量化投资入门：关键指标详解与案例解析
量化投资被誉为投资界的"智慧之光"，通过数学模型和数据分析来指导投资决策。但是，对于刚入门的新手来说，量化投资中的一些专业名词和指标可能让人感到困惑。本文将详细解释关键指标的含义，配以公式和实例，帮助你更快地理解这些概念。
一、收益率（Return）
1. 定义
收益率是衡量投资表现最基本的指标，表示一段时间内投资的收益相对于初始投资金额的百分比。
2. 公式
收益率 = ( P 期末 − P 期初 P 期初 ) × 100 % \text{收益率} = \left( \frac{P_{\text{期末}} - P_{\text{期初}}}{P_{\text{期初}}} \right) \times 100\% 收益率=(P期初P期末−P期初)×100%
- P 期初 P_{\text{期初}} P期初：初始投资金额
- P 期末 P_{\text{期末}} P期末：期末投资价值
3. 案例
假设你在年初投资了10,000元购买了一只基金，年底时该基金价值增长到了11,500元。
计算收益率：
收益率 = ( 11 , 500 − 10 , 000 10 , 000 ) × 100 % = 15 % \text{收益率} = \left( \frac{11,500 - 10,000}{10,000} \right) \times 100\% = 15\% 收益率=(10,00011,500−10,000)×100%=15%
解释：你在一年内获得了15%的投资回报。
二、夏普比率（Sharpe Ratio）
1. 定义
夏普比率用于衡量投资组合每承受一单位总风险所获得的超额回报。它综合考虑了收益和风险。
2. 公式
夏普比率 = E [ R p ] − R f σ p \text{夏普比率} = \frac{E[R_p] - R_f}{\sigma_p} 夏普比率=σpE[Rp]−Rf
- E [ R p ] E[R_p] E[Rp]：投资组合的期望收益率
- R f R_f Rf：无风险利率（例如国债收益率）
- σ p \sigma_p σp：投资组合收益的标准差（总风险）
3. 案例
假设：
- 投资组合的年化收益率为12%（ E [ R p ] = 12 % E[R_p] = 12\% E[Rp]=12%）
- 无风险利率为2%（ R f = 2 % R_f = 2\% Rf=2%）
- 投资组合的年化波动率为8%（ σ p = 8 % \sigma_p = 8\% σp=8%）
计算夏普比率：
夏普比率 = 12 % − 2 % 8 % = 1.25 \text{夏普比率} = \frac{12\% - 2\%}{8\%} = 1.25 夏普比率=8%12%−2%=1.25
解释：每承担一单位的风险，你可以获得1.25单位的超额回报。一般来说，夏普比率越高，投资绩效越好。
三、适应度（Fitness）
1. 定义
适应度是一个综合指标，评估投资策略的整体表现。它考虑了收益、风险、交易成本等多方面因素。
2. 公式
适应度的计算没有统一的公式，但通常结合多个指标，例如：
适应度 = α × 收益率 + β × 夏普比率 − γ × 换手率 \text{适应度} = \alpha \times \text{收益率} + \beta \times \text{夏普比率} - \gamma \times \text{换手率} 适应度=α×收益率+β×夏普比率−γ×换手率
- α , β , γ \alpha, \beta, \gamma α,β,γ：权重系数，反映各指标的重要性
- 换手率 \text{换手率} 换手率：衡量交易频率，交易成本的代理变量
3. 案例
假设某策略拥有以下指标：
- 收益率：20%
- 夏普比率：1.5
- 换手率：50%
选择权重系数为： α = 0.5 \alpha = 0.5 α=0.5， β = 0.4 \beta = 0.4 β=0.4， γ = 0.1 \gamma = 0.1 γ=0.1
计算适应度：
适应度 = 0.5 × 20 % + 0.4 × 1.5 − 0.1 × 50 % = 10 % + 0.6 − 5 % = 5.6 % \text{适应度} = 0.5 \times 20\% + 0.4 \times 1.5 - 0.1 \times 50\% = 10\% + 0.6 - 5\% = 5.6\% 适应度=0.5×20%+0.4×1.5−0.1×50%=10%+0.6−5%=5.6%
解释：策略的适应度为5.6%，综合考虑收益、风险和交易成本，评估策略的整体优劣。
四、累计盈亏图（Cumulative PnL Chart）
1. 定义
累计盈亏图展示了投资策略随时间推移的盈亏累积情况，直观反映策略的盈利能力和稳定性。
2. 案例
假设某策略在半年内的每月收益如下（单位：元）：
- 1月：+500
- 2月：-200
- 3月：+300
- 4月：+400
- 5月：-100
- 6月：+600
累计盈亏计算：
- 1月累计：+500
- 2月累计：+500 - 200 = +300
- 3月累计：+300 + 300 = +600
- 4月累计：+600 + 400 = +1,000
- 5月累计：+1,000 - 100 = +900
- 6月累计：+900 + 600 = +1,500
解释：绘制累计盈亏图，观察曲线的走势。如果曲线整体向上且较为平滑，说明策略盈利稳定。
五、训练期、半出样期、出样期（IS, Semi-OS & OS）
1. 定义
- 训练期（In-Sample，IS）：用于构建和优化模型的历史数据时间段。
- 半出样期（Semi-Out-of-Sample，Semi-OS）：介于训练期和出样期之间，用于初步验证模型效果的时间段。
- 出样期（Out-of-Sample，OS）：完全未用于建模的数据，用于检验模型在新数据上的表现。
2. 作用
这些时间段的划分旨在防止 过拟合，确保模型在未见过的数据上仍然具有良好的表现，具有普适性。
3. 案例
假设总共有2015年至2020年的数据，划分如下：
- 训练期（IS）：2015-2017年
- 半出样期（Semi-OS）：2018年
- 出样期（OS）：2019-2020年
在训练期内，模型通过不断调整参数取得了良好的表现。在半出样期验证模型性能，如果仍然表现良好，则在出样期进行最终测试。
解释：如果模型在出样期仍然有优异的表现，说明策略具有较强的稳健性和推广能力。
六、最大回撤（Max Drawdown）
1. 定义
最大回撤表示投资策略从历史最高点到最低点的最大资产净值跌幅，衡量策略的风险。
2. 公式
最大回撤 = max t ∈ [ 0 , T ] ( 累计净值峰值 − 累计净值谷值 累计净值峰值 ) \text{最大回撤} = \max_{t \in [0,T]} \left( \frac{\text{累计净值峰值} - \text{累计净值谷值}}{\text{累计净值峰值}} \right) 最大回撤=t∈[0,T]max(累计净值峰值累计净值峰值−累计净值谷值)
3. 案例
假设某策略的累计净值如下：
- 第10天达到峰值：累计净值为120万元
- 随后下跌至谷值：累计净值为90万元
计算最大回撤：
最大回撤 = 120 − 90 120 = 25 % \text{最大回撤} = \frac{120 - 90}{120} = 25\% 最大回撤=120120−90=25%
解释：策略曾经经历过25%的资金回撤。投资者需要考虑自己是否能承受这样的风险水平。
七、Alpha策略状态（Alpha Statuses）
1. 定义
- 未提交（Unsubmitted）：策略尚未提交到交易平台。
- 激活（Active）：策略已提交并在模拟或实际环境中运行。
- 停用（Decommissioned）：策略因表现不佳或其他原因被停用。
2. 作用
了解策略的状态有助于管理投资组合，及时调整策略的使用。
3. 案例
- 未提交：你在本地电脑上开发了一个新策略，尚未提交测试。
- 激活：策略通过测试，被部署到实时交易。
- 停用：策略在实盘中表现欠佳，被暂停交易。
解释：策略状态的变化反映了策略的生命周期，需要根据其表现进行动态管理。