策略评价指标（2）

什么样的策略是好策略：风险收益平衡与策略容量

小象实战讲义 · 初阶量化交易：策略编写及系统搭建 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在量化投资与对冲基金的实操中，投资人与基金经理最常探讨的核心命题是：究竟什么样的策略才算是一个真正优秀的”好策略”？ 很多散户交易者片面追求高达 80% 的年化超高收益，却忽视了伴随其后的 50% 巨额本金回撤与爆仓破产风险。在现代资产管理体系中，评估一个策略的成熟度，必须建立在风险收益平衡度、策略容量上限（Capacity）与实盘心理舒适度的综合基准之上。

本讲系统阐述机构级量化投资对”好策略”的黄金定义；深度拆解夏普比率（Sharpe）、卡玛比率（Calmar）、最大回撤与流动性承载力的综合多维体检准则；并对比高频、中频日线与低频基本面策略在不同资金体量下的特征谱系。

💡 核心导读

• “好策略”的工业级黄金定义： $$\text{好策略} = \text{可控且受限的风险敞口} + \text{长期稳健的超额收益 (Alpha)} + \text{充裕的资金容量 (Capacity)} + \text{高执行舒适度}$$
• 好策略的四大硬核判定标尺：
  1. 风险收益比（Sharpe Ratio $> 1.5$）：单位总波动风险下换取的风险溢价足够丰厚，抗周期能力强；
  2. 收益回撤比（Calmar Ratio $> 2.0$）： $$\text{Calmar} = \frac{\text{复合年化收益率 } CAGR}{|\text{历史最大回撤 } MaxDrawdown|}$$ 卡玛比率是衡量用多少痛苦（最大回撤）换取多少收益的最佳指标，Calmar $> 2.0$ 意味着承受 10% 回撤可获得 20% 以上年化收益；
  3. 极端回撤与修复周期（Drawdown Duration）：最大回撤必须被牢牢锁定在组合容忍阈值内（通常 $< 15\%$），且历史回撤修复期不宜超过 3~6 个月；
  4. 策略容量与冲击成本（Capacity & Slippage）：策略所能容纳的最大资金规模（如 1000 万 vs 10 亿），若资金稍大便导致滑点大幅吞噬收益，则不具备实操规模效应。
• 策略周期与容量特征全景谱系：
  • 高频/日内（Tick/Minute）：Sharpe $> 3.0$，回撤极小（$<3\%$），胜率高（$>60\%$），但容量极小（通常 $< 5000$ 万）；
  • 中频/日线（Daily）：Sharpe $1.5 \sim 2.0$，回撤 $10\% \sim 15\%$，容量适中（$1 \sim 10$ 亿元）；
  • 低频/基本面多因子（Weekly/Monthly）：Sharpe $1.0 \sim 1.5$，容量极大（可承载百亿资金）。

┌─────────────────────────────────────────────────────────────┐
│                    好策略的四维核心评估平衡木               │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌──────────────────┐   ┌──────────────────┐   ┌──────────────────┐
│ 1. 收益回撤比    │   │ 2. 策略容量承载力│   │ 3. 心理舒适度    │
├──────────────────┤   ├──────────────────┤   ├──────────────────┤
│ • Calmar > 2.0   │   │ • 承载千万/亿级  │   │ • 胜率与回撤平缓 │
│ • Sharpe > 1.5   │   │ • 低冲击滑点摩擦 │   │ • 避免主观情绪   │
│ • 穿越牛熊极端市 │   │ • 流动性匹配良好 │   │ • 严格坚守纪律   │
└──────────────────┘   └──────────────────┘   └──────────────────┘

一、为什么高夏普比单纯高收益更具价值？

在金融工程中，高夏普策略具有天然的可放大性（Leveragability）：

• 假设策略 A：年化收益 40%，年化波动率 40%（夏普比率 $= 1.0$）；
• 策略 B：年化收益 15%，年化波动率 5%（夏普比率 $= 3.0$）；
• 金融魔法：通过对低波动的策略 B 施加 3 倍适度杠杆，即可转化为年化收益 $45\%$、波动率仅 $15\%$ 的超极品策略，其综合风险收益质量碾压策略 A。

二、策略综合评分卡模型（Health Scorecard）

专业机构通常采用加权评分卡对策略进行 Tier 分级：

• Tier 1（顶级优选）：Sharpe $\ge 2.0$，MaxDD $\le 8\%$，Calmar $\ge 2.5$，胜率 $\ge 55\%$；
• Tier 2（合格实盘）：Sharpe $\ge 1.5$，MaxDD $\le 15\%$，Calmar $\ge 1.5$；
• Tier 3（需优化）：Sharpe $\ge 1.0$，MaxDD $\le 25\%$；
• Tier 4（劣质淘汰）：Sharpe $< 1.0$ 或 MaxDD $> 25\%$。

⚠️ 评分卡的使用边界：本讲各指标与分数线（夏普 1.5、Calmar 2.5、回撤 15% 等）是业界经验参考，不是盈利保证；示例输入（CAGR 26%、回撤 11% 等）为人为设定的体检演示，输出等级只反映”这组假设数字”的得分。真实策略的指标必须先用无幸存者偏差、无前视偏差的回测算出，再结合样本外表现解读——一个在历史数据上打分很高的策略，仍可能因过拟合而在实盘失效（见 5.4）。

📝 动手练一练

下面我们用 Python 编写一段 量化策略综合健康度体检评分卡，输入策略核心指标，自动输出量化得分与实盘评级：

import pandas as pd
# 保证宽表在任意终端宽度下都完整打印（不折叠中间列），使输出确定、可复现
pd.set_option("display.width", 250)
pd.set_option("display.max_columns", None)
pd.set_option("display.max_rows", None)
import numpy as np

def evaluate_strategy_health(cagr=0.25, max_dd=0.10, sharpe=1.8, win_rate=0.55, capacity_mil=50.0):
    """
    量化策略综合健康度与实盘可投性评分卡 (Strategy Health Scorecard)
    综合考量 Sharpe、MaxDD、Calmar 与胜率舒适度
    """
    calmar = cagr / max_dd if max_dd > 0 else 999.0
    
    score = 0
    # 1. Sharpe 比率评分 (满分 30)
    if sharpe >= 2.0: score += 30
    elif sharpe >= 1.5: score += 25
    elif sharpe >= 1.0: score += 15
    else: score += 5
    
    # 2. Max Drawdown 最大回撤评分 (满分 30)
    if max_dd <= 0.08: score += 30
    elif max_dd <= 0.15: score += 25
    elif max_dd <= 0.25: score += 15
    else: score += 0
    
    # 3. Calmar 卡玛比率评分 (满分 20)
    if calmar >= 2.5: score += 20
    elif calmar >= 1.5: score += 15
    elif calmar >= 1.0: score += 10
    else: score += 0
    
    # 4. 胜率与心理舒适度 (满分 20)
    if win_rate >= 0.55: score += 20
    elif win_rate >= 0.45: score += 15
    else: score += 5
    
    grade = "Tier 1: 顶级优选策略 (机构级)" if score >= 85 else \
            "Tier 2: 合格实盘策略 (可配置)" if score >= 70 else \
            "Tier 3: 需优化策略 (暂不建议实盘)" if score >= 50 else \
            "Tier 4: 劣质策略 (坚决废弃)"
            
    res = {
        "CAGR%": round(cagr * 100.0, 2),
        "Max_Drawdown%": round(max_dd * 100.0, 2),
        "Sharpe_Ratio": round(sharpe, 2),
        "Calmar_Ratio": round(calmar, 2),
        "Win_Rate%": round(win_rate * 100.0, 2),
        "Capacity_Estimate": f"{capacity_mil} 万元",
        "Total_Score": score,
        "Strategy_Grade": grade
    }
    return res

def test_health_run():
    res = evaluate_strategy_health(cagr=0.26, max_dd=0.11, sharpe=1.85, win_rate=0.52, capacity_mil=100.0)
    print("================ 量化策略综合健康度体检评分 ================")
    for k, v in res.items():
        print(f"  - {k:<20}: {v}")
    print("----------------------------------------------------------")
    print("量化箴言: 真正的好策略是在极端风险下能守住本金、且具备充裕容量的稳健系统！")
    print("==========================================================")
test_health_run()

运行结果输出：

================ 量化策略综合健康度体检评分 ================
  - CAGR%               : 26.0
  - Max_Drawdown%       : 11.0
  - Sharpe_Ratio        : 1.85
  - Calmar_Ratio        : 2.36
  - Win_Rate%           : 52.0
  - Capacity_Estimate   : 100.0 万元
  - Total_Score         : 80
  - Strategy_Grade      : Tier 2: 合格实盘策略 (可配置)
----------------------------------------------------------
量化箴言: 真正的好策略是在极端风险下能守住本金、且具备充裕容量的稳健系统！
==========================================================

本章小结

1. 树立科学好策略标准：以风险调整后收益（Sharpe）、收益回撤比（Calmar）与容量上限为核心抓手。
2. 理解杠杆与夏普的辩证关系：高夏普低波策略可通过适度加杠杆转化为顶尖收益资产，其价值远胜于高波裸跑策略。
3. 容量匹配实战规模：在策略研发之初即评估市场流动性与冲击成本，避免研发出无法落地的”纸面富贵”策略。

📋 行动清单 (Action Checklist)

• 运行本讲健康评分卡代码，测试不同收益回撤组合的得分等级；
• 用评分卡给自己开发的历史策略打分，找出当前短板指标；
• 预习下一讲，学习如何系统性从特征工程、出场风控与多因子融合三个维度改进策略。

—— 小象教研组