点五或峰度超过五，没有高阶矩调整的比率很可能是误导性的。
• 同时计算 Sharpe 和 Sortino。如果 Sortino 超过 Sharpe 超过百分之二十，策略可能有正偏且 Sharpe 低估了它的质量。如果 Sortino 更低，策略背负着隐藏的下行集中度。
• 归一化比较时期和成本假设。在不同时间窗口或费用结构下比较的策略是不可比的，无论它们的 Sharpe ratio 看起来如何。
• 检查 Sharpe 是靠杠杆、高换手还是窄市场状态赚到的。这些因素中的每一个都可能膨胀 headline 数字，而不改善可部署的风险调整收益。
• 在接受任何 Sharpe 声称之前要求成本调整后的收益。毛 Sharpe 是研究指标；净 Sharpe 才是投资者实际收到的。
• 把不到三年数据的 Sharpe 超过二当成一个需要压力测试的假设，而不是持久优势的证据。
• 总是把 Sharpe 与最大回撤和 Calmar ratio 一起看。高 Sharpe 配低 Calmar 表明策略的平滑隐藏了严重的尾部风险。
• 对于加密策略，在做配置决策前使用针对非正态性调整的 Probabilistic Sharpe Ratio。调整可以把 headline 数字降低百分之三十到五十。