Kappa 实战¶

夏普之外的世界。

这一章解释为什么对不同策略要用不同的"风险调整收益"指标，以及怎么用它们做实战判断。

一、为什么需要"夏普之外"的指标¶

1.1 夏普的局限¶

夏普比率假设： 1. 收益服从正态分布 2. 投资者关心整体波动（不区分上下） 3. 用算术均值代表期望收益

这三个假设在私募策略里经常不成立：

CTA 趋势策略：右偏分布（少数大赚，多数小亏）→ 夏普低估真实吸引力
市场中性 / 套利：左偏分布（多数小赚，少数大亏）→ 夏普高估安全性
加杠杆策略：尾部风险大 → 夏普可能完全忽略

1.2 指标的"维度"¶

风险调整收益指标，从风险衡量方式可以分类：

风险衡量	指标	适合
波动率（双向）	Sharpe	收益正态分布
下行波动率	Sortino	收益正偏
最大回撤	Calmar / MAR	长期评估 / CTA
VaR / CVaR	Sharpe-VaR	关注尾部风险
回撤累积	Ulcer Index	频繁小回撤的策略
分布形态	Omega / Kappa	复杂分布

二、Calmar 比率深度拆解¶

2.1 严格定义¶

Calmar = 年化收益 / 最大回撤的绝对值

示例： - 年化收益 15%，最大回撤 -10% - Calmar = 15% / 10% = 1.5

2.2 为什么 Calmar 重要¶

核心思想： - 衡量"赚的钱够不够补回撤" - LP 真正在意的是最痛的时候有多痛，不是平均波动有多大 - 大回撤会摧毁复利（回撤 50% 需要 +100% 才能恢复）

回撤的复利毁灭：

回撤幅度	恢复需要的收益
-10%	+11%
-20%	+25%
-30%	+43%
-50%	+100%
-70%	+233%

这是为什么 Calmar 是 CTA / 加杠杆策略的核心指标：避免毁灭性回撤比追逐 Sharpe 更重要。

2.3 Calmar 的适用范围¶

最适合： - CTA 策略：杠杆 + 趋势可能造成大回撤，必须看 Calmar - 宏观对冲：多资产配置，回撤直接关系策略稳定性 - 加杠杆任何策略：杠杆放大回撤，必须看 Calmar

不太适合： - 市场中性 / 套利：本来就低回撤，Calmar 数值不稳定（分母太小） - 股票多头：回撤主要来自市场 β，Calmar 反映的更多是市场本身

2.4 Calmar 的解读阈值¶

Calmar	评级	适用
> 3.0	顶级	极少见，需警惕样本短或回撤期未来临
2.0-3.0	优秀	头部 CTA / 顶级宏观对冲
1.5-2.0	良好	行业中上
1.0-1.5	合格	行业平均
0.5-1.0	偏弱	风险收益比一般
< 0.5	警惕	基本不值得配置

2.5 Calmar 的"样本陷阱"¶

致命问题：Calmar 高度依赖最大回撤的样本。

示例： - 一个 CTA 成立 18 个月，最大回撤 -3%（赶上好时段） - 年化 25% → Calmar = 8.3（看起来神奇） - 但样本短，没经历过真正的回撤期 - 5 年后看，可能 Calmar 降到 1.0

应对： - 样本 < 36 个月的 Calmar 不可信 - 看滚动 Calmar（每年滚动计算） - 看最大回撤的分布（多次回撤的平均深度）

2.6 Calmar 与 MAR 的区别¶

MAR（Managed Account Ratio）：

MAR = 年化收益 / 最大回撤（基于完整历史）

Calmar：通常基于滚动 36 个月（或自定义窗口）。

实战中： - 短期评估用 Calmar（基于近 3 年） - 长期评估用 MAR（基于成立以来） - 二者可以同时报，呈现不同视角

2.7 实战追问¶

"你们 Calmar 是基于什么样本期算的？"
"成立以来的 MAR 是多少？"
"滚动 12 个月 Calmar 的最低值是多少？"
"如果未来出现 -20% 回撤，Calmar 会变成多少？"

三、Sortino 比率深度拆解¶

3.1 严格定义¶

Sortino = (年化收益 - 目标收益) / 下行波动率

下行波动率（Downside Deviation）：

下行波动率 = sqrt[Σ(min(R_i - 目标, 0))² / N] × sqrt(年化因子)

目标收益通常取： - 0（最常用） - 无风险利率（更严谨） - MAR，Minimum Acceptable Return（最低可接受收益，如 8%）

3.2 为什么 Sortino 比 Sharpe 优秀¶

核心思想： - 投资者不应该惩罚"赚得多的波动" - 只有亏损方向的波动才是真风险

实例对比：

策略 A（稳健）：每月 +1%，连续 12 个月。 - 月度收益序列：[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] - Sharpe（年化）= 12% / 0% = ∞ - Sortino = 12% / 0% = ∞

策略 B（波动）：6 个月 +5%，6 个月 -3%。 - 月度收益序列：[5, -3, 5, -3, 5, -3, 5, -3, 5, -3, 5, -3] - 算术平均 = 1%/月 = 12%/年 - 月度方差 = ((5-1)²×6 + (-3-1)²×6) / 12 = 16 - 月度 Std = 4，年化 Std = 13.86% - Sharpe = 12% / 13.86% = 0.87

策略 C（高波动正偏）：每月小幅 -1%，但 1 个月 +20%。 - 月度收益序列：[-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, +20] - 算术平均 = (-11+20)/12 = 0.75%/月 = 9%/年 - 月度方差 ≈ 35 - 月度 Std ≈ 5.92，年化 Std = 20.5% - Sharpe = 9% / 20.5% = 0.44 - 下行波动率（只算 -1）≈ 1（年化 3.46%） - Sortino = 9% / 3.46% = 2.6

结论：策略 C 的 Sharpe 不到策略 B 的一半，但 Sortino 远超策略 B。这是正偏 CTA 趋势策略的典型情况。

3.3 Sortino 的适用范围¶

最适合： - CTA 趋势策略：截断亏损让利润奔跑 → 收益正偏 - 宏观对冲：黑天鹅时大赚 → 正偏 - AI 模型策略：收益分布常常非正态

也适合： - 任何收益分布偏度大的策略

不太适合： - 收益分布正态的策略（与 Sharpe 差不多） - 套利 / 市场中性（左偏，Sortino 高估其安全性）

3.4 Sortino 的解读阈值¶

Sortino	评级	适用
> 3.0	顶级	罕见，警惕过拟合
2.0-3.0	优秀	头部 CTA / 优秀宏观对冲
1.5-2.0	良好	行业中上
1.0-1.5	合格	行业平均
< 1.0	偏弱	不太值得配置

3.5 Sortino 与 Sharpe 的关系¶

经验法则： - 收益正态分布：Sortino ≈ Sharpe × √2 - 收益正偏：Sortino > Sharpe × √2 - 收益负偏：Sortino < Sharpe × √2

用 Sortino / Sharpe 比值判断偏度： - 比值 > 1.6：明显正偏，CTA 趋势策略典型 - 比值 1.4-1.6：略正偏 - 比值 1.2-1.4：接近正态 - 比值 < 1.2：负偏（警惕"小赚大亏"模式）

3.6 实战追问¶

"你们 Sortino 用什么目标收益作为下限？（0 / 无风险利率 / MAR）"
"Sortino vs Sharpe 的比值多少？说明你们的收益分布偏度？"
"下行波动率的样本期？最近 1 年 vs 成立以来差距？"

四、Omega 比率深度拆解¶

4.1 严格定义¶

Omega(L) = E[max(R - L, 0)] / E[max(L - R, 0)]

L 是阈值（loss threshold，通常取 0 或无风险利率）。

直观理解： - 分子：收益超过阈值的累计期望 - 分母：收益低于阈值的累计期望 - Omega = 1 表示"赚的预期 = 亏的预期"，Omega > 1 表示赚多于亏

4.2 为什么 Omega 比 Sharpe / Sortino 更全面¶

核心优势： - 不假设任何分布形式（Sharpe / Sortino 暗含正态假设） - 考虑收益分布的所有特征（均值、方差、偏度、峰度） - 直接反映"获益概率 vs 损失概率"的比值

适合：复杂收益分布的策略，尤其是有期权特性的策略（如可转债、期货组合）。

4.3 Omega 的适用范围¶

最适合： - 复杂多策略组合：多种策略组合后分布形态复杂 - 期权策略：有非线性收益结构 - AI 模型策略：分布形态难以描述

适合： - 任何想做"分布层面比较"的场景

不太适合： - 简单线性策略（Sharpe 已够用）

4.4 Omega 的解读阈值¶

Omega	评级	含义
> 3.0	顶级	赚的累计期望是亏的 3 倍+
2.0-3.0	优秀	显著正期望
1.5-2.0	良好	中等正期望
1.2-1.5	合格	略正期望
1.0-1.2	边际	几乎平均水平
< 1.0	警惕	损失累计期望 > 收益累计期望

4.5 Omega 的阈值选择¶

关键：Omega 值取决于阈值 L 的选择。

常用 L 值： - L = 0：考虑"赚 vs 亏"的比例 - L = 无风险利率：考虑"超过无风险 vs 跑输无风险"的比例 - L = MAR（如 8%）：考虑"超过最低期望 vs 跑输"的比例

实战： - 报告时同时给 L=0、L=无风险、L=MAR 三个值 - 不同 L 下的 Omega 反映"投资人不同期望水平"下的吸引力

4.6 实战追问¶

"你们 Omega 用什么阈值算？"
"L=0 / L=无风险 / L=8% 的 Omega 分别是多少？"
"Omega 在不同年份的稳定性？"

五、Kappa 比率深度拆解¶

5.1 严格定义¶

Kappa_n = (E[R] - 阈值) / (n 阶下偏部分矩)^(1/n)

关键： - n=2 时，Kappa = Sortino（下行波动率作分母） - n=3 时，Kappa 考虑下偏的三阶矩（偏度） - n=4 时，Kappa 考虑下偏的四阶矩（峰度，尾部风险）

Kappa_3 比 Sortino 更严格，Kappa_4 比 Kappa_3 更严格。

5.2 为什么需要高阶 Kappa¶

关键问题： - Sortino 考虑下行波动，但忽略下行风险的形状 - 两个策略可能有相同 Sortino，但尾部风险天差地别

实例：

策略 A 下行：每月 -1%。策略 B 下行：99 个月 0%，1 个月 -50%。

二者下行波动率差不多，但策略 B 的尾部风险远大。Sortino 显示二者类似，但Kappa_3 / Kappa_4 会显著惩罚策略 B。

5.3 Kappa 的适用范围¶

最适合： - 加杠杆 CTA：可能有"99% 时间小赚 + 1% 时间爆亏"特征 - 市场中性 / 套利：左偏分布，尾部风险大 - 杠杆策略：尾部风险被放大

5.4 Kappa 的解读¶

Kappa_3	评级
> 2.0	优秀，下行风险控制好
1.0-2.0	良好
< 1.0	警惕，下行风险显著

5.5 实战追问¶

"你们策略的 Kappa_3 / Kappa_4 是多少？"
"尾部风险（单日 / 单周最大损失）的最严重情况？"
"策略对单一'黑天鹅'事件的脆弱度？"

六、Ulcer Index 深度拆解¶

6.1 严格定义¶

Ulcer Index = sqrt[Σ(回撤_i²) / N]

回撤_i：从历史峰值的回撤幅度，每日计算。

直观：衡量"回撤的痛苦累计"，比 Maximum Drawdown 更全面。

6.2 为什么 Ulcer Index 重要¶

核心问题： - MDD 只看单次最大回撤 - 但频繁的小回撤也会消耗投资人耐心和复利 - Ulcer Index 反映"持续被回撤折磨"的程度

实例：

策略 A：单次回撤 -15%，其他时间持续创新高。 - MDD = -15% - Ulcer Index 较小

策略 B：每月小回撤 -3%，反复修复。 - MDD = -3% - Ulcer Index 显著

直观：策略 B 的 MDD 比 A 小，但实际投资体验比 A 差（持续被折磨）。

6.3 Ulcer Index 的适用范围¶

最适合： - 高频交易策略：频繁小回撤 - 套利策略：常常有小幅波动 - 高换手 CTA：每周都可能有小回撤

不太适合： - 长周期低换手策略

6.4 Ulcer Performance Index（UPI）¶

UPI = (年化收益 - 无风险) / Ulcer Index

类似 Sharpe，但用 Ulcer Index 替代波动率。

适合：评估"持续被折磨"型策略的真实吸引力。

七、风险调整收益指标的"组合使用"¶

7.1 多指标交叉验证¶

单一指标可以骗，多指标交叉很难骗。

实战组合：

评估 CTA 的指标组合¶

Calmar（核心）+ Sortino + Sharpe + 最大回撤 + 修复天数

评估市场中性的指标组合¶

Sharpe（日频）+ Calmar + 月度胜率 + Beta + 风格暴露

评估宏观对冲的指标组合¶

Sharpe + 与各资产相关性 + 危机时段表现 + 滚动业绩

评估套利的指标组合¶

Sharpe + Calmar + Ulcer Index + 与各资产相关性

7.2 指标的"一致性检验"¶

一致信号： - 高 Sharpe + 高 Sortino + 高 Calmar + 低 Ulcer Index = 真优秀 - 高 Sharpe + 低 Sortino = 收益偏度负 = 警惕"小赚大亏" - 高 Sharpe + 高 Calmar + 短样本 = 警惕样本期幸运 - 高 Sharpe + 高 Beta = 不是真 alpha，是包装的 β

7.3 不同时间窗口的指标对比¶

滚动 12 个月 vs 成立以来： - 二者一致 = 业绩稳健 - 滚动恶化 = α 衰减 - 成立以来差但近期好 = 策略改进 / 运气年

八、实战案例：用高阶指标评估两类策略¶

8.1 彬元中性 1 号（市场中性）¶

已知数据： - 年化收益约 25% - 日频 Sharpe 4.17 - 最大回撤 -2.15% - 月度胜率 100% - 周度胜率 81.6%

用高阶指标补充评估：

Calmar = 25% / 2.15% = 11.6 —— 极高，但分母小，需警惕样本短
Sortino（估算）：因为最大回撤 -2.15%，下行波动率小，Sortino 估计 5-7
Omega（L=0）：高（月度胜率 100% 意味着所有月份正收益）

判断： - 各指标都极优 → 业绩真实性较高 - 但样本只有 9 个月，所有指标都需打折 - 结论：试水配置可以，重仓需要更长样本验证

8.2 涌涵峰云一号（CTA）¶

已知数据： - Phase 1（2023）：实际回撤 -33%（PPT 美化为 -6.92%） - Phase 2（2024+）：风控修复后表现改善 - 评分 66 → 74

用高阶指标补充评估：

Phase 1 评估： - Calmar（基于真实数据）：年化 / -33% = 假设年化 15% → Calmar = 0.45 - MAR：长期看，Calmar < 1.0 = 不合格 - Ulcer Index：高（持续折磨） - Sortino：低（下行风险大）

Phase 2 评估（需要更多数据）： - 风控引入后回撤幅度应该减小 - Calmar 应该回升到 > 1.0 - 需要观察足够长时间确认

判断： - Phase 1 数据应该作为"红线案例" - Phase 2 是"修复中" - 投资决策仅基于 Phase 2 + 长期跟踪

九、风险调整收益指标的"现实陷阱"¶

9.1 "我们 Sharpe 5+"的话术¶

陷阱： - 月频数据 + 短样本 = Sharpe 虚高 - 实际日频 + 长样本 = Sharpe 可能腰斩

应对： - 要日频数据自己算 - 要 36 个月 + 数据 - 看 Sortino / Calmar 是否一致

9.2 "Calmar 5+"的诱惑¶

陷阱： - 短样本 + 没遇大回撤 = Calmar 看似惊人 - 实际经历完整周期后 Calmar 可能跌到 1-2

应对： - 看至少 5 年样本 - 看历史最大回撤的应对 - 看滚动 Calmar 趋势

9.3 "Sortino 极高"的虚假¶

陷阱： - 故意选取阈值（L = -10%）让分母变小 - 收益虽然不高但 Sortino 看起来好

应对： - 报告必须说明 L 取值 - 用 L=0 或无风险利率作为标准

十、一句话总结¶

没有完美的指标，只有合适的指标组合

我们用多个互补的高阶指标评估管理人，而不是依赖单一神奇数字。

指标使用的 4 个核心原则：

CTA 看 Calmar，不看 Sharpe —— Sharpe 对正偏分布严重低估
市场中性看 Sharpe（日频），不看 Calmar —— 回撤太小 Calmar 不稳定
复杂分布看 Omega 和 Kappa —— 反映分布全部信息
频繁小回撤看 Ulcer Index —— 反映"持续被折磨"的体验

最硬的两个追问：

"你们各高阶指标是否一致？如果不一致，哪个最准确？" —— 不一致的指标组合本身就是诊断信号
"在不同样本期 / 不同阈值下，指标的稳健性？" —— 鲁棒性差的指标本身就有问题

记住：FOF 团队的本质不是"找指标最高的管理人"，而是"找指标体系最自洽的管理人"。

自洽的指标 = 稳健的策略；不自洽的指标 = 有水分。