夏普比率与索提诺比率

Python 中的金融交易

Chelsea Yang

Data Science Instructor

哪种策略更优？

策略 1：

收益：15%
波动率（标准差）：30%

策略 2：

收益：10%
波动率（标准差）：8%

风险调整后收益

使不同策略的表现可比
以比率表述获取收益所承担的风险

风险 vs. 回报

夏普比率

$$ \text{Sharpe Ratio} = (R_p - R_r)/\sigma_p $$

$R_p $：策略/组合/资产等的收益。
$R_r $：无风险利率
$\sigma_p $：超额收益（$R_p-R_f$）的标准差

夏普比率越大，回报越有吸引力

现在再来选择

策略 1：

收益：15%
波动率（标准差）：30%
夏普比率：15%/30% = 0.5

策略 2：

收益：10%
波动率（标准差）：8%
夏普比率：10%/8% = 1.25

从 bt 回测获取夏普比率

resInfo = bt_result.stats

# Get Sharpe ratios from the backtest stats
print('Sharpe ratio daily: %.2f'% resInfo.loc['daily_sharpe'])
print('Sharpe ratio monthly %.2f'% resInfo.loc['monthly_sharpe'])
print('Sharpe ratio annually %.2f'% resInfo.loc['yearly_sharpe'])

Sharpe ratio daily: 0.49
Sharpe ratio monthly 0.48
Sharpe ratio annually 1.34

手动计算夏普比率

# Obtain annual return
annual_return = resInfo.loc['yearly_mean']

# Obtain annual volatility
volatility = resInfo.loc['yearly_vol']


# Calculate Sharpe ratio manually
sharpe_ratio = annual_return / volatility
print('Sharpe ratio annually %.2f'% sharpe_ratio)

Sharpe ratio annually 1.34

夏普比率的局限性

同时惩罚"好"与"坏"的波动
上行波动会使比率被低估

夏普比率的局限

索提诺比率

$$ \text{Sortino Ratio} = (R_p - R_r)/\sigma_d $$

$R_p $：策略/组合/资产等的收益
$R_r $：无风险利率
$\sigma_d $：超额收益（$R_p-R_f$）的下行偏离

从 bt 回测获取索提诺比率

resInfo = bt_result.stats

# Get Sortino ratio from backtest stats
print('Sortino ratio daily: %.2f'% resInfo.loc['daily_sortino'])
print('Sortino ratio monthly %.2f'% resInfo.loc['monthly_sortino'])
print('Sortino ratio annually %.2f'% resInfo.loc['yearly_sortino'])

Sortino ratio daily: 0.70
Sortino ratio monthly 0.86
Sortino ratio annually 2.29

让我们来练习！

Python 中的金融交易