风险与度量
投资前衡量真正重要的指标
一个在回测中年化收益15%的策略，上线后仅实现了2.3%。2014年Bailey和Lopez de Prado的研究表明，这种差距不是例外，而是常态。原因不是运气不好，而是度量出了问题。
我们信赖的指标往往具有误导性
夏普比率是量化金融中被引用最多的数字，但它假设收益服从标准的正态分布。在实践中，这种情况极少成立。具有类期权收益结构、尾部风险敞口或杠杆的策略，可以在灾难性回撤暴露指标所隐藏的问题之前，呈现出优异的夏普比率。一个持续获取小额收益但偶尔遭受毁灭性损失的策略，看起来可能比实际安全得多。
即使夏普比率被正确计算，选择偏差也会使其膨胀。如果你测试了一百种策略变体并报告最好的那个，获胜的夏普比率几乎肯定被高估了。Bailey和Lopez de Prado提出的紧缩夏普比率通过调整测试次数来修正这一问题，将许多"令人印象深刻"的结果还原为统计噪音。
回测不是证据
回测与实盘表现之间的差距是量化金融中记录最充分的现象之一。对历史数据的过拟合、忽略交易成本、未能建模市场冲击，这些因素共同作用，使纸面收益看起来比现实更好。Harvey、Liu和Zhu认为，鉴于该领域已测试的假设数量之多，传统的t统计量阈值2.0远远不够。他们建议的3.0阈值能够过滤掉大多数虚假发现。
度量是一切的基础
诚实的风险度量不是边缘问题——它是量化投资中所有其他决策的基石。仓位管理依赖波动率估计。策略选择依赖回撤分析。组合构建依赖相关性度量。当这些输入中的任何一个出错时，下游决策会将错误不断放大。
本专题的文章深入剖析风险度量的工具和陷阱：夏普比率实际告诉你什么（以及它不能告诉你什么）、最大回撤如何揭示基于方差的指标所遗漏的风险、波动率目标化如何稳定收益，以及交易成本如何悄然侵蚀回测中的alpha。目标不是否定量化分析，而是使其更加严谨——因为在这个领域，度量的质量决定了结果的质量。
关键研究洞察
夏普比率仍然是使用最广泛的风险调整后绩效衡量指标，但它假设收益呈正态分布——大多数现实策略都违反了这一假设。
当多个策略在同一数据集上测试时，表现最好的夏普比率几乎肯定是被高估的。紧缩夏普比率通过考虑测试次数来校正这种选择偏差。
鉴于文献中已测试了数百个因子，t统计量为2.0不再是充分的证据。需要t > 3.0的阈值来考虑多重检验并减少虚假发现。
每笔交易都会影响市场。最优执行框架表明，市场冲击成本随交易规模的平方根增长，使得大规模头寸的建立和退出成本不成比例地高昂。
术语表
风险与度量
回测陷阱：为什么大多数回测都在撒谎
大多数回测的结果好得令人难以置信。生存偏差、前视偏差和数据挖掘夸大了收益表现，而对成本和流动性的不切实际假设掩盖了致命缺陷。了解如何使用紧缩夏普比率和前推分析构建诚实的回测。
交易成本与滑点：量化策略的隐性拖累
交易成本是理论上盈利的量化策略在实践中表现不佳的最大原因。理解执行成本的组成部分——佣金、买卖价差和市场冲击——并应用Almgren-Chriss等最优执行模型，对任何认真的量化投资者都至关重要。
波动率目标化：调整风险以获取更优回报
波动率管理组合根据近期已实现波动率反向调整敞口。这种简单方法无需预测收益能力，即可提高股票、债券和货币市场的夏普比率。
最大回撤：投资者最恐惧的风险指标
波动率告诉你典型的波动幅度，但最大回撤告诉你最痛苦的经历。MDD捕捉投资组合价值从峰值到谷底的最大跌幅。理解卡尔玛比率和条件回撤风险(CDaR)等回撤指标对于现实的策略评估至关重要。
夏普比率：衡量风险调整后收益
夏普比率是金融中最广泛使用的风险调整绩效指标，但经常被误解和误用。我们解释其构建、假设、局限性和替代方案。