介绍一下量化交易的主要指标

一、Sharpe Ratio：夏普比率

Sharpe Ratio 用来衡量一个策略每承担一单位波动风险，可以获得多少超额收益。

设策略收益率为 $R_p$ ，无风险收益率为 $R_f$ ，策略收益率标准差为 $\sigma_p$ 。

Sharpe Ratio 定义为：

\begin{aligned}SR&=\frac{E[R_p-R_f]}{\sigma_p}\end{aligned}

因此可以粗略理解为：

\begin{aligned}Sharpe&\approx\frac{\text{超额收益}}{\text{波动风险}}\end{aligned}

假设我们拥有 $n$ 个日收益率：

\begin{aligned}r_1,r_2,\ldots,r_n\end{aligned}

平均日收益为：

\begin{aligned}\bar r&=\frac{1}{n}\sum_{t=1}^{n}r_t\end{aligned}

样本标准差为：

\begin{aligned}s_r&=\sqrt{\frac{1}{n-1}\sum_{t=1}^{n}(r_t-\bar r)^2}\end{aligned}

如果一年按照 252 个交易日计算，则常见的年化 Sharpe 为：

\begin{aligned}SR_{\mathrm{annual}}&=\sqrt{252}\frac{\bar r-r_f}{s_r}\end{aligned}

例如，一个策略的平均日收益率为 $0.1\%$ ，日收益标准差为 $1\%$ ，并暂时忽略无风险收益：

\begin{aligned}\bar r&=0.001\\s_r&=0.01\\r_f&=0\end{aligned}

那么：

\begin{aligned}SR&=\sqrt{252}\times\frac{0.001}{0.01}\\&\approx1.59\end{aligned}

因此，这个策略的年化 Sharpe 大约为 $1.59$

Sharpe 越高，通常意味着策略单位波动所对应的收益越高

但 Sharpe 也存在明显局限

首先，它把上涨造成的波动和下跌造成的波动都计入风险

其次，一个策略可能绝大多数时间非常稳定，却偶尔发生一次巨大亏损。这种策略仍然可能拥有较高的 Sharpe

因此，Sharpe 不能取代最大回撤、VaR 和其他尾部风险指标

二、Covariance：协方差

协方差用于描述两个随机变量是否倾向于共同变化。

假设两个资产的收益率分别为 $X$ 和 $Y$ 。

总体协方差定义为：

\begin{aligned}Cov(X,Y)&=E[(X-E[X])(Y-E[Y])]\end{aligned}

在实际数据中，通常使用样本协方差：

\begin{aligned}Cov(X,Y)&=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)(Y_i-\bar Y)\end{aligned}

协方差之所以能够描述两个变量的共同变化，是因为公式中的核心部分是：

\begin{aligned}(X_i-\bar X)(Y_i-\bar Y)\end{aligned}

如果 $X_i$ 和 $Y_i$ 同时高于自己的平均值，那么两个括号都为正，它们的乘积为正

如果 $X_i$ 和 $Y_i$ 同时低于自己的平均值，那么两个括号都为负，它们的乘积仍然为正

因此，如果两个变量经常同方向偏离自己的均值，就会得到正协方差

反之，如果一个变量高于均值时，另一个变量经常低于均值，乘积就会为负

因此：

\begin{aligned}Cov(X,Y)>0&\Rightarrow X,Y\text{倾向于同向变化}\\Cov(X,Y)<0&\Rightarrow X,Y\text{倾向于反向变化}\\Cov(X,Y)\approx0&\Rightarrow X,Y\text{的线性共同变化较弱}\end{aligned}

例如，如果 BTC 和 ETH 的日收益经常同时上涨、同时下跌，那么它们收益率之间的协方差通常为正

但是协方差存在一个问题：它受到变量自身尺度的影响

所以为了方便不同资产之间进行比较，我们通常进一步计算相关系数

三、Correlation：相关系数

设 $X$ 和 $Y$ 的标准差分别为 $\sigma_X$ 和 $\sigma_Y$ ，则：

\begin{aligned}\rho_{X,Y}&=\frac{Cov(X,Y)}{\sigma_X\sigma_Y}\end{aligned}

其中：

\begin{aligned}\sigma_X&=\sqrt{Var(X)}\\\sigma_Y&=\sqrt{Var(Y)}\end{aligned}

标准化之后，相关系数一定满足：

\begin{aligned}-1&\leq\rho_{X,Y}\leq1\end{aligned}

不同数值可以这样理解：

\begin{aligned}\rho=1&\Rightarrow\text{完全正线性相关}\\\rho=0&\Rightarrow\text{无线性相关}\\\rho=-1&\Rightarrow\text{完全负线性相关}\end{aligned}

例如：

\begin{aligned}Corr(BTC,ETH)&=0.8\end{aligned}

意味着在当前样本和时间窗口下，BTC 与 ETH 的收益率存在比较强的正线性相关关系

需要特别注意的是：

\begin{aligned}\rho=0&\not\Rightarrow X,Y\text{相互独立}\end{aligned}

相关系数为 0 只能说明两者不存在明显的线性关系，并不能说明不存在非线性关系

例如：

\begin{aligned}Y&=X^2\end{aligned}

$Y$ 明显完全由 $X$ 决定，但如果 $X$ 的分布关于 0 对称，在某些情况下仍然可能有：

\begin{aligned}Corr(X,Y)&=0\end{aligned}

因此，Correlation 主要衡量的是线性关系

四、SC：Self-Correlation

在 WorldQuant BRAIN 等 Alpha 研究环境中，经常会看到 Self-Correlation，也就是 SC

SC 主要回答一个问题：

一个新 Alpha 和已有 Alpha 到底有多相似？

（PnL序列即策略在一段时间相同周期内赚钱排成的一串数据）

假设 Alpha A 的 PnL 序列为：

\begin{aligned}PnL^A&=(PnL_1^A,PnL_2^A,\ldots,PnL_T^A)\end{aligned}

Alpha B 的 PnL 序列为：

\begin{aligned}PnL^B&=(PnL_1^B,PnL_2^B,\ldots,PnL_T^B)\end{aligned}

从数学直觉上，可以把 SC 理解成与下面这种关系类似：

\begin{aligned}SC&\sim Corr(PnL^A,PnL^B)\end{aligned}

如果：

\begin{aligned}SC&\rightarrow1\end{aligned}

那么说明两个策略的收益行为非常相似。

例如，一个 Alpha 使用：

$ts\_mean(close,20)-close$

另一个 Alpha 使用：

$ts\_mean(close,21)-close$

虽然公式参数发生了变化，但两个策略的信息来源、时间尺度和经济逻辑几乎完全相同，因此它们产生的持仓和 PnL 可能高度相似

这意味着它们的 SC 仍然可能很高

因此，降低 SC 的核心通常不是简单把参数从 20 改成 21，而是真正改变 Alpha 的信息来源和经济逻辑

通常可以从以下几个方向改变：

数据来源 Data Source

经济逻辑 Economic Logic

预测时间尺度 Time Horizon

信号结构 Signal Structure

例如，一个基于价格短期反转的 Alpha，与另一个基于盈利质量的 Alpha，在逻辑上就比两个不同参数的短期反转 Alpha 更容易形成低相关性。

需要注意的是，不同平台对于 Self-Correlation 的具体实现可能不同，因此不能简单认为：

\begin{aligned}SC&=Corr(PnL^A,PnL^B)\end{aligned}

这个公式主要用于理解 SC 的经济意义

五、FA：Factor Analysis

FA 可以理解为 Factor Analysis，即因子分析。

因子分析主要回答：

一个策略到底为什么赚钱？

假设策略收益率为 $R_p$ ，我们认为它可能受到多个市场因子的影响

可以建立一个多因子模型：

\begin{aligned}R_p-R_f&=\alpha+\beta_1F_1+\beta_2F_2+\cdots+\beta_kF_k+\epsilon\end{aligned}

其中 $F_1,F_2,\ldots,F_k$ 表示不同的市场因子

常见因子包括：

\begin{aligned}F_M&=\text{Market}\\F_S&=\text{Size}\\F_V&=\text{Value}\\F_{Mom}&=\text{Momentum}\\F_Q&=\text{Quality}\end{aligned}

那么策略收益可以进一步写成：

\begin{aligned}R_p-R_f&=\alpha+\beta_MF_M+\beta_SF_S+\beta_VF_V+\beta_{Mom}F_{Mom}+\beta_QF_Q+\epsilon\end{aligned}

其中，每一个 $\beta$ 都表示策略对对应因子的暴露程度。

例如：

\begin{aligned}\beta_{Mom}&\gg0\end{aligned}

说明这个策略具有明显的 Momentum 暴露。

如果：

\begin{aligned}\beta_V&\gg0\end{aligned}

那么这个策略可能主要在获取 Value 因子的收益。

最值得关注的是 $\alpha$ 。

如果把 Market、Size、Value、Momentum 等已知因子全部控制以后：

\begin{aligned}\alpha&\approx0\end{aligned}

那么这个策略虽然可能赚钱，但它的收益基本能够被已有因子解释。

也就是说，它可能只是已有因子的另一种表达方式。

所以 Factor Analysis 的核心作用之一，就是区分“真正的新 Alpha”和“已有因子的重新包装”。

六、VaR：Value at Risk

VaR，也就是 Value at Risk，用于衡量策略的尾部风险。

它回答的问题是：

在给定置信水平下，损失达到什么程度才进入最差的尾部区域？

设损失随机变量为 $L$ ，置信水平为 $\alpha$ 。

VaR 可以定义为：

\begin{aligned}VaR_\alpha&=\inf\{l:P(L\leq l)\geq\alpha\}\end{aligned}

例如：

\begin{aligned}VaR_{95\%}&=5\%\end{aligned}

可以理解为：根据当前模型和历史数据，大约 95% 的情况下损失不会超过 5%，剩余约 5% 的情况下损失会超过 5%。

如果假设收益率服从正态分布：

\begin{aligned}R&\sim N(\mu,\sigma^2)\end{aligned}

并且定义损失为：

\begin{aligned}L&=-R\end{aligned}

那么：

\begin{aligned}VaR_\alpha&=-\mu+z_\alpha\sigma\end{aligned}

其中 $z_\alpha$ 是标准正态分布对应置信水平的分位数。

例如：

\begin{aligned}z_{0.95}&\approx1.645\end{aligned}

假设策略平均收益为 0，日波动率为 2%：

\begin{aligned}\mu&=0\\\sigma&=2\%\end{aligned}

那么：

\begin{aligned}VaR_{95\%}&=1.645\times2\%\\&=3.29\%\end{aligned}

也就是说：

\begin{aligned}VaR_{95\%}&\approx3.29\%\end{aligned}

但 VaR 存在一个很重要的问题。

假设 VaR 为 5%，它只告诉我们最差 5% 的情况中，损失会超过 5%。

但是它没有告诉我们到底是亏 6%、20%，还是 50%。

因此，在研究真正的尾部风险时，还经常使用 CVaR，也叫 Expected Shortfall。

其直观定义为：

\begin{aligned}ES_\alpha&=E[L\mid L\geq VaR_\alpha]\end{aligned}

VaR 关注“尾部从哪里开始”，而 Expected Shortfall 关注“进入尾部以后平均会亏多少”。

七、β

Beta 用来衡量一个策略对于市场系统性风险的暴露程度。

经典 CAPM 模型可以写成：

\begin{aligned}R_p-R_f&=\alpha+\beta(R_m-R_f)+\epsilon\end{aligned}

其中，$R_p$ 为策略收益率，$R_m$ 为市场收益率，$R_f$ 为无风险收益率，$\beta$ 表示策略对市场收益变化的敏感程度。

Beta 可以通过协方差计算：

\begin{aligned}\beta&=\frac{Cov(R_p,R_m)}{Var(R_m)}\end{aligned}

如果：

\begin{aligned}\beta&=1\end{aligned}

说明策略对市场的线性敏感程度大致与市场本身相同。

如果：

\begin{aligned}\beta&=1.5\end{aligned}

那么可以粗略理解为，当市场超额收益变化 1% 时，由市场暴露解释的策略收益部分平均变化约 1.5%。

如果：

\begin{aligned}\beta&\approx0\end{aligned}

说明策略几乎没有线性的市场方向暴露。

如果：

\begin{aligned}\beta&<0\end{aligned}

则说明策略倾向于和市场反向变化。

因此 Beta 可以简单理解为：

\begin{aligned}\beta&=\text{策略对市场系统性风险的暴露}\end{aligned}

八、α

Alpha 与 Beta 是量化投资中最核心的一组概念。

仍然从 CAPM 模型出发：

\begin{aligned}R_p-R_f&=\alpha+\beta(R_m-R_f)+\epsilon\end{aligned}

取期望后：

\begin{aligned}E[R_p-R_f]&=\alpha+\beta E[R_m-R_f]\end{aligned}

于是可以得到：

\begin{aligned}\alpha&=E[R_p-R_f]-\beta E[R_m-R_f]\end{aligned}

Alpha 表示扣除市场风险暴露能够解释的收益以后，剩余的超额收益。

例如，假设策略超额收益为 15%，市场超额收益为 10%，策略的 $\beta=1$ ：

\begin{aligned}R_p-R_f&=15\%\\R_m-R_f&=10\%\\\beta&=1\end{aligned}

那么：

\begin{aligned}\alpha&=15\%-1\times10\%\\&=5\%\end{aligned}

也就是说，这个策略获得了 15% 的超额收益，其中大约 10% 可以通过市场暴露解释，剩余 5% 无法通过 CAPM 中的市场因子解释。

但是现实中的量化研究不会只控制 Market。

如果加入 Value、Size、Momentum、Quality 等因子：

\begin{aligned}R_p-R_f&=\alpha+\beta_MF_M+\beta_SF_S+\beta_VF_V+\beta_{Mom}F_{Mom}+\beta_QF_Q+\epsilon\end{aligned}

那么这里的 $\alpha$ 就表示在控制这些已知因子以后，仍然无法解释的那部分收益。

因此，量化意义上的 Alpha 可以理解为：

\begin{aligned}\alpha&\approx\text{无法被已有风险因子解释的超额收益}\end{aligned}

九、IR：Information Ratio

IR，也就是 Information Ratio，用来衡量策略相对于某个 Benchmark 的风险调整超额收益。

首先定义主动收益 Active Return：

\begin{aligned}A_t&=R_{p,t}-R_{b,t}\end{aligned}

其中， $R_{p,t}$ 是策略收益， $R_{b, t}$ 是 Benchmark 收益。

主动收益的波动率被称为 Tracking Error：

\begin{aligned}TE&=Std(R_p-R_b)\end{aligned}

于是 Information Ratio 为：

\begin{aligned}IR&=\frac{E[R_p-R_b]}{Std(R_p-R_b)}\end{aligned}

也可以写成：

\begin{aligned}IR&=\frac{Active\ Return}{Tracking\ Error}\end{aligned}

IR 和 Sharpe 很容易混淆。

Sharpe 是：

\begin{aligned}Sharpe&=\frac{E[R_p-R_f]}{\sigma_p}\end{aligned}

而 IR 是：

\begin{aligned}IR&=\frac{E[R_p-R_b]}{Std(R_p-R_b)}\end{aligned}

两者最核心的区别是比较对象不同。

Sharpe 比较的是策略与无风险资产。

IR 比较的是策略与 Benchmark。

因此：

\begin{aligned}Sharpe&\rightarrow\text{绝对风险调整收益}\\IR&\rightarrow\text{相对于基准的风险调整收益}\end{aligned}

例如，一个基金可能获得很高的绝对收益，但如果其 Benchmark 同期表现也非常好，那么基金的 IR 未必很高。

十、IC：Information Coefficient

IC，也就是 Information Coefficient，是因子研究中非常重要的指标。

它用来衡量：

今天 Alpha 给出的预测，与未来真正发生的收益之间到底有多强的关系？

假设在时刻 $t$ 有 $N$ 只股票。

对于股票 $i$ ，Alpha 给出的信号值为：

\begin{aligned}\alpha_{i,t}\end{aligned}

股票下一期的真实收益为：

\begin{aligned}r_{i,t+1}\end{aligned}

那么当天的 IC 可以定义为：

\begin{aligned}IC_t&=Corr_i(\alpha_{i,t},r_{i,t+1})\end{aligned}

这里非常重要的一点是，IC 通常是横截面相关性。

也就是说，在同一天 $t$ ，我们拿很多只股票进行比较。

Alpha 给出的分数为：

\begin{aligned}\alpha_t&=(\alpha_{1,t},\alpha_{2,t},\ldots,\alpha_{N,t})\end{aligned}

未来真实收益为：

\begin{aligned}r_{t+1}&=(r_{1,t+1},r_{2,t+1},\ldots,r_{N,t+1})\end{aligned}

然后计算这两个横截面向量之间的相关系数。

如果：

\begin{aligned}IC_t&>0\end{aligned}

说明 Alpha 分数越高的股票，未来收益倾向越高。

如果：

\begin{aligned}IC_t&<0\end{aligned}

说明 Alpha 的方向可能相反。

如果：

\begin{aligned}IC_t&\approx0\end{aligned}

说明这个 Alpha 对未来收益的线性预测能力比较弱。

对于长期 Alpha 研究，我们还可以计算平均 IC：

\begin{aligned}\overline{IC}&=\frac{1}{T}\sum_{t=1}^{T}IC_t\end{aligned}

但仅仅平均 IC 高还不够。

我们还希望 IC 在不同时间段比较稳定。

因此可以定义 ICIR：

\begin{aligned}ICIR&=\frac{\overline{IC}}{\sigma_{IC}}\end{aligned}

其中 $\sigma_{IC}$ 是 IC 时间序列的标准差。

如果平均 IC 较高，并且 $\sigma_{IC}$ 较低，那么 ICIR 就会较高，说明预测能力不仅存在，而且比较稳定。

十一、Rank IC

实际量化因子研究中，还经常使用 Rank IC。

Rank IC 并不直接比较 Alpha 数值与未来收益数值，而是比较两者的排名。

定义为：

\begin{aligned}RankIC_t&=Corr(Rank(\alpha_{i,t}),Rank(r_{i,t+1}))\end{aligned}

通常使用 Spearman Rank Correlation。

如果没有并列排名，其公式为：

\begin{aligned}\rho&=1-\frac{6\sum_{i=1}^{N}d_i^2}{N(N^2-1)}\end{aligned}

其中，$d_i$ 表示股票 $i$ 的 Alpha 排名和未来收益排名之差。

普通 IC 更关注：

Alpha 数值与未来收益之间是否存在线性关系。

Rank IC 更关注：

Alpha 能不能把未来表现好的股票排在前面，把未来表现差的股票排在后面。

在股票横截面选股策略中，Rank IC 往往非常有用。

十二、Turnover：换手率

Turnover，也就是换手率，用来衡量策略为了维持目标仓位，需要进行多少交易。

设资产 $i$ 在时刻 $t$ 的组合权重为 $w_{i,t}$ 。

一种常见的组合换手率定义是：

\begin{aligned}Turnover_t&=\frac{1}{2}\sum_{i=1}^{N}|w_{i,t}-w_{i,t-1}|\end{aligned}

例如，原来的投资组合为：

\begin{aligned}w_A&=50\%\\w_B&=50\%\end{aligned}

下一期变成：

\begin{aligned}w_A&=30\%\\w_B&=70\%\end{aligned}

那么：

\begin{aligned}Turnover&=\frac{1}{2}(|30\%-50\%|+|70\%-50\%|)\\&=\frac{1}{2}(20\%+20\%)\\&=20\%\end{aligned}

为什么换手率非常重要？

因为更高的 Turnover 通常意味着更高的交易成本。

可以粗略表示为：

\begin{aligned}Turnover\uparrow&\Rightarrow Commission\uparrow\\&\Rightarrow Spread\ Cost\uparrow\\&\Rightarrow Slippage\uparrow\\&\Rightarrow Market\ Impact\uparrow\end{aligned}

也就是说，一个策略可能在不考虑交易成本时拥有很高的收益和 Sharpe，但如果每天需要大量交易，真正能够实现的净收益可能会大幅下降。

因此在评价 Alpha 时，不能只看收益和 Sharpe，还必须同时看 Turnover。

十三、PnL：Profit and Loss

PnL 是 Profit and Loss 的缩写，也就是策略产生的实际盈亏。

假设在时刻 $t$ 持有 $q_t$ 单位某资产。

资产价格从 $P_t$ 变化到 $P_{t+1}$ 。

那么这一段时间产生的 PnL 为：

\begin{aligned}PnL_{t+1}&=q_t(P_{t+1}-P_t)\end{aligned}

如果同时持有 $N$ 个资产：

\begin{aligned}PnL_{t+1}&=\sum_{i=1}^{N}q_{i,t}(P_{i,t+1}-P_{i,t})\end{aligned}

如果我们使用组合权重来表示持仓，则可以先计算组合收益率。

设资产 $i$ 的组合权重为 $w_{i,t}$ ，下一期收益率为 $r_{i,t+1}$ 。

那么组合收益率为：

\begin{aligned}r_{p,t+1}&=\sum_{i=1}^{N}w_{i,t}r_{i,t+1}\end{aligned}

如果组合总资金为 $V_t$ ，则：

\begin{aligned}PnL_{t+1}&=V_t r_{p,t+1}\end{aligned}

例如，一个账户有 100 万资金，当天组合收益率为 1%：

\begin{aligned}V_t&=1000000\\r_{p,t+1}&=1\%\end{aligned}

那么：

\begin{aligned}PnL_{t+1}&=1000000\times0.01\\&=10000\end{aligned}

也就是当天盈利 10000。

但回测中的 Gross PnL 并不一定是真正可以获得的收益。

真实交易需要扣除各种成本：

\begin{aligned}PnL_{\mathrm{net}}&=PnL_{\mathrm{gross}}-TransactionCost\end{aligned}

而交易成本又可以拆成：

\begin{aligned}TransactionCost&=Commission+Spread+Slippage+MarketImpact\end{aligned}

所以量化策略真正关心的应该是 Net PnL，而不只是理想情况下的 Gross PnL。

十四、Margin

在 WorldQuant 等 Alpha 研究环境中，Margin 可以用于衡量每交易一单位资金能够创造多少利润。

它的核心思想可以理解为：

\begin{aligned}Margin&\approx\frac{PnL}{TradedValue}\end{aligned}

其中，$TradedValue$ 表示策略产生的成交金额。

假设一段时间内总 PnL 为：

\begin{aligned}PnL&=\sum_{t=1}^{T}PnL_t\end{aligned}

总成交金额为：

\begin{aligned}TV&=\sum_{t=1}^{T}TradedValue_t\end{aligned}

那么可以直观理解为：

\begin{aligned}Margin&\approx\frac{\sum_{t=1}^{T}PnL_t}{\sum_{t=1}^{T}TradedValue_t}\end{aligned}

假设策略 A 获得 10 万利润，总交易金额为 1000 万：

\begin{aligned}PnL_A&=100000\\TV_A&=10000000\end{aligned}

则：

\begin{aligned}Margin_A&=\frac{100000}{10000000}\\&=1\%\end{aligned}

另一个策略 B 同样赚了 10 万，但是总交易金额达到 1 亿：

\begin{aligned}PnL_B&=100000\\TV_B&=100000000\end{aligned}

则：

\begin{aligned}Margin_B&=\frac{100000}{100000000}\\&=0.1\%\end{aligned}

虽然两个策略最终赚的钱相同，但是策略 A 每一单位成交金额能够产生更多利润，因此交易效率更高。

Margin 与 Turnover 通常存在非常紧密的关系。

在其他条件大致相同时：

\begin{aligned}Turnover\uparrow&\Rightarrow TradedValue\uparrow\\&\Rightarrow Margin\downarrow\end{aligned}

因此，高换手策略往往需要更强的预测能力，才能覆盖更高的交易成本。

需要注意，不同量化平台对 Margin 的具体计算口径可能存在差异，因此实际使用时应以对应平台的定义为准。

十五、一些辨析

Sharpe 和 IR 的区别：

\begin{aligned}Sharpe&=\frac{\text{相对于无风险资产的超额收益}}{\text{策略自身波动}}\\IR&=\frac{\text{相对于Benchmark的超额收益}}{\text{Tracking Error}}\end{aligned}

IC 和 Correlation 的关系：

IC 本质上也是相关系数，但它有明确的预测含义。

\begin{aligned}IC_t&=Corr_i(\text{今天的Alpha},\text{未来的Return})\end{aligned}

Beta 和 Alpha 的关系：

\begin{aligned}R_p-R_f&=\alpha+\beta(R_m-R_f)+\epsilon\end{aligned}

$\beta$ 表示可以通过市场风险解释的部分，$\alpha$ 表示无法通过市场风险解释的部分。

Turnover 和 Margin 的关系：

\begin{aligned}Turnover\uparrow&\Rightarrow TradedValue\uparrow\Rightarrow Margin\downarrow\end{aligned}

在其他条件不变的情况下，交易越频繁，每单位交易对应的利润通常越低。

IC 和 PnL 的区别也非常重要。

IC 高并不意味着 PnL 一定高。

因为：

\begin{aligned}IC&\rightarrow\text{预测是否正确}\\PnL&\rightarrow\text{预测最终转化成多少钱}\end{aligned}

一个 Alpha 即使 IC 不错，如果仓位构造很差、换手过高、交易成本过大，也可能没有优秀的 PnL。

反过来，一个策略暂时拥有很高的 PnL，也不能直接证明 Alpha 具有稳定预测能力，它可能只是恰好暴露于某个近期表现非常好的市场因子。

十八、总结

一个真正完整的量化策略评价过程，并不是寻找某一个最大的指标。

我们真正希望找到的是：

\begin{aligned}\text{好的策略}&=\text{有效预测}+\text{合理收益}+\text{可控风险}+\text{低交易成本}+\text{稳定性}+\text{独立性}\end{aligned}

IC 告诉我们预测是否有效。

Turnover 告诉我们实现预测需要进行多少交易。

PnL 告诉我们最终赚了多少钱。

Margin 告诉我们这些利润是否以较高的交易效率获得。

Sharpe 告诉我们收益与波动风险之间的关系。

Beta 告诉我们策略到底承担了多少市场风险。

Alpha 告诉我们扣除已有风险因子以后还剩多少真正的超额收益。

IR 告诉我们策略相对于 Benchmark 的表现。

SC 告诉我们新策略是否只是已有策略的重复。

FA 告诉我们策略的收益来源。

VaR 则告诉我们，在正常统计模型之外，应该从什么位置开始警惕尾部损失。

菜单

分享

介绍一下量化交易的主要指标

一、Sharpe Ratio：夏普比率

二、Covariance：协方差

三、Correlation：相关系数

四、SC：Self-Correlation

五、FA：Factor Analysis

六、VaR：Value at Risk

七、β

八、α

九、IR：Information Ratio

十、IC：Information Coefficient

十一、Rank IC

十二、Turnover：换手率

十三、PnL：Profit and Loss

十四、Margin

十五、一些辨析

评论

写点关于我自己的朴素哲学

WorldQuant入门指南

Python基础

介绍一下量化交易的主要指标

用SG定理解释Nim游戏

线段树