风险调整后收益：夏普比率、索提诺比率与阿尔法收益

两个策略可以报出相同的年化百分比，却让你暴露在截然不同的回撤之中。风险调整后指标提出了一个有纪律的问题：你每换来一单位回报，承受了多少痛苦？它们不能替代判断，但能阻止那些抢眼的数字掩盖杠杆、集中度和跳空风险。

先从一个简单的拆分开始：相对某个基准（通常是短期政府债收益率）的超额收益，以及以收益离散程度或对某个基准的敏感度来衡量的风险。

夏普比率用平均超额收益（相对无风险利率）除以收益的标准差（通常以一致的缩放因子年化）。它被广泛引用，因为简单且能在不同策略之间横向比较 —— 但它把上行和下行的波动一视同仁。

• 接近零的数值说明在调整波动率之后，几乎没有得到补偿。
• 明显高于 1 的数值往往会吸引关注 —— 同时也应当引起警惕，提防数据挖掘或非平稳的市场状态。

务必让无风险收益序列与你的收益频率和计价货币保持一致。

索提诺比率在分母里使用下行偏差 —— 即低于某个目标或零的那部分收益的波动 —— 这样正向的意外就不会被「当作」风险来惩罚。特雷诺比率则用超额收益除以贝塔系数（Beta），强调的是对系统性敞口的补偿，而非总波动。

两者都不存在普遍意义上的「更好」。请挑选与你真正担心的那种风险相匹配的分母。

Jensen 阿尔法收益（在 CAPM 框架下）衡量的是超出贝塔系数所能预测的那部分收益。信息比率用跟踪误差来缩放主动收益 —— 即你偏离基准的稳定程度。当你在意实施风险时，一个偶尔中大奖、但噪声很大的策略，可能看起来不如一个更稳健的策略。

加密收益序列是非正态的：肥尾、市场状态切换，以及永续合约上的资金费率机制。请同时报告滚动夏普比率和最大回撤。如果你在 GaiaEx 上交易，请把手续费、资金费率和距离强平的远近都纳入你的模拟 —— 否则你的「阿尔法收益」只是表格里的幻想。

• 定义好收益序列（对数收益还是简单收益），并坚持到底。
• 挑选一个与你持有期相匹配的无风险利率代理。
• 记录清楚统计量是基于全样本还是滚动窗口。
• 绝不要在没有保留样本（holdout）市场状态的情况下，仅仅针对样本内的夏普比率去优化。