Sharpe Ratio — 量化面试完全手册

§ 01

定义与年化

设超额收益序列 $x_t = r_t - r_{f,t}$，样本均值 $\bar{x}$，样本标准差 $\hat{\sigma}$，样本 Sharpe 定义为：

$$\hat{S} = \frac{\bar{x}}{\hat{\sigma}}, \qquad \bar{x} = \frac{1}{n}\sum_{t=1}^n x_t, \quad \hat{\sigma}^2 = \frac{1}{n-1}\sum_{t=1}^n (x_t - \bar{x})^2$$

年化换算（i.i.d.）

若 $x_t$ 独立同分布，每期与年之间有因子 $A$（如日度 $A=252$，月度 $A=12$，周度 $A=52$）：

S_{\text{ann}} = \sqrt{A} \cdot S_{\text{per}}

⚠️

陷阱：自相关。若收益存在序列相关，直接乘 $\sqrt{A}$ 是错的。正确做法：先用 HAC 估计年化方差，再计算年化 Sharpe。见 §19。

各频率年化因子

频率	年化因子 $A$	年化 Sharpe
日度	252	$\sqrt{252} \approx 15.87 \times S_d$
周度	52	$\sqrt{52} \approx 7.21 \times S_w$
月度	12	$\sqrt{12} \approx 3.46 \times S_m$

§ 02

杠杆不变性

若对策略加 $L$ 倍杠杆（无借贷成本、无交易成本）：

\mu(Lw) = L\mu, \quad \sigma(Lw) = L\sigma \quad \Rightarrow \quad S(Lw) = \frac{L\mu}{L\sigma} = S

🔑

核心结论：Sharpe 决定配置比例，杠杆决定绝对风险敞口。加减杠杆不改变 Sharpe，只改变你在资本市场线（CML）上的位置。

⚠️

现实中杠杆影响 Sharpe 的原因：① 融资成本（$r_f$ 上升）；② 保证金/强平风险；③ 市场冲击成本随规模增大；④ 尾部风险不对称。

§ 03

与 t 统计量的关系

检验均值是否显著不为 0 的 t 统计量：

t = \frac{\bar{x}}{\hat{\sigma}/\sqrt{n}} = \sqrt{n} \cdot \hat{S}

量	含义	与样本长度的关系
Sharpe $\hat{S}$	单位风险收益（不含样本信息）	❌ 无关
t 统计量	均值显著性（含样本量信息）	✅ 正比于 $\sqrt{n}$

💡

相同 Sharpe 的策略，样本越长 t 值越大，统计显著性越高。这是为什么 "策略本身好" 和 "统计上可以被置信" 是两件事。

§ 04

Sharpe 的标准误推导（Delta Method）

核心推导目标：求 $\text{Var}(\hat{S})$，其中 $\hat{S} = g(\bar{r}, s) = \bar{r}/s$。

1

准备各分量的方差。在 i.i.d. 正态假设 $r_i \sim \mathcal{N}(\mu, \sigma^2)$ 下： $$\bar{r} \sim \mathcal{N}\!\left(\mu, \frac{\sigma^2}{n}\right), \quad \text{Var}(\bar{r}) = \frac{\sigma^2}{n}$$ 由卡方性质 $\frac{(n-1)s^2}{\sigma^2} \sim \chi^2_{n-1}$，$\text{Var}(\chi^2_k) = 2k$，得 $$\text{Var}(s^2) = \frac{2\sigma^4}{n-1} \approx \frac{2\sigma^4}{n}$$ 一阶近似（$h(v) = \sqrt{v}$ 在 $v = \sigma^2$ 处展开）： $$\text{Var}(s) \approx \left(\frac{1}{2\sigma}\right)^2 \text{Var}(s^2) = \frac{\sigma^2}{2n}$$

2

计算 $\text{Cov}(\bar{r}, s)$。正态分布下样本均值与样本方差独立，故 $$\text{Cov}(\bar{r}, s^2) = 0 \implies \text{Cov}(\bar{r}, s) \approx 0$$

3

Delta Method 展开。$g(x,y) = x/y$，在 $(\mu, \sigma)$ 处一阶展开： $$\hat{S} - S \approx \frac{\partial g}{\partial x}\bigg|_{(\mu,\sigma)}(\bar{r}-\mu) + \frac{\partial g}{\partial y}\bigg|_{(\mu,\sigma)}(s-\sigma)$$ 其中 $\frac{\partial g}{\partial x} = \frac{1}{\sigma}$，$\frac{\partial g}{\partial y} = -\frac{\mu}{\sigma^2} = -\frac{S}{\sigma}$。

4

合并方差： $$\text{Var}(\hat{S}) \approx \frac{1}{\sigma^2}\cdot\frac{\sigma^2}{n} + \frac{S^2}{\sigma^2}\cdot\frac{\sigma^2}{2n} = \frac{1}{n} + \frac{S^2}{2n} = \frac{1 + \frac{1}{2}S^2}{n}$$

$$\boxed{\widehat{\text{SE}}(\hat{S}) \approx \sqrt{\frac{1 + \frac{1}{2}\hat{S}^2}{n-1}}}$$

直观分解

项	来源	含义
$1$	$\text{Var}(\bar{r})$	均值估计的不确定性
$\frac{1}{2}S^2$	$\text{Var}(s)$	方差估计的不确定性（S 越高影响越大）
$n-1$	自由度	样本量越大 SE 越小

⚠️

自相关/异方差时：用 Newey–West HAC 标准误替换上式。

§ 05

显著性检验

检验 $H_0: S = 0$

t = \sqrt{n} \cdot \hat{S} \overset{\text{approx}}{\sim} t_{n-1}

大样本下用正态近似，双侧 95% CI：$\hat{S} \pm 1.96 \cdot \widehat{\text{SE}}(\hat{S})$。

检验 $H_0: S = S_0$（非中心 t）

在 i.i.d. 正态下，$\sqrt{n}\hat{S}$ 服从非中心 $t_{n-1}$，非中心参数 $\delta = \sqrt{n}S_0$。大样本时用 Delta Method 近似：

z = \frac{\hat{S} - S_0}{\widehat{\text{SE}}(\hat{S})} \overset{\text{approx}}{\sim} \mathcal{N}(0,1)

数值练习

$n = 252$，$\hat{S}_d = 0.2$（日度）。检验年化 Sharpe $> 0$：
$t = \sqrt{252} \times 0.2 \approx 3.17$，$p \approx 0.0015$（单侧显著）。

§ 06

负收益天数问题

高频面试题年化 Sharpe = 8，观察到连续 $N$ 天总收益为负，$N$ 多大才能拒绝 "$S_\text{ann}=8$"？

1

日度 Sharpe：$S_d = S_\text{ann}/\sqrt{252} = 8/\sqrt{252} \approx 0.504$，即 $\mu_d/\sigma_d \approx 0.5$。

2

$N$ 天总收益 $X_N = \sum_{t=1}^N r_t \sim \mathcal{N}(N\mu_d,\, N\sigma_d^2)$。

3

在 $H_0$ 下 $P(X_N < 0) = \Phi\!\left(-\frac{\mu_d \sqrt{N}}{\sigma_d}\right) = \Phi(-S_d\sqrt{N}) \leq \alpha$ $$\Rightarrow \quad N \geq \left(\frac{z_{1-\alpha}}{S_d}\right)^2$$

显著性 $\alpha$	$z_{1-\alpha}$	最小 $N$（天）	近似
10%	1.28	$(1.28/0.504)^2 \approx 6.4$	$\approx$ 7 天
5%	1.645	$(1.645/0.504)^2 \approx 10.7$	$\approx$ 11 天
1%	2.326	$(2.326/0.504)^2 \approx 21.3$	$\approx$ 22 天
0.5%	2.576	$(2.576/0.504)^2 \approx 26.1$	$\approx$ 27 天

💡

年化 Sharpe=8 的策略，连续 22 天亏损才在 1% 显著性下可以拒绝。说明即使策略非常好，短期亏损也不足为奇——这正是统计置信与策略质量的区别。

📋

常用参考表：$\Phi(-1.64) = 0.05$，$\Phi(-1.96) = 0.025$，$\Phi(-2.33) = 0.01$，$\Phi(-2.58) = 0.005$。

§ 07

样本偏差修正

有限样本下 $\hat{S}$ 对真实 $S$ 有偏（正偏）。一阶近似：

\mathbb{E}[\hat{S}] \approx S\left(1 + \frac{1+S^2}{4(n-1)}\right)

实际中更常直接报告置信区间与检验，而非逐点校正。

§ 08

比较两策略 Sharpe

检验 $H_0: S_1 = S_2$，不能直接相减，需考虑两序列的协方差与自相关。

Jobson–Korkie (1981) + Memmel (2003) 修正

给出 $\text{Var}(\hat{S}_1 - \hat{S}_2)$ 的封闭近似，涉及三四阶矩，构造 z 统计量。

Ledoit–Wolf (2008)

更稳健的大样本检验，允许非正态、自相关。

🔑

面试要点：必须说明两策略的相关性会影响差异的显著性。同窗口观测需要协方差调整，不能用简单 z 检验。

§ 09

两策略组合的 Sharpe

策略 1：Sharpe $S_1$，vol $\sigma_1$，return $\mu_1 = S_1\sigma_1$。
策略 2：Sharpe $S_2$，vol $\sigma_2$，相关系数 $\rho$。权重 $w_1, w_2$，$w_1+w_2=1$。

组合期望

$\mu_p = w_1\mu_1 + w_2\mu_2 = w_1S_1\sigma_1 + w_2S_2\sigma_2$

组合方差

$\sigma_p^2 = w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\rho\sigma_1\sigma_2$

组合 Sharpe

$S_p = \mu_p / \sigma_p$

特殊情形：$\rho = 1$（完全正相关）

\sigma_p = |w_1\sigma_1 + w_2\sigma_2| \implies S_p = \frac{w_1\mu_1 + w_2\mu_2}{w_1\sigma_1 + w_2\sigma_2} \leq \max(S_1, S_2)

完全正相关时无分散化收益，Sharpe 最多等于较大者。

特殊情形：$\sigma_1 = \sigma_2$，$S_1 = S_2 = S$

S_p = \frac{S}{\sqrt{(1+\rho)/2}}, \quad \rho < 1 \text{ 时} \; S_p > S

关键面试题：10%/90% 混合

面试题现有 Sharpe=3 的策略。加入 10% 的新（不相关）策略，保持组合 Sharpe $\geq 3$，新策略的最低 Sharpe 是多少？

1

设新策略 Sharpe=$s$，vol=$\sigma_2$，旧策略 vol=$\sigma_1$，$\rho=0$。
目标：$S_p \geq 3$，即 $S_p^2 \geq 9$。

2

为简化，令 $\sigma_1 = \sigma_2 = \sigma$（volatility 相同，Sharpe 之比即 return 之比）： $$S_p^2 = \frac{(0.9\mu_1 + 0.1\mu_2)^2}{(0.9)^2\sigma^2 + (0.1)^2\sigma^2} = \frac{(0.9\cdot3 + 0.1\cdot s)^2\sigma^2}{0.82\sigma^2}$$

3

要求 $S_p^2 \geq 9$： $$(0.9\cdot3 + 0.1\cdot s)^2 \geq 9 \times 0.82 = 7.38$$ $$0.27 + 0.1s \geq \sqrt{7.38} \approx 2.716$$ $$s \geq \frac{2.716 - 2.7}{0.1} \approx 0.16$$

$$\boxed{s_{\min} \approx 0.16}$$

💡

为什么答案远低于 3？分散化的威力。新策略与旧策略不相关，加入它不仅增加分子（期望收益），更重要的是分母（组合方差）的增幅被相关性为零所抑制。即使新策略本身很弱，不相关这一特性已经贡献了巨大的风险分散价值。

§ 10

最大 Sharpe 的最优权重

问题：$\max_w \dfrac{w^\top\mu}{\sqrt{w^\top\Sigma w}}$（含无风险资产时替换 $\mu \to \mu - r_f\mathbf{1}$）。

推导（拉格朗日法）

1

同质性：Sharpe 是 $w$ 的零次齐次函数，固定分母为 1 等价：$\max_w\; w^\top\mu$ s.t. $w^\top\Sigma w = 1$。

2

拉格朗日：$\mathcal{L} = w^\top\mu - \frac{\lambda}{2}(w^\top\Sigma w - 1)$。FOC：$\mu - \lambda\Sigma w = 0 \Rightarrow w \propto \Sigma^{-1}\mu$。

3

归一化（$\mathbf{1}^\top w = 1$）：$w^* = \dfrac{\Sigma^{-1}\mu}{\mathbf{1}^\top\Sigma^{-1}\mu}$。

$$w_{\text{tan}} = \frac{\Sigma^{-1}(\mu - r_f\mathbf{1})}{\mathbf{1}^\top\Sigma^{-1}(\mu - r_f\mathbf{1})}, \qquad S_{\max} = \sqrt{(\mu-r_f\mathbf{1})^\top\Sigma^{-1}(\mu-r_f\mathbf{1})}$$

两策略（归一化 vol=1）的闭式解

设 $\sigma_1 = \sigma_2 = 1$，相关矩阵 $C = \begin{pmatrix}1&\rho\\\rho&1\end{pmatrix}$，$s = (S_1, S_2)^\top$，则

S_{\max} = \sqrt{s^\top C^{-1} s} = \sqrt{\frac{S_1^2 + S_2^2 - 2\rho S_1 S_2}{1-\rho^2}}

§ 11

等相关 $N$ 因子等权组合

经典闭式解设 $N$ 个因子，每因子 Sharpe $= S$，方差 $= \sigma^2$，两两相关 $= \rho$，等权 $w_i = 1/N$。

推导

\sigma_p^2 = \frac{1}{N^2}\left(N\sigma^2 + N(N-1)\rho\sigma^2\right) = \frac{\sigma^2\left(1+(N-1)\rho\right)}{N}

\mu_p = \frac{1}{N} \cdot N\mu = \mu = S\sigma

$$\boxed{S_{\text{combo}} = S \cdot \sqrt{\frac{N}{1+(N-1)\rho}}}$$

等权即最优权

等 Sharpe + 等方差 + 等相关条件下，$w^* \propto \Sigma^{-1}\mu \propto \Sigma^{-1}\mathbf{1} \propto \mathbf{1}$（等相关矩阵的逆满足 $R^{-1}\mathbf{1} \propto \mathbf{1}$），因此等权就是切线组合。

$N=16$，$S=1$ 时的数值

$$S_{\text{combo}} = \frac{4}{\sqrt{1+15\rho}}$$

$\rho$	$S_{\text{combo}}$	解释
0	4.00	完全独立，信息可加
0.2	2.00	中等相关
0.5	1.37	高相关，收益大幅衰减
1.0	1.00	完全冗余，无分散化

§ 12

多策略 Sharpe 分配逻辑

Case 1：N 个独立策略，Sharpe 不同

最大化组合 Sharpe $S_p = \dfrac{\sum w_i\mu_i}{\sqrt{\sum w_i^2\sigma_i^2}}$（独立时协方差为零）。

由 Cauchy–Schwarz 不等式：最优权重 $w_i \propto \mu_i/\sigma_i^2 = S_i/\sigma_i$。若所有策略 vol 相同，则 $w_i \propto S_i$（按 Sharpe 分配）。

$$S_p^2 = \sum_i S_i^2 \quad \text{（独立时）}$$

Case 2：N 个独立策略，Sharpe 相同 $= S$

$$S_p = S\sqrt{N}$$

Case 3：某策略 Sharpe $= 0$

🚫

Sharpe = 0 的策略永远不应该分配资金。$\mu_i = 0$，加入不增加分子，只增加分母（方差），纯负贡献。

§ 13

分散化的直觉

📐

分散化的本质是向量加法。把每个策略的 Sharpe 想象成向量空间里的一个向量。不相关的策略向量相互垂直——正交方向上的"信号"可以无损叠加。

数学上：$S_p^2 = \sum S_i^2$（独立时），信号平方可加，而非信号本身。这就是为什么两个 Sharpe=1 的不相关策略合并后 Sharpe=$\sqrt{2}$，而非 2。

均值-方差框架：固定目标收益的最小方差组合

问题设定

\min_w\; w^\top\Sigma w \quad \text{s.t.}\quad \mathbf{1}^\top w = 1,\; \mu^\top w = \mu^*

拉格朗日推导

定义四个标量：

A = \mathbf{1}^\top\Sigma^{-1}\mathbf{1}, \quad B = \mathbf{1}^\top\Sigma^{-1}\mu, \quad C = \mu^\top\Sigma^{-1}\mu, \quad D = AC - B^2 > 0

$$w(\mu^*) = \Sigma^{-1}\!\left(\frac{C-B\mu^*}{D}\mathbf{1} + \frac{A\mu^*-B}{D}\mu\right)$$

有效前沿方程

$$\sigma_p^2(\mu^*) = \frac{A{\mu^*}^2 - 2B\mu^* + C}{D}$$

在 $(\sigma, \mu)$ 平面是一条向右开口的双曲线，其上半支为有效前沿。

§ 15

全局最小方差（GMV）组合

\min_w\; w^\top\Sigma w \quad \text{s.t.}\; \mathbf{1}^\top w = 1

FOC：$2\Sigma w - \lambda\mathbf{1} = 0 \Rightarrow w \propto \Sigma^{-1}\mathbf{1}$，归一化得：

$$w_{\text{GMV}} = \frac{\Sigma^{-1}\mathbf{1}}{A}, \qquad \mu_{\text{GMV}} = \frac{B}{A}, \qquad \sigma^2_{\text{GMV}} = \frac{1}{A}$$

§ 16

切线组合与资本市场线（CML）

$$w_{\text{tan}} = \frac{\Sigma^{-1}(\mu-r_f\mathbf{1})}{\mathbf{1}^\top\Sigma^{-1}(\mu-r_f\mathbf{1})}, \qquad S_{\max} = \sqrt{(\mu-r_f\mathbf{1})^\top\Sigma^{-1}(\mu-r_f\mathbf{1})}$$

资本市场线（CML）

$$\mu_p = r_f + S_{\max} \cdot \sigma_p$$

均值-方差效用最优杠杆

效用函数 $U = \mu_p - \frac{\gamma}{2}\sigma_p^2$，最优杠杆（切线组合的配置比例）：

\alpha^* = \frac{\mu_{\text{tan}} - r_f}{\gamma\,\sigma^2_{\text{tan}}}

§ 17

两基金分离定理

含无风险资产

$$\text{最优组合} = \alpha \cdot w_{\text{tan}} + (1-\alpha) \cdot \text{无风险资产}$$

$\alpha$ 由风险厌恶系数 $\gamma$ 决定，所有投资者持有相同的切线组合（仅比例不同）。

仅含风险资产（无 $r_f$）

任何有效前沿上的组合都可表示为两个有效组合的线性组合。常用基：GMV 组合 + 任意另一有效组合。

§ 18

风险贡献与 Euler 分解

组合波动的 Euler 分解（$\sigma_p$ 是 $w$ 的一次齐次函数）：

\sigma_p = \sum_{i=1}^n w_i \cdot \frac{(\Sigma w)_i}{\sigma_p}

$$RC_i = w_i \cdot \frac{(\Sigma w)_i}{\sigma_p}, \qquad \sum_i RC_i = \sigma_p$$

风险平价（Risk Parity）：$RC_1 = RC_2 = \cdots = RC_n$，即每个资产贡献等额风险。

💡

Risk parity ≠ 等权重。High-vol 资产需要更小的名义权重才能达到等风险贡献。实务中常用迭代法或二次规划求解。

§ 19

自相关下的年化 Sharpe

若收益存在序列相关，年化方差应使用 Newey–West 型估计：

\widehat{\sigma^2_{\text{ann}}} = \hat{\gamma}(0) + 2\sum_{k=1}^{A-1}\left(1 - \frac{k}{A}\right)\hat{\gamma}(k)

其中 $\hat{\gamma}(k) = \frac{1}{n}\sum_{t=k+1}^n (x_t - \bar{x})(x_{t-k} - \bar{x})$ 是第 $k$ 阶样本自协方差。

HAC 标准误检验

t_{\text{HAC}} = \frac{\bar{x}}{\widehat{\text{SE}}_{\text{HAC}}(\bar{x})}

🔑

对于趋势跟踪、均值回归等存在序列相关的策略，必须用 HAC，否则会高估年化 Sharpe 的显著性。

§ 20

交易成本对 Sharpe 的影响

设单位换手成本 $c$，换手率（turnover）$\tau$，则期望收益约减为 $\mu' = \mu - c\tau$。

$$S' \approx \frac{\mu - c\tau}{\sigma} = S - \frac{c\tau}{\sigma}$$

含交易成本的组合优化

原始目标：$\max_w \mu^\top w - \frac{\lambda}{2}w^\top\Sigma w$，加入成本惩罚：

\max_{w_t}\; \mu^\top w_t - \frac{\lambda}{2}w_t^\top\Sigma w_t - \gamma\|w_t - w_{t-1}\|_1

或二次成本版本（$L_2$ 惩罚）：$-\frac{\gamma}{2}\|w_t - w_{t-1}\|_2^2$。

降低换手的实务方法

方法	思路
显式惩罚	在目标函数中加 $c^\top\|\Delta w\|$
换手约束	$\\|w_t - w_{t-1}\\|_1 \leq \tau_{\max}$
信号平滑	$w_t = (1-\rho)w_{t-1} + \rho\tilde{w}_t$，$\rho \in (0,1)$
分层执行控制	结合 Almgren-Chriss 冲击成本模型

§ 21

多重检验与数据挖矿偏差

若同时测试 $m$ 个策略，取最优的 Sharpe 存在选择偏差。校正方法：

方法	说明
Bonferroni / Holm	调整 p 值阈值为 $\alpha/m$（保守）
Benjamini–Hochberg	控制 FDR（假发现率），更宽松
White's Reality Check	Bootstrap 构造零分布
SPA Test	Superior Predictive Ability
样本外验证	最根本：在独立测试集上验证

⚠️

Harvey, Liu & Zhu (2016) 建议：对已发表的量化因子，显著性门槛应从 $t > 2$ 提高到 $t > 3$，以应对数据挖矿膨胀。

§ 22

面试题库速查

Q1. Sharpe Ratio 定义与年化；有自相关还能用 √A 年化吗？ ▶

$\hat{S} = \bar{x}/\hat{\sigma}$。i.i.d. 时年化 $S_\text{ann} = \sqrt{A} \cdot S_\text{per}$。
有自相关时不能直接乘 $\sqrt{A}$——需要用 HAC 估计年化方差：$\hat{\sigma}^2_\text{ann} = \hat{\gamma}(0) + 2\sum_{k=1}^{A-1}(1-k/A)\hat{\gamma}(k)$。

Q2. Sharpe 的标准误是多少？怎么推？ ▶

Delta Method：$\hat{S} = g(\bar{r}, s) = \bar{r}/s$，展开得

$$\text{SE}(\hat{S}) \approx \sqrt{\frac{1+\frac{1}{2}S^2}{n-1}}$$

"1" 来自均值不确定性，"$\frac{1}{2}S^2$" 来自方差估计（卡方分布）的不确定性。有自相关时用 HAC。

Q3. 年化 Sharpe=8，连续多少天亏损才能拒绝？ ▶

日度 $S_d = 8/\sqrt{252} \approx 0.504$。$N$ 天总收益 $\sim \mathcal{N}(N\mu_d, N\sigma_d^2)$。

$$N \geq \left(\frac{z_{1-\alpha}}{S_d}\right)^2$$

$\alpha=5\% \Rightarrow N \approx 11$ 天；$\alpha=1\% \Rightarrow N \approx 22$ 天。

Q4. 加杠杆 Sharpe 会变吗？ ▶

理论上不变：$S(Lw) = L\mu/(L\sigma) = S$。现实中因融资成本、保证金约束、冲击成本随规模增加，实际 Sharpe 会下降。

Q5. 两个独立、Sharpe=1 的策略等权组合，Sharpe 是多少？ ▶

等 vol、$\rho=0$：$S_p = S\sqrt{N/(1+(N-1)\rho)} = 1 \times \sqrt{2} \approx 1.414$。

或者用 $S_p^2 = S_1^2 + S_2^2$（独立时）：$S_p = \sqrt{1+1} = \sqrt{2}$。

Q6. 最大 Sharpe 的权重怎么推？ ▶

同质性固定分母，拉格朗日得 $w^* \propto \Sigma^{-1}(\mu - r_f\mathbf{1})$，归一化得切线组合。$S_\max = \sqrt{(\mu-r_f\mathbf{1})^\top\Sigma^{-1}(\mu-r_f\mathbf{1})}$。

Q7. 16 个独立等 Sharpe=1 的因子，组合 Sharpe？ ▶

$\rho=0$：$S_p = 1 \times \sqrt{16} = 4$。有相关时：$S_p = 4/\sqrt{1+15\rho}$。

Q8. Sharpe=0 的策略应该配多少资金？ ▶

零。$\mu_i = 0$，加入不增加组合期望收益（分子），只增加方差（分母），对 Sharpe 纯负贡献。$w^* = 0$。

Q9. 现有 Sharpe=3，加入 10% 不相关新策略保持 Sharpe≥3，最低 Sharpe 是多少？ ▶

答案约 $0.16$。等 vol 假设下：$(0.9 \times 3 + 0.1 \times s)^2 \geq 9 \times (0.81 + 0.01) = 7.38$，解得 $s \geq 0.16$。远低于 3，体现分散化带来的巨大价值：不相关性本身就是 alpha。

Q10. 信息比率（IR）与 Sharpe 有什么区别？ ▶

$\text{IR} = \mathbb{E}[a]/\sigma(a)$，$a_t = r_t - r_{\text{benchmark},t}$ 是主动收益。Sharpe 是超额（vs 无风险利率）收益的 IR。若基准是无风险利率，IR=Sharpe。主动管理用 IR，绝对收益策略用 Sharpe。

Q11. 相关性如何影响组合 Sharpe？直觉？ ▶

$S_p^2 = (S_1^2 + S_2^2 - 2\rho S_1 S_2)/(1-\rho^2)$（等 vol 下）。$\rho \downarrow \Rightarrow S_p \uparrow$。

直觉：正交信号可以无损叠加（向量加法）。相关信号在同方向上"浪费"，噪声重叠而信号未增加。

Q12. 有自相关的策略如何正确计算和检验年化 Sharpe？ ▶

① 用 HAC（Newey–West）估计 $\bar{x}$ 的标准误；② 年化方差用自协方差加权求和；③ $t_\text{HAC} = \bar{x}/\widehat{\text{SE}}_\text{HAC}$；④ 报告时注明带宽选择方法（如 Bartlett kernel，带宽 $\sim n^{1/5}$）。

Q13. 序列一半为 0、一半服从 (μ,σ²)，删掉所有 0 后 Sharpe 如何变化？ ▶

设完整序列共 $2n$ 个点（$n$ 个 0，$n$ 个非零）。
完整序列均值：$\bar{x}_{\text{full}} = \mu/2$。
完整序列方差（全方差公式）：$\sigma^2_{\text{full}} = \sigma^2/2 + \mu^2/4$。
故 $S_{\text{full}} = \dfrac{\mu/2}{\sqrt{\sigma^2/2 + \mu^2/4}}$。
删零后：$S_{\text{trim}} = \mu/\sigma$。
比值 $S_{\text{trim}}/S_{\text{full}} = \sqrt{2 + S_{\text{trim}}^2/2} > 1$，删零后 Sharpe 严格提升。

直觉：0 收益贡献了分子（期望）的"稀释"，但同时拉低了分母（波动）；稀释效应主导，净效果是 Sharpe 下降——反过来删掉 0 就是 Sharpe 上升。详细推导见 §23。

Q14. 非正态收益下怎么修正 Sharpe？偏度/峰度的影响方向？ ▶

Adjusted Sharpe（Pezier & White 2006）：$S^* = S \cdot \left[1 + \dfrac{\hat{\gamma}_1}{6}S - \dfrac{\hat{\gamma}_2-3}{24}S^2\right]$，其中 $\hat\gamma_1$ 为偏度，$\hat\gamma_2$ 为峰度。
负偏度（左肥尾，如卖期权）→ $S^*$ 低于 $S$；超峰度（fat tails）→ $S^*$ 进一步降低。

Q15. Probabilistic Sharpe Ratio (PSR) 是什么？ ▶

$\text{PSR}(S^*) = \Phi\!\left(\dfrac{(\hat{S}-S^*)\sqrt{n-1}}{\sqrt{1 - \hat\gamma_1\hat{S} + \frac{\hat\gamma_2-1}{4}\hat{S}^2}}\right)$，即 $P(\text{真实 }S > S^*)$。纳入了有限样本、偏度、峰度对估计不确定性的影响，比单纯的 $t$ 检验更全面。

Q16. Kelly criterion 与 Sharpe 有什么关系？ ▶

连续时间 Kelly（对数效用）：$f^* = \mu/\sigma^2 = S/\sigma$（fraction of wealth）。
Sharpe 越高，Kelly 仓位越大；vol 越高，Kelly 仓位越小。
若对数收益 $\mu$ 已超额（扣 $r_f$），则 $f^* = S_{\text{ann}}/\sigma_{\text{ann}}$（年化口径一致）。
实务中常取 half-Kelly 以控制回撤。

Q17. Sortino / Calmar 与 Sharpe 的区别及适用场景？ ▶

Sortino：分母换成下行标准差 $\sigma_d$（只计负收益的波动），$\text{Sortino} = \mu/\sigma_d \geq \text{Sharpe}$。适合收益正偏、收益对称性差的策略（如趋势跟踪）。
Calmar：$\text{Calmar} = \mu_\text{ann}/\text{MaxDD}$，用最大回撤代替波动率，适合对回撤敏感的 CTA/hedge fund 投资者。
Sharpe 的优点：数学性质好（均值-方差框架闭式），统计推断成熟，行业通用。

§ 23

稀疏序列与零收益：全方差公式推导

面试题序列共 $2n$ 个观测：$n$ 个为 0，另外 $n$ 个 i.i.d. $\sim (\mu, \sigma^2)$，$\mu > 0$。
问：删掉所有 0 后，Sharpe 如何变化？请用全方差公式推导。

Step 1：完整序列的矩

令 $G$ 为组别指示变量，$G=1$（概率 $1/2$）对应非零组，$G=0$ 对应零组。

\bar{x}_{\text{full}} = \frac{n\mu + n\cdot 0}{2n} = \frac{\mu}{2}

Step 2：全方差公式（Law of Total Variance）

\text{Var}(X) = \underbrace{\mathbb{E}[\text{Var}(X\mid G)]}_{\text{组内方差的均值}} + \underbrace{\text{Var}(\mathbb{E}[X\mid G])}_{\text{组间均值的方差}}

1

组内方差均值：$G=1$ 时 $\text{Var}=\sigma^2$，$G=0$ 时 $\text{Var}=0$。 $$\mathbb{E}[\text{Var}(X\mid G)] = \frac{1}{2}\sigma^2 + \frac{1}{2}\cdot 0 = \frac{\sigma^2}{2}$$

2

组间均值方差：$\mathbb{E}[X\mid G=1]=\mu$，$\mathbb{E}[X\mid G=0]=0$，各以概率 $1/2$ 取值。 $$\text{Var}(\mathbb{E}[X\mid G]) = \frac{1}{2}\!\left(\mu - \frac{\mu}{2}\right)^{\!2} + \frac{1}{2}\!\left(0 - \frac{\mu}{2}\right)^{\!2} = \frac{\mu^2}{4}$$

3

合并： $$\sigma^2_{\text{full}} = \frac{\sigma^2}{2} + \frac{\mu^2}{4}$$

Step 3：两种 Sharpe 对比

完整序列

$S_{\text{full}} = \dfrac{\mu/2}{\sqrt{\sigma^2/2 + \mu^2/4}}$

删零后

$S_{\text{trim}} = \dfrac{\mu}{\sigma}$

Step 4：比值

\frac{S_{\text{trim}}}{S_{\text{full}}} = \frac{\mu/\sigma}{\dfrac{\mu/2}{\sqrt{\sigma^2/2+\mu^2/4}}} = \frac{2\sqrt{\sigma^2/2 + \mu^2/4}}{\sigma} = \sqrt{\frac{2\sigma^2/2 + \mu^2/2}{\sigma^2/2 \cdot 2}} = \sqrt{2 + \frac{\mu^2}{2\sigma^2}}

$$\boxed{\frac{S_{\text{trim}}}{S_{\text{full}}} = \sqrt{2 + \frac{S_{\text{trim}}^2}{2}} > 1}$$

💡

直觉：插入 0 同时稀释了均值（分子 $\times 1/2$）和方差（分母比例减小）。但对分子的稀释比例大于对分母的稀释——均值被 dilute 了 $1/2$，而 std 仅被 dilute 了不到 $1/2$（因为额外引入了跨组均值方差 $\mu^2/4$）。因此净效果是完整序列的 Sharpe 低于删零后的 Sharpe。

🔑

实务含义：如果策略有大量不交易日（返回 0），用全样本计算的 Sharpe 会被低估。应使用交易日 Sharpe，或明确说明年化因子使用的是交易日频率。

§ 24

非正态收益下的修正 Sharpe

标准 Sharpe 假设收益正态，忽略了偏度（$\gamma_1$）和超额峰度（$\gamma_2 - 3$）对风险的影响。

Adjusted Sharpe Ratio（Pezier & White, 2006）

S^* = \hat{S} \cdot \left[1 + \frac{\hat\gamma_1}{6}\hat{S} - \frac{\hat\gamma_2 - 3}{24}\hat{S}^2\right]

情形	$\gamma_1$	$\gamma_2$	$S^*$ vs $S$	典型策略
左偏 + 厚尾	$< 0$	$> 3$	$S^* < S$（高估风险）	卖期权、信用策略
右偏 + 薄尾	$> 0$	$< 3$	$S^* > S$（低估风险奖励）	趋势跟踪、动量
正态	$= 0$	$= 3$	$S^* = S$	—

⚠️

卖期权策略的 Sharpe 虚高——极端亏损（$\gamma_1 \ll 0$，$\gamma_2 \gg 3$）使 Adjusted Sharpe 大幅低于原始 Sharpe，这正是 2008 年大量 "高 Sharpe 策略" 爆仓的根源。

Sortino Ratio（下行风险）

\text{Sortino} = \frac{\mu - r_f}{\sigma_{\text{downside}}}, \qquad \sigma_{\text{downside}} = \sqrt{\mathbb{E}[\min(r-r_f,0)^2]}

对于对称正态分布，$\sigma_{\text{downside}} = \sigma/\sqrt{2}$，Sortino $= \sqrt{2}\cdot$Sharpe。非对称时 Sortino 比 Sharpe 更能区分策略质量。

§ 25

Probabilistic & Deflated Sharpe Ratio

Probabilistic Sharpe Ratio（PSR）

Bailey & López de Prado (2012)。给定基准 Sharpe $S^*$，估计真实 Sharpe 超过 $S^*$ 的概率：

\text{PSR}(S^*) = \Phi\!\left(\frac{(\hat{S}-S^*)\sqrt{n-1}}{\sqrt{1 - \hat\gamma_1\hat{S} + \dfrac{\hat\gamma_2-1}{4}\hat{S}^2}}\right)

分母在标准误 $\sqrt{(1+\hat S^2/2)/n}$ 的基础上，进一步引入偏度项（$-\hat\gamma_1\hat S$）和峰度项（$(\hat\gamma_2-1)/4\cdot\hat S^2$）的修正。

💡

PSR 统一了 Sharpe 估计、样本量、非正态三个维度的不确定性，给出"这个策略真的有正 Sharpe"的直接概率表述，比单纯的 t 检验更直观。

Deflated Sharpe Ratio（DSR）

当从 $T$ 个试验中选最优策略时，存在选择偏差（multiple testing inflation）。DSR 以多重检验调整后的 $S^*$ 代入 PSR：

S^*_{\text{DSR}} \approx \sqrt{\frac{(1-\hat\gamma_1+\hat\gamma_2/4)\hat S^2_{\max}}{n-1}} \cdot \left[(1-\gamma)\Phi^{-1}\!\left(1-\frac{\alpha}{T}\right) + \gamma\Phi^{-1}\!\left(1-\frac{\alpha}{T}\right)\right]

简化理解：$S^*$ 随试验数 $T$ 的增加而提高（Bonferroni 精神）。回测越多，需要更高的 OOS Sharpe 才算真实。

指标	解决的问题	核心输入
标准 SE	样本量不确定性	$n$, $\hat S$
PSR	+非正态（偏度/峰度）	$n$, $\hat S$, $\gamma_1$, $\gamma_2$
DSR	+多重回测选择偏差	PSR 输入 + 试验次数 $T$

§ 26

Kelly Criterion 与 Sharpe 的关系

连续时间 Kelly（对数效用最优仓位）

设策略超额收益 $dX = \mu\,dt + \sigma\,dW$，最大化对数财富增长率：

g(f) = f\mu - \frac{f^2\sigma^2}{2} \implies f^* = \frac{\mu}{\sigma^2} = \frac{S}{\sigma}

其中 $S = \mu/\sigma$ 为 Sharpe。最优增长率（Kelly growth rate）：

$$g^* = g(f^*) = \frac{\mu^2}{2\sigma^2} = \frac{S^2}{2}$$

🔑

核心关系：最优对数增长率 $= S^2/2$。Sharpe 越高，Kelly 允许的仓位越大（$f^* \propto S$），且长期财富复利增长越快（$g^* \propto S^2$）。这是为什么 Sharpe 是量化策略质量的核心衡量——它直接决定了资本的理论复利上限。

多策略 Kelly（向量扩展）

$N$ 个策略，超额收益向量 $\mu$，协方差矩阵 $\Sigma$：

f^* = \Sigma^{-1}\mu \propto w_{\text{tan}}, \qquad g^* = \frac{\mu^\top\Sigma^{-1}\mu}{2} = \frac{S_{\max}^2}{2}

多策略最优增长率等于切线组合最大 Sharpe 的平方的一半——分散化提高 $S_{\max}$，直接以平方速率提升复利增长。

实务：Half-Kelly

分数	预期增长率	最大回撤特征	实务建议
Full Kelly ($f^*$)	最大 $g^*$	极端，历史最大回撤 $\approx 100\%$	理论最优，实操过激
Half Kelly ($f^*/2$)	$3g^*/4$	回撤减半（近似）	行业实践首选
Quarter Kelly	$7g^*/16$	更温和	极保守机构

⚠️

参数估计误差（$\hat\mu$, $\hat\Sigma$）会使真实 Kelly 仓位偏离最优，过度加仓导致破产。实务中参数不确定性本身就是使用 Half-Kelly 的最重要理由。

附录

核心公式速查表

公式	表达式
样本 Sharpe	$\hat{S} = \bar{x}/\hat{\sigma}$
年化（i.i.d.）	$S_\text{ann} = \sqrt{A} \cdot S_\text{per}$
标准误（SE）	$\text{SE}(\hat{S}) \approx \sqrt{(1+\frac{1}{2}S^2)/(n-1)}$
t 统计量	$t = \sqrt{n}\,\hat{S}$
负收益天数阈值	$N \geq (z_{1-\alpha}/S_d)^2$
切线组合权重	$w^* \propto \Sigma^{-1}(\mu - r_f\mathbf{1})$
最大 Sharpe	$S_\max = \sqrt{(\mu-r_f\mathbf{1})^\top\Sigma^{-1}(\mu-r_f\mathbf{1})}$
两策略 Sharpe（等 vol）	$S_p = \sqrt{(S_1^2+S_2^2-2\rho S_1S_2)/(1-\rho^2)}$
等相关 N 因子	$S_p = S\sqrt{N/(1+(N-1)\rho)}$
独立时	$S_p^2 = \sum S_i^2$
GMV 权重	$w_\text{GMV} = \Sigma^{-1}\mathbf{1}/A$
有效前沿	$\sigma_p^2 = (A\mu^{2} - 2B\mu^ + C)/D$
CML	$\mu_p = r_f + S_\max\,\sigma_p$
风险贡献	$RC_i = w_i(\Sigma w)_i/\sigma_p$
TC 修正	$S' \approx S - c\tau/\sigma$
稀疏序列（半零）	$S_{\text{full}} = \dfrac{\mu/2}{\sqrt{\sigma^2/2+\mu^2/4}}$，$S_{\text{trim}}/S_{\text{full}}=\sqrt{2+S_{\text{trim}}^2/2}$
Adjusted Sharpe	$S^* = S[1+(\gamma_1/6)S - (\gamma_2-3)/24\cdot S^2]$
PSR	$\Phi\!\left(\frac{(\hat S-S^*)\sqrt{n-1}}{\sqrt{1-\gamma_1\hat S+(\gamma_2-1)/4\cdot\hat S^2}}\right)$
Kelly 最优仓位	$f^* = \mu/\sigma^2 = S/\sigma$
Kelly 最优增长率	$g^* = S^2/2$
多策略 Kelly 增长率	$g^* = S_{\max}^2/2$

Sharpe Ratio量化面试完全手册

定义与年化

年化换算（i.i.d.）

各频率年化因子

杠杆不变性

与 t 统计量的关系

Sharpe 的标准误推导（Delta Method）

直观分解

显著性检验

检验 $H_0: S = 0$

检验 $H_0: S = S_0$（非中心 t）

负收益天数问题

样本偏差修正

比较两策略 Sharpe

Jobson–Korkie (1981) + Memmel (2003) 修正

Ledoit–Wolf (2008)

两策略组合的 Sharpe

特殊情形：$\rho = 1$（完全正相关）

特殊情形：$\sigma_1 = \sigma_2$，$S_1 = S_2 = S$

关键面试题：10%/90% 混合

最大 Sharpe 的最优权重

推导（拉格朗日法）

两策略（归一化 vol=1）的闭式解

等相关 $N$ 因子等权组合

推导

等权即最优权

$N=16$，$S=1$ 时的数值

多策略 Sharpe 分配逻辑

Case 1：N 个独立策略，Sharpe 不同

Case 2：N 个独立策略，Sharpe 相同 $= S$

Case 3：某策略 Sharpe $= 0$

分散化的直觉

相关性是"Sharpe 杀手"

均值-方差框架：固定目标收益的最小方差组合

问题设定

拉格朗日推导

有效前沿方程

全局最小方差（GMV）组合

切线组合与资本市场线（CML）

资本市场线（CML）

均值-方差效用最优杠杆

两基金分离定理

含无风险资产

仅含风险资产（无 $r_f$）

风险贡献与 Euler 分解

自相关下的年化 Sharpe

HAC 标准误检验

交易成本对 Sharpe 的影响

含交易成本的组合优化

降低换手的实务方法

多重检验与数据挖矿偏差

面试题库速查

稀疏序列与零收益：全方差公式推导

Step 1：完整序列的矩

Step 2：全方差公式（Law of Total Variance）

Step 3：两种 Sharpe 对比

Step 4：比值

非正态收益下的修正 Sharpe

Adjusted Sharpe Ratio（Pezier & White, 2006）

Sortino Ratio（下行风险）

Probabilistic & Deflated Sharpe Ratio

Probabilistic Sharpe Ratio（PSR）

Deflated Sharpe Ratio（DSR）

Kelly Criterion 与 Sharpe 的关系

连续时间 Kelly（对数效用最优仓位）

多策略 Kelly（向量扩展）

实务：Half-Kelly

核心公式速查表

Sharpe Ratio
量化面试完全手册