夏普比率(Sharpe Ratio)

投资中有一个常规的特点,即投资标的的预期报酬越高,投资人所能忍受的波动风险越高;反之,预期报酬越低,波动风险也越低。所以理性的投资人选择投资标的与投资组合的主要目的为:在固定所能承受的风险下,追求最大的报酬;或在固定的预期报酬下,追求最低的风险。

  1990年度诺贝尔经济学奖得主威廉-夏普(William Sharpe)以投资学最重要的理论基础CAPM(Capital Asset Pricing Model,资本资产定价模式)为出发,发展出名闻遐迩的夏普比率(Sharpe Ratio),用以衡量金融资产的绩效表现。威廉-夏普理论的核心思想是:理性的投资者将选择并持有有效的投资组合,即那些在给定的风险水平下使期望回报最大化的投资组合,或那些在给定期望回报率的水平上使风险最小化的投资组合。解释起来非常简单,他认为投资者在建立有风险的投资组合时,至少应该要求投资回报达到无风险投资的回报,或者更多。

夏普比率计算公式:=[E(Rp)-Rf]/σp
其中E(Rp):投资组合预期报酬率
Rf:无风险利率
σp:投资组合的标准差

  目的是计算投资组合每承受一单位总风险,会产生多少的超额报酬。比率依据资本市场线(Capital MarketLine,CML)的观念而来,是市场上最常见的衡量比率。当投资组合内的资产皆为风险性资产时,适用夏普比率。夏普指数代表投资人每多承担一分风险,可以拿到几分报酬;若为正值,代表基金报酬率高过波动风险;若为负值,代表基金操作风险大过于报酬率。这样一来,每个投资组合都可以计算Sharpe ratio,即投资回报与多冒风险的比例,这个比例越高,投资组合越佳。

  举例而言,假如国债的回报是3%,而您的投资组合预期回报是15%,您的投资组合的标准偏差是6%,那么用15%-3%,可以得出12%(代表您超出无风险投资的回报),再用12%÷6%=2,代表投资者风险每增长1%,换来的是2%的多余收益。

  夏普理论告诉我们,投资时也要比较风险,尽可能用科学的方法以冒小风险来换大回报。所以说,投资者应该成熟起来,尽量避免一些不值得冒的风险。同时当您在投资时如缺乏投资经验与研究时间,可以让真正的专业人士(不是只会卖金融产品给你的SALES)来帮到您建立起适合自己的,可承受风险最小化的投资组合。这些投资组合可以通过Sharpe Ratio来衡量出风险和回报比例。

时间: 2024-10-26 02:28:27

夏普比率(Sharpe Ratio)的相关文章

量化交易风险指标

量化交易风险指标 风险指标数据有利于对策略进行一个客观的评价,主要风险指标包括: 策略收益(Total Returns) 策略年化收益(Total Annualized Returns) 基准收益(Benchmark Returns) 基准年化收益(Benchmark Annualized Returns) 阿尔法(Alpha):投资中面临着系统性风险(Beta)和非系统性风险(Alpha),Alpha是投资者获得与市场波动无关的回报.比如投资者获得了15%的回报,其基准获得了10%的回报,那么

CFA一级知识点总结

Ethics 部分 Objective of codes and standard:永远是为了maintain public trust in 1. Financial market 2. Investment profession 6个code of ethics 1. Code 1—ethics and pertinent d persons a. 2. Code 2---primacy of client’s interest a. Integrity with investment pr

AI金融知识自学偏量化方向-目录0

前提: 统计学习(统计分析)和机器学习之间的区别 金融公司采用机器学习技术及招募相关人才 了解不同类型的机器学习 有监督学习 vs 无监督学习 迭代和评估 偏差方差权衡 结合有监督学习和无监督学习(半监督学习) 了解机器学习语言和工具集 开源 vs 专有系统和软件 Python vs R vs Matlab 库和框架 了解神经网络 了解金融基本概念 了解股票交易 了解时间序列数据 了解金融分析 金融领域机器学习案例研究 信号生成和测试 特征工程 人工智能算法交易 数量贸易预测 针对资产组合管理的

量化思维与常见的量化指标

导读: 交易和投资让我们看清了人性的弱点.有人亏钱,就有人反向利用这些弱点而赚钱.赚钱者并不表明他们不具有人类普遍的天性,只是相比手无寸铁的散户,他们手里掌握着“核武器”——量化交易系统. 他们善于采取量化思维,穷举市场可能因素,并设计交易系统,通过雇佣大批数学.天体物理学家,凭借高速计算机将系统设计成量化交易模型,也就是用人工智能决策来替代人脑,从而规避他们自身情绪天性对交易决策的影响. 1.两种交易类型中的量化交易 按照决策的方式,交易可分为判断型和量化型. 判断型交易根据金融市场各种信息以

跨期套利策略

策略想法:选取某一期货品种的主力合约和次主力合约,得到两个合约价格的价差,运用布林带指标,取前20分钟和2倍标准差,如果价差在布林带之外,入场,回到均值出场. 如下为策略代码: #选取zn1701和zn1702合约的11月份交易分钟数据#数据经过excel处理,两个合约数据按时间合并#设置手续费和滑点为10元(两个合约买卖一次),平仓时扣除,import pandas as pdfrom pandas import Series,DataFrameimport numpy as npimport

期货策略:卖出涨幅较大期货合约,买入涨幅较小期货合约

策略想法:选择期货锌和期货铜2016年主力合约小时数据,如果买入 前一小时涨幅较大合约,假设A,买入前一小时涨幅较小合约,假设B,买入时实时保持两者价值相等(价格不相等,则买入份数不一样),如果A涨幅小于B涨幅,则平仓. 策略代码如下: import pandas as pdimport pyodbcfrom sqlalchemy import create_engineimport numpy as npfrom statistics import medianimport crash_on_

波动率与价格价格配合策略

本策略为波动率与价格想结合的策略,策略想法较为复杂,交易次数较少. 代码如下: import pandas as pdimport pyodbcfrom sqlalchemy import create_engineimport numpy as npfrom statistics import medianimport crash_on_ipyimport pdbimport matplotlib.pyplot as plt# import matplotlib_finance as mpf#

用Python徒手撸一个股票回测框架

通过纯Python完成股票回测框架的搭建. 什么是回测框架? 无论是传统股票交易还是量化交易,无法避免的一个问题是我们需要检验自己的交易策略是否可行,而最简单的方式就是利用历史数据检验交易策略,而回测框架就是提供这样的一个平台让交易策略在历史数据中不断交易,最终生成最终结果,通过查看结果的策略收益,年化收益,最大回测等用以评估交易策略的可行性. 代码地址在最后. 本项目并不是一个已完善的项目, 还在不断的完善. 回测框架 回测框架应该至少包含两个部分, 回测类, 交易类.回测类提供各种钩子函数,

指数ETF基金的组合分析方法初探

本文在Creative Commons许可证下发布 试想一下,大多数基金“推荐”的配置策略都假设某种股票/债券组合.如果我们想寻求成本最小收益最高的组合(以yahoo finance上的数据来分析,因为美国股市数据更容易获得).那么什么才是一个好的组合成为了我们的问题?指数基金包括几乎所有的股票和债券.几乎包含了美国股票及债券市场的组成的四种ETF是VTI.VXUS.BND.BNDX.让我们从这些开始数据分析.使用R语言来完成分析程序 1 # Load package 2 library(tid