夏普比率：怎么判断一个策略是真好还是运气好

大家好，我是 Lucifer。今天聊一个做量化的人天天要面对的问题：回测报告里的夏普比率，到底是本事，还是运气。

你大概率经历过这个瞬间：Freqtrade 回测跑完，终端哗啦啦吐出一堆指标——总收益、夏普比率、索提诺比率、卡玛比率、最大回撤……大多数人只盯着收益率那一行，眼睛发直，手已经悬在”实盘启动”按钮上了。稍微冷静一点的会瞟一眼 Sharpe 1.8，然后开始灵魂拷问：1.8，算”策略很强”，还是算”我菜到看不懂”？

《小菜的交易系统》里说过，一套交易系统必须”可量化”——进场理由要量化、出场条件要量化，绩效同样要量化。量化绩效量化的是什么？不只是”赚了多少”，而是每一份收益背后，你扛了多少惊吓。这套体系叫风险调整后收益指标，本文用纯标准库 Python（random / statistics / math）把它们挨个算一遍，所有代码和数字都是真实运行的。最后回答那个终极问题：你的夏普，是本事，还是猴子掷飞镖。

一、单看收益率，等于裸奔

先做个选择题，两个策略摆你面前，你选哪个？

• 策略 A：年化 100%，最大回撤 80%
• 策略 B：年化 30%，最大回撤 8%

只看收益率，A 吊打 B，没悬念。但把”风险”放进来看，画风就变了：

• 策略 A 亏 80% 之后，要涨 400% 才能回本。100 万进去，最低点剩 20 万——绝大多数人在 -50% 的位置就已经心态爆炸割肉离场，根本活不到”回本那天”。年化 100% 的前提，是你先扛住一段水下 80% 的岁月，像一份年薪百万、但每年要先赌一次命的工作。
• 策略 B 回撤 8%，亏损期你该吃吃该睡睡——8% 就是这个策略的”正常呼吸幅度”，像坐公交，颠两下是路况，不是车祸。

画个重点：收益率回答的是”赚多快”，回撤和波动回答的是”路上有多颠”。把两者合起来看的指标，叫风险调整后收益：每承担一单位风险，换来多少收益。下面从最有名的那个开始。

二、夏普比率：每受一份惊吓，换多少钱

夏普比率由 William Sharpe 提出（1990 年诺贝尔经济学奖），定义长这样：

Sharpe = (Rp − Rf) / σp

看着吓人，翻译成大白话就一句：每受一份惊吓，换多少钱。挨个拆：

• 分子 Rp − Rf：你比”躺赢”多赚的部分。Rf 是无风险利率——钱放在完全不冒险的地方也能躺赚的那点利息。夏普只认冒险换来的钱，躺赚的不算本事，所以要先减掉。
• 分母 σp：收益的标准差，也就是波动率——净值每天上蹿下跳的幅度。翻译过来就是”惊吓剂量”。

你可能在想：赚 30% 不就行了，管它路上怎么颠？还真不行。看下面两条曲线——终点一样，一年都赚 65%，但策略 A 全程坐过山车，半道还挖了个 -15% 的坑，你大概率在坑里割肉离场，根本领不到终点的奖金；策略 B 匀速爬坡，你睡得着觉。

画个重点：夏普惩罚的正是这种颠簸——终点相同，谁走得稳谁的分数高。同样年赚 30%，一个策略让你天天心跳过速，一个策略让你睡到自然醒，后者的夏普高得多：钱一样多，每份惊吓换到的钱不一样，含金量就不一样。

无风险利率取多少？

教科书答案是美国 3 个月期国债收益率——“无风险”的锚就是政府短期信用，全球机构默认用它。加密圈的常见做法是直接简化为 0：一是比较两个策略的相对优劣时，Rf 对所有策略同减一个常数，排序基本不变；二是少一个要交代的参数，代码更干净。代价是所有策略的夏普都被整体抬高了一点，所以跨市场、跨文章比较夏普时，先确认口径一致。本文所有计算取 Rf = 0。

为什么要乘 √365 或 √252？

直接用日收益算出来的夏普，量纲是”每天的性价比”，没法和年化收益对话，所以要年化。年化系数 √N 的出处是概率论，不是玄学。直觉版是这样的：

先记住一个常识：时间拉得越长，波动反而越”平”。抛 10 次硬币，正面比例可能是 30% 这种离谱数字；抛一万次，比例几乎贴着 50%——一次一次的随机，在长过程中互相抵消了。日收益也一样：365 天的总波动，不是日波动的 365 倍，而是 √365 倍（方差才相加，开根号之后就缩了）。

麻烦在这儿：波动会互相抵消，收益不会。赚就是赚，365 天的总收益是日均值的实打实 365 倍。于是：

• 收益端：日均值 × 365（线性放大）；
• 风险端：日波动 × √365（只放大了 √365 倍）。

两边一除，年化夏普 = (μ/σ) × √N。√N 就是补上”风险端没跟着收益端一起线性放大”的那笔账——不做这个补偿，周期越长的夏普显得越低，纯属记账错误，不是策略变差了。

N 取多少，看你的市场一年有几根日 K 线：

• 加密市场 7×24 全年无休：N = 365，√365 ≈ 19.10；
• 美股一年约 252 个交易日（52 周 × 5 天 = 260，扣除法定假日）：N = 252，√252 ≈ 15.87。

拿股票的 √252 去年化加密策略，所有夏普都会被系统性压低约 17%——一个低级但极常见的错误，回去检查一下你手里的回测框架。

经验标尺（以及两个警惕）

年化夏普	评价
< 0.5	弱：这个收益波动比，不如定投指数省心
0.5 ~ 1	一般：有点东西，但不够付你的盯盘时间
1 ~ 2	良好：专业机构的主战场，多数 CTA 和趋势策略落在这里
> 2	优秀：先别激动，看下面两个警惕

警惕一：高频/做市策略的夏普天然高。日均成交几千次，单次风险被海量交易摊平，顶级做市商夏普 10+ 不稀奇。拿日线策略的 1.5 去跟人家的 8 比，是拿马拉松成绩去对比百米冠军的配速——类别不同，不可直接对表。

警惕二：样本短的夏普不可信。这是本文真正想说的重点，先埋个伏笔，第七节放 1000 只猴子出来捅破它。

顺便一提，Freqtrade hyperopt 里的 SharpeHyperOptLoss 损失函数，就是在直接优化本文讲的这个数字——hyperopt 的玩法见《多信号评分策略实战》，优化目标选得好不好，直接决定你调出来的是策略还是过拟合怪兽。

三、夏普的兄弟们：Sortino、最大回撤、Calmar

夏普有个先天槽点：分母 σp 把上涨也算成”惊吓”。账户暴涨 20% 对你来说不是惊吓，是惊喜——顶多让你下个月的消费预算开始膨胀。于是有了修正版。

Sortino（索提诺比率）：把分母换成下行波动——只统计亏损日的颠簸，盈利日记 0，再同样年化。它只惩罚”你不想要的波动”，保守派专用。

最大回撤 MDD（Maximum Drawdown）：峰谷法——沿净值曲线从左走到右，每创一个历史新高就记下来，然后看净值离这个高点最深跌到哪，取历史最惨的一次。它不是比率，是一个百分比：-34% 就是最惨那一刻你的账面浮亏。回答的问题是：”这策略最难熬的时候，有多难熬？”

Calmar（卡玛比率）：年化收益 / |MDD|，回撤视角的性价比——收益除以你挨过的最重那一拳。

四个指标各看一面，谁也替代不了谁：

指标	一句话公式	惩罚什么	适合回答的问题	盲区
夏普	(收益−无风险) / 总波动	全部波动（含上涨）	整体性价比	把暴涨也当风险
Sortino	收益 / 下行波动	只算下跌	我只在乎亏	下跌样本少，估计不稳
MDD	峰到谷的最大跌幅	最惨的一跌	极端时刻能否扛住	只记最差一次，不管频率
Calmar	年化收益 / \	MDD\		最惨的一跌	回撤性价比	分母只有一次事件，极不稳定

注意最后一列：每个指标都有盲区。Freqtrade 的回测报告把这一家四口全打出来，就是让你对着看，而不是只截其中一张发朋友圈——报告在哪看，见《Freqtrade 量化风暴》。

四、手搓一个指标计算器

光说不练假把式。下面用纯标准库把五个数一次算齐：输入一段模拟日收益序列（365 天，日均值 0.15%，日标准差 1.5%——典型”加密风格”参数），输出全套指标。看代码前先给直觉：净值曲线就是每天 (1+r) 连乘；夏普和 Sortino 都在算”均值除以某种波动”，差别只在波动怎么定义；MDD 用峰谷法一遍扫出来。

import math
import random
import statistics

random.seed(42)

# --- 模拟一段"加密风格"的日收益序列：365 天，日均值 0.15%，日标准差 1.5% ---
N = 365
returns = [random.gauss(0.0015, 0.015) for _ in range(N)]


def perf_report(rets, periods=365):
    """输入一段日收益序列，输出整套风险调整后指标（加密 7x24，一年 365 期）"""
    n = len(rets)

    # 1) 净值曲线：每天 (1+r) 连乘，顺便用峰谷法扫最大回撤
    nav = 1.0
    peak = 1.0
    mdd = 0.0                          # 最大回撤：历史高点到之后最低点的最大跌幅
    for r in rets:
        nav *= (1 + r)
        peak = max(peak, nav)          # 先更新历史新高
        mdd = min(mdd, nav / peak - 1) # 再记录当前净值离高点跌了多少

    total_return = nav - 1
    ann_return = nav ** (periods / n) - 1       # 几何年化：按期数复利放大

    mean_r = statistics.mean(rets)
    std_r = statistics.stdev(rets)              # 样本标准差（除以 n-1）
    ann_vol = std_r * math.sqrt(periods)        # 年化波动 = 日波动 × sqrt(365)

    sharpe = (mean_r - 0.0) / std_r * math.sqrt(periods)  # 无风险利率简化取 0

    downside = [min(r, 0.0) for r in rets]      # 只留下亏损的日子，盈利日记 0
    dd_dev = math.sqrt(sum(d * d for d in downside) / n)
    sortino = mean_r / dd_dev * math.sqrt(periods)

    calmar = ann_return / abs(mdd)              # 年化收益 / |最大回撤|

    print(f"样本天数        : {n}")
    print(f"累计收益        : {total_return:+.2%}")
    print(f"年化收益        : {ann_return:+.2%}")
    print(f"年化波动        : {ann_vol:.2%}")
    print(f"夏普比率        : {sharpe:.2f}")
    print(f"索提诺比率      : {sortino:.2f}")
    print(f"最大回撤 MDD    : {mdd:.2%}")
    print(f"卡玛比率 Calmar : {calmar:.2f}")


perf_report(returns)

运行结果（真实输出）：

样本天数        : 365
累计收益        : +159.74%
年化收益        : +159.74%
年化波动        : 28.89%
夏普比率        : 3.45
索提诺比率      : 5.67
最大回撤 MDD    : -12.34%
卡玛比率 Calmar : 12.94

三个细节值得圈出来：

1. 夏普 3.45 明显虚高。按塞进去的真实参数算，理论夏普 = (0.15% / 1.5%) × √365 ≈ 1.91，但这一年的样本均值恰好走了运，算出来 3.45。看清楚：样本噪音不需要任何人造假，就能把数字抬高 80%——这还只是抽样抽歪了，没有任何人捣鬼。
2. Calmar 12.94 离谱。年化波动 28.9% 的资产，最大回撤只有 -12.34%？纯粹是这段样本恰好没赶上深回撤——像体检那天恰好没发烧，不代表身体好。Calmar 的分母是”最惨的一跌”这单独一个事件，天然比夏普不稳，一年样本的 Calmar 参考价值有限。
3. 累计收益 = 年化收益，是因为样本恰好 365 天（n 等于年化期数）。如果你只回测了半年，几何年化会把数字按复利放大——所以看任何报告先看样本长度，再看数字。

顺带说：这段模拟序列的真实参数确实有 edge（日均值 0.15% > 0，是我们亲手塞的），所以 3.45 虽虚高，方向没错。真正瘆人的问题是：一个零 edge 的策略，光靠运气能把夏普飘到多高？第七节，放猴子出来。

五、胜率、盈亏比与期望值：一笔摆摊的账

夏普家族看的是日收益序列；还有一组指标看”每一笔交易”：胜率、盈亏比、期望值。先统一单位——本文用 R 计价，1R = 你单笔愿意亏掉的风险额（比如本金的 1%）。亏 1R = 打到止损；赚 1.5R = 盈利是风险额的 1.5 倍。

每笔交易的期望值：

期望 = 胜率 × 平均盈利 − 败率 × 平均亏损

别急着背公式，这笔账摆摊的人天天在算。你摆摊进货，一批货压 100 块（就是 1R），进了 10 批：

• 成 5.5 批，每批赚 150 块（盈亏比 1.5）——赚回 825 块；
• 砸 4.5 批，每批赔 100 块——赔掉 450 块。

10 批净赚 375 块，平均每批 +37.5 块，折算回来就是期望 +0.375 R/笔。你错将近一半的次数照样赚钱，原因只有一条：赢单比亏单大。摊贩不会因为砸了两批货就收摊，只要每一批的账算下来是正的，重复进货就是印钱。

用这本账看两种熟悉的面孔：

• 扛单党：胜率 95%，平均赚 0.1R（赚点小钱就跑），偶尔一次扛到爆亏 3R。摆摊版：每批赚 10 块，天天开张、眉开眼笑；偶尔一批砸手里，赔 300。期望 = 0.95 × 0.1 − 0.05 × 3 = -0.055 R/笔。天天都在赚，数学上在给市场免费打工——摊位看着红火，年底一算账，倒贴房租。不加止损的网格、逆势加仓的抄底党，很多都是这个画像。
• 趋势党：胜率 55%，平均赚 1.5R，平均亏 1R。就是上面那个摊子：十批货错四批半，照样稳稳赚钱。

记住 55% 和 1.5 这两个数字，马上还要出场。

《加密交易的风险管理》里讲过 Kelly 公式：f = (bp − q) / b，最优仓位由胜率 p 和赔率 b 决定。那篇文章留下的悬念是：”胜率 55%、赔率 1.5”这些输入从哪来？答案现在揭晓：*不是拍脑袋，是从你自己的交易记录里统计出来的。下一节实操——顺便看看，统计出来的数能歪到什么程度。

六、从交易记录统计：凯利公式的进料口

模拟一个真实参数已知的策略（真实胜率 55%、真实盈亏比 1.5，每笔金额带 ±30% 随机波动），让它打 100 笔交易。然后假装我们不知道真相，只看交易记录做统计——你回测的时候，能看到的也只有交易记录。

import math
import random
import statistics

random.seed(7)

# --- 模拟 100 笔交易：真实胜率 55%，真实盈亏比 1.5（每笔金额带 ±30% 随机波动） ---
N_TRADES = 100
pnl = []
for _ in range(N_TRADES):
    if random.random() < 0.55:                        # 赢
        pnl.append(1.5 * random.uniform(0.7, 1.3))    # 赚约 1.5R
    else:                                             # 输
        pnl.append(-1.0 * random.uniform(0.7, 1.3))   # 亏约 1R

wins = [x for x in pnl if x > 0]
losses = [x for x in pnl if x <= 0]

win_rate = len(wins) / N_TRADES                   # 统计胜率
avg_win = statistics.mean(wins)                   # 平均每笔赚多少 R
avg_loss = abs(statistics.mean(losses))           # 平均每笔亏多少 R
payoff = avg_win / avg_loss                       # 盈亏比
expectancy = win_rate * avg_win - (1 - win_rate) * avg_loss  # 期望值（R/笔）
kelly = win_rate - (1 - win_rate) / payoff        # 凯利公式给出的仓位

print(f"交易笔数        : {N_TRADES}")
print(f"统计胜率        : {win_rate:.1%}   (真实值 55%)")
print(f"平均盈利        : +{avg_win:.2f} R")
print(f"平均亏损        : -{avg_loss:.2f} R")
print(f"盈亏比          : {payoff:.2f}   (真实值 1.5)")
print(f"期望值          : {expectancy:+.3f} R/笔")
print(f"凯利仓位 f*     : {kelly:.1%}")
print(f"半凯利          : {kelly / 2:.1%}")
print(f"单笔固定风险 1% : 相当于凯利仓位的 {0.01 / kelly:.0%}")

# --- 同一个策略重复统计 20 次，看统计值围绕真实值怎么飘 ---
rates = []
payoffs = []
for _ in range(20):
    w = 0
    sum_w = 0.0
    sum_l = 0.0
    for _ in range(N_TRADES):
        if random.random() < 0.55:
            w += 1
            sum_w += 1.5 * random.uniform(0.7, 1.3)
        else:
            sum_l += 1.0 * random.uniform(0.7, 1.3)
    rates.append(w / N_TRADES)
    payoffs.append((sum_w / w) / (sum_l / (N_TRADES - w)))

print("")
print(f"同一策略统计 20 次的胜率范围  : {min(rates):.0%} ~ {max(rates):.0%} (真实 55%)")
print(f"同一策略统计 20 次的盈亏比范围: {min(payoffs):.2f} ~ {max(payoffs):.2f} (真实 1.5)")
se = math.sqrt(0.55 * 0.45 / N_TRADES)
print(f"100 笔样本的胜率标准误        : ±{se:.1%}")

运行结果（真实输出）：

交易笔数        : 100
统计胜率        : 63.0%   (真实值 55%)
平均盈利        : +1.45 R
平均亏损        : -1.02 R
盈亏比          : 1.42   (真实值 1.5)
期望值          : +0.538 R/笔
凯利仓位 f*     : 37.0%
半凯利          : 18.5%
单笔固定风险 1% : 相当于凯利仓位的 3%

同一策略统计 20 次的胜率范围  : 49% ~ 62% (真实 55%)
同一策略统计 20 次的盈亏比范围: 1.39 ~ 1.68 (真实 1.5)
100 笔样本的胜率标准误        : ±5.0%

看懂这份输出，比看懂任何营销海报都重要：

• 统计胜率 63%，真实只有 55%——差 8 个点，但这完全在正常范围内：100 笔样本的胜率标准误约 ±5%，63% 也就是偏离 1.6 个标准误而已。同一个策略重复统计 20 次，胜率在 49%~62% 之间飘。你以为的”状态好坏”，很多时候只是抽样噪音——同一锅汤舀一勺尝咸淡，这一勺的咸淡不代表整锅。
• 凯利公式对输入误差极其敏感。真实参数下的凯利是 25%，但统计胜率被高估到 63% 后，凯利直接膨胀到 37%——胜率高估 8 个点，建议仓位多吃近一半。这就是风险管理那篇强调”实盘用半凯利甚至四分之一凯利”的数学原因：不是怂，是在对冲统计误差。
• 单笔固定风险 1%，只相当于这份凯利建议的 3%，保守得近乎无聊。但复利的本质是活着，无聊地活着比刺激地死去强。

实操结论：统计值围绕真实值波动，样本越大越接近真相。100 笔起步，300 笔像样；至于 30 笔交易统计出的”胜率 70%”——30 笔的标准误约 ±9%，运气好统计出 70%、运气差就能统计出 40%，全看抽到哪一手——建议直接当段子听。

七、运气还是技巧：1000 只猴子的审判

前面所有铺垫，都是为了回答开场那个问题。思路粗暴而优雅：造 1000 个”零期望”的纯随机策略——每天从均值为 0 的正态分布里抽一个收益率，没有任何 edge，纯抛硬币。你可以把它们想象成 1000 只猴子掷飞镖。然后挨个算年化夏普，看猴群整体能考出什么成绩——尤其是最好的那只猴子，能好到什么程度。

import math
import random
import statistics

random.seed(2026)


def annual_sharpe(rets):
    """年化夏普 = 日均值 / 日标准差 × sqrt(365)"""
    return statistics.mean(rets) / statistics.stdev(rets) * math.sqrt(365)


def monte_carlo(n_days, n_runs=1000):
    """跑 n_runs 个"零期望"纯随机策略，返回年化夏普的排序分布"""
    sharps = []
    for _ in range(n_runs):
        rets = [random.gauss(0, 0.01) for _ in range(n_days)]
        sharps.append(annual_sharpe(rets))
    sharps.sort()
    return sharps


for n_days in (365, 30):
    sharps = monte_carlo(n_days)
    above = sum(1 for s in sharps if s > 1.8)
    print(f"--- 样本 {n_days} 天：1000 个零期望随机策略的年化夏普 ---")
    print(f"中位数           : {statistics.median(sharps):+.3f}")
    print(f"95 分位          : {sharps[949]:+.3f}")
    print(f"最大值           : {sharps[-1]:+.3f}")
    print(f"夏普 > 1.8 的比例 : {above / 10:.1f}%")
    print("")

运行结果（真实输出）：

--- 样本 365 天：1000 个零期望随机策略的年化夏普 ---
中位数           : +0.045
95 分位          : +1.647
最大值           : +3.125
夏普 > 1.8 的比例 : 3.9%

--- 样本 30 天：1000 个零期望随机策略的年化夏普 ---
中位数           : -0.011
95 分位          : +5.726
最大值           : +11.800
夏普 > 1.8 的比例 : 30.4%

把结果翻译成人话：

• 365 天样本：1000 只猴子，夏普中位数约 0（意料之中，它们本来啥也不是），但 95 分位高达 1.647，最强的那只干到 3.125。也就是说，纯靠运气的”策略”，有 5% 的概率考出 1.65 以上，3.9% 的概率考出 1.8 以上。
• 30 天样本：95 分位飙到 5.726，最大值 11.8，30.4% 的猴子夏普超过 1.8。”我这个策略跑了俩月，夏普 5”——统计学上这句话的信息量约等于”我今天出门穿了袜子”。

看图更直白：蓝色柱子是猴群的常态成绩，右边那条红色小尾巴，就是纯运气能摸到的高度。你的策略得跑赢猴群的 95%，才轮得到谈”本事”。

这也不是巧合，是统计学亲手送的记忆点：当样本是 365 天时，年化夏普 = (μ/σ) × √365，数值上恰好就是检验”均值是否为零”的 t 统计量（t = μ / (σ/√365)）。而 t 分布的单侧 5% 临界值是 1.645——蒙特卡洛实测 95 分位 1.647，严丝合缝。30 天样本同理：1.70 × √(365/30) ≈ 5.9，和实测的 5.726 也对上了。

于是判定标准出炉：

你的策略夏普，必须显著压过同样本量的随机 95 分位，才配讨论”是不是真有东西”。
跑满一年：夏普 > 1.65 才刚过及格线——纯随机只有约 4% 的概率伪装到这个水平；
只跑 30 天：随机策略三成都能上 1.8，你的夏普等于没测。

回收开场的伏笔。夏普 1.8，如果是 365 天样本跑出来的：刚过 1.65 的显著性线，可以说”可能有真东西”，但优势不大，且仍有约 4% 的概率它纯属运气；如果是 30 天样本跑出来的：请回炉重造。第四节那个夏普 3.45 的模拟策略，已经超过了 1000 只猴子的最大值 3.125——它确实有 edge（毕竟是我们亲手塞进去的）。关键在于：如果你不做这场审判，报告里的 3.45 和运气冒充者的 3.13，长得一模一样。

八、防过拟合：模拟考的高分不算数

最后泼一盆必要的冷水。本文算的所有指标都是”样本内成绩”，相当于模拟考——而模拟考是可以作弊的：参数扫描扫到夏普 3.8、未来函数偷看明天的收盘价、用全市场历史筛出”恰好躲过每次大跌”的规则——回测曲线上是天使，实盘上是祭品。真正算数的是样本外：模拟盘，或者干脆实盘小仓。前视偏差、幸存者偏差、参数过拟合，每一个都值得单独写一篇（已列入写作清单）。今天只需要记住一条铁律：回测指标的唯一用途是生成假设，验证必须靠样本外。夏普压过了 1.65，而且是样本外算出来的，才轮到你兴奋。

总结

• 单看收益率等于裸奔，风险调整后收益才是策略的真实成绩单：同样赚 30%，睡得着觉的那个含金量更高。
• 夏普 = (Rp − Rf) / σp，翻译过来是”每受一份惊吓，换多少钱”。无风险利率教科书取美债收益率，加密圈常简化为 0；年化系数来自 √N——加密 365 天、美股 252 天，别拿错。
• 标尺：<0.5 弱，0.5~1 一般，1~2 良好，>2 优秀但要警惕——高频策略夏普天然高，短样本夏普天然不可信。
• Sortino 只罚下跌，MDD 记录最惨一跌，Calmar 看回撤性价比；每个指标都有盲区，要对着看。
• 期望 = 胜率 × 平均盈利 − 败率 × 平均亏损，就是摆摊的账：赢单比亏单大，错一半照样赚；凯利公式的胜率和赔率从交易记录统计而来，而 100 笔的统计误差就足以把建议仓位吹大近一半。
• 蒙特卡洛审判线：一年样本的夏普要压过 1.65（恰好是 t 检验 5% 显著水平的随机上界），30 天样本的夏普约等于抛硬币的录音回放。
• 以上一切，只在样本外可信——模拟考的高分不算数。

相关阅读

• 《Freqtrade 量化风暴》：回测输出的指标在哪看
• 《多信号评分策略实战》：hyperopt 的 SharpeHyperOptLoss 就是在优化本文的夏普
• 《加密交易的风险管理》：Kelly 公式的胜率与赔率输入，本文教你怎么从交易记录里算出来
• 《小菜的交易系统》：”可量化”的落点就是这套指标