如何用 Python 计算索提诺比率和卡玛比率？

一句话回答： 夏普比率把「上涨的波动」也算成风险，而索提诺比率（Sortino）只惩罚下行波动 、卡玛比率（Calmar）用最大回撤 当风险分母------更贴合投资者「怕跌不怕涨」的真实感受。用 AlphaFeed 取回前复权日线算日收益后，几行 pandas 就能得到年化收益、下行波动、最大回撤，进而算出 Sortino 与 Calmar，不需要专门的库。

为什么会有这个问题 / 传统做法的痛点

只看夏普比率有个尴尬：一只票暴涨也会推高波动率、反而拉低夏普，可上涨明明是好事。索提诺只把「跌」当风险，卡玛直接盯「最大回撤」，二者更能反映实际持有体验。计算的坑在于：要用前复权价 算真实收益，注意年化口径（A 股一年约 252 个交易日），下行波动只统计负收益。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线并算日收益

python 复制代码

from alphafeed import AlphaFeed
import numpy as np
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=500,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)
ret = df["close"].pct_change().dropna()

用前复权价（adjust="forward"）算收益，避免除权日的伪涨跌污染指标。

第 2 步：夏普 vs 索提诺（下行波动的差别）

python 复制代码

TRADING_DAYS = 252
rf_daily = 0.0            # 简化：无风险利率按 0

def sharpe(ret, rf=0.0):
    excess = ret - rf
    return np.sqrt(TRADING_DAYS) * excess.mean() / excess.std(ddof=1)

def sortino(ret, rf=0.0):
    excess = ret - rf
    downside = excess[excess < 0]                  # 只统计下行
    dd_std = np.sqrt((downside ** 2).mean())       # 下行标准差
    return np.sqrt(TRADING_DAYS) * excess.mean() / dd_std

print(f"夏普 {sharpe(ret):.2f} | 索提诺 {sortino(ret):.2f}")

指标	风险分母	特点
夏普 Sharpe	全部收益的标准差	上涨波动也算"风险"
索提诺 Sortino	仅下行收益的标准差	只罚下跌，更符合直觉

第 3 步：卡玛比率（年化收益 / 最大回撤）

python 复制代码

def cagr(close):
    total = close.iloc[-1] / close.iloc[0]
    years = len(close) / TRADING_DAYS
    return total ** (1 / years) - 1

def max_drawdown(close):
    equity = close / close.iloc[0]
    return (equity / equity.cummax() - 1).min()   # 负值

c = cagr(df["close"])
mdd = max_drawdown(df["close"])
calmar = c / abs(mdd) if mdd != 0 else np.nan
print(f"年化收益 {c:.2%} | 最大回撤 {mdd:.2%} | 卡玛 {calmar:.2f}")

指标	公式	解读
卡玛 Calmar	年化收益 ÷ \|最大回撤\|	每承受 1 单位回撤换来的年化收益
越大越好	---	通常看近 3 年；>1 较优（因品种而异）

第 4 步：批量对比多只/多策略

python 复制代码

codes = ["600519.SH", "000001.SZ", "601318.SH", "000858.SZ"]
data = af.klines.batch(codes, period="1d", count=500,
                       adjust="forward", to_dataframe=True)
rows = []
for s, k in data.items():
    k = k.sort_values("trade_date"); r = k["close"].pct_change().dropna()
    rows.append({"symbol": s, "Sharpe": round(sharpe(r), 2),
                 "Sortino": round(sortino(r), 2),
                 "Calmar": round(cagr(k["close"]) / abs(max_drawdown(k["close"])), 2)})
print(pd.DataFrame(rows).to_string(index=False))

关键坑与注意事项

前复权价：未复权价在除权日的伪跳变会污染收益与所有比率。
年化口径统一：A 股按 252 交易日年化；日/周/月频率的年化因子不同，别混用。
下行波动只统计负收益：Sortino 的分母是负收益的均方根，别用全样本 std。
卡玛对区间长度敏感：最大回撤随样本变化大，通常固定看近 3 年、且需足够样本。
无风险利率简化为 0：更严谨可减去货币基金/国债日收益，但对横向对比影响小。
单指标不足以定优劣：三个比率各有侧重，应结合收益、回撤、稳定性综合看，且历史不代表未来。

常见问题（FAQ）

Q：索提诺一定比夏普高吗？

A：通常是，因为它剔除了上行波动这个「假风险」。若下跌集中且剧烈，索提诺也可能不高。

Q：卡玛比率多少算好？

A：没有绝对标准，通常 >1 较优、越大越好，但严重依赖回测区间与品种，跨样本对比才有意义。

Q：为什么用 252？

A：A 股一年约 252 个交易日，是日频年化的常用因子；用月频则年化因子是 12。

Q：需要付费吗？

A：单只历史日线有免费额度；批量对比多只/组合（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

评估收益别只看夏普：索提诺只罚下行波动、卡玛用最大回撤当分母，更贴合真实风险偏好。用 AlphaFeed 取回前复权日线算日收益，几行 pandas 就能得到 Sharpe/Sortino/Calmar 三件套。关键是前复权、统一年化口径、下行波动只算负收益，并结合多指标综合判断。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart
AlphaFeed 官网：https://alphafeed.org/