夏普比率考量策略要注意的几个问题

 

 

       首先，夏普比率是向后看的。它只考虑历史回报分布和波动性，而不考虑未来发生的回报。当根据夏普比率做出判断时，有一个隐含的假设，即过去将与未来相似。然而，这种情况并非总是如此，尤其是在市场制度变化的情况下。

 

      夏普比率计算假设所使用的回报是正态分布的（即高斯分布）。但是，市场经常遭受高于正态分布的峰度。从本质上讲，收益分布具有“肥尾”特征，极端事件比高斯分布更容易发生。因此，夏普比率在表征尾部风险方面表现不佳。

      这种缺陷在极易出现此类风险的策略中尤为明显。例如，出售看涨期权。随着时间的推移，出售看涨期权会产生稳定的期权溢价，导致回报的波动性较低，高于基准的超额溢价较大。在这种情况下，该策略将具有较高的夏普比率（基于历史数据）。然而，这并没有考虑到这些期权投资组合出现重大和突然的回撤。因此，与任何算法交易策略性能的衡量标准一样，夏普比率不能孤立地使用。

 

      交易成本必须包含在夏普比率的计算中，以使其具有现实性。有无数交易策略具有高夏普，一旦考虑到现实成本，就会变成低夏普、低盈利能力的策略。

 

附: sharp 基本算法

def annualised_sharpe(returns, N=252):

　　return np.sqrt(N) * returns.mean() / returns.std()

def equity_sharpe(ticker):
　　ticker['daily_ret'] = ticker['Close'].pct_change()

　　ticker['excess_daily_ret'] = ticker['daily_ret'] - 0.05/252

　　return annualised_sharpe(ticker['excess_daily_ret'])