Rachev 比率：用两端尾部期望之比重新定义收益风险性价比 • halo 的技术博客

先说结论：夏普比率衡量的是”平均收益 / 整体波动”，而 Rachev 比率衡量的是”最好的日子有多好 / 最坏的日子有多坏”。两个均值、方差完全相同的资产，夏普可以几乎一样，但如果一个是对称正态、另一个是负偏肥尾，Rachev 比率会把这个差异毫不留情地暴露出来——本文的模拟里，两者夏普同为 0.65 左右，Rachev 比率却是 1.05 对 0.72，相差近 50%。对于任何在乎”崩盘那几天到底亏多少”的投资者，这是一个比夏普更贴近痛感的指标。

夏普比率的盲区：方差对上下行一视同仁#

夏普比率的分母是标准差，而标准差有一个众所周知的问题：它对上行波动和下行波动一视同仁。一个经常大涨的策略和一个经常大跌的策略，只要波动幅度对称，标准差就相同。

更隐蔽的问题在尾部。金融收益普遍呈现负偏和超额峰度——卖波动率策略、信用套利、做市策略尤其如此，它们的日收益长期看是”稳定小赚”，但每隔一段时间来一次深度亏损。这类”捡钢镚”策略的方差被大量平静日子稀释，夏普比率可以做得很漂亮，直到那次尾部事件把几年的利润一次抹掉。

学界对这个问题的回应是把风险度量从”二阶矩”换成”尾部条件期望”。Sortino 比率用下行半方差替换标准差，走了半步；Rachev 比率（由 Svetlozar (Zari) Rachev 提出）走了完整的一步：分子和分母全部换成尾部条件期望。

定义：两端尾部的条件期望之比#

设 $X$ 为资产的（超额）收益随机变量，给定两个尾部水平 $\alpha, \beta \in (0,1)$ （常取 5%），Rachev 比率定义为：

\text{Rachev}_{\alpha,\beta}(X) = \frac{\text{ETG}_\beta(X)}{\text{ETL}_\alpha(X)} = \frac{\mathbb{E}[X \mid X \ge Q_{1-\beta}(X)]}{-\mathbb{E}[X \mid X \le Q_\alpha(X)]}

其中：

ETL（Expected Tail Loss，期望尾部损失）：收益分布左尾 $\alpha$ 分位以下部分的条件期望取负号，也就是常说的 CVaR / ES——“最坏的 $\alpha$ 比例日子里平均亏多少”；
ETG（Expected Tail Gain，期望尾部收益）：右尾 $1-\beta$ 分位以上部分的条件期望——“最好的 $\beta$ 比例日子里平均赚多少”。

直觉非常朴素：上行尾部的火力除以下行尾部的破坏力。Rachev 比率大于 1，意味着极端好日子的平均盈利超过极端坏日子的平均亏损；小于 1 则相反——策略的极端风险收益是不对称地对你不利的。

和夏普比率相比有三个结构性区别：

只看尾部，不看中间。分布中间 90% 的日子对 Rachev 比率没有任何贡献。它天生是一个”极端行情性价比”指标；
上下行分开计量。正偏（偶尔暴涨）会推高分子，负偏（偶尔暴跌）会推高分母，偏度直接进入指标而不是像夏普那样被方差混掉；
分子分母都是一致风险度量（CVaR 型），具有次可加性等良好性质，可以直接放进凸优化框架做组合优化。

实验一：同夏普、不同 Rachev#

构造两个日收益序列，均值和标准差完全对齐（日均 0.05%、日波动 1.2%）：资产 A 是正态分布，资产 B 是负偏肥尾的非中心 t 分布（偏度约 -1.9、超额峰度约 26），各生成 20 万个样本。

import numpy as np
from scipy import stats

rng = np.random.default_rng(42)
n = 200_000
mu, sigma = 0.0005, 0.012

# 资产A：正态
A = rng.normal(mu, sigma, n)

# 资产B：负偏肥尾（非中心t，标准化后对齐均值方差）
raw = stats.nct(df=4, nc=-0.8).rvs(n, random_state=123)
B = (raw - raw.mean()) / raw.std() * sigma + mu

def rachev(x, alpha=0.05, beta=0.05):
    """Rachev 比率 = 右尾条件期望 / 左尾条件期望的绝对值"""
    lo = np.quantile(x, alpha)
    hi = np.quantile(x, 1 - beta)
    etl = -x[x <= lo].mean()   # 期望尾部损失（正数）
    etg = x[x >= hi].mean()    # 期望尾部收益
    return etg / etl

for name, x in [("A 正态", A), ("B 负偏肥尾", B)]:
    sh = x.mean() / x.std() * np.sqrt(252)
    print(f"{name}: 夏普={sh:.2f}  Rachev(5%,5%)={rachev(x):.2f}")

python

结果：

资产	年化夏普	Rachev(5%, 5%)	Rachev(1%, 1%)
A 正态	0.65	1.05	1.04
B 负偏肥尾	0.66	0.72	0.62

同均值同方差下两个分布的对比，夏普几乎相同但 Rachev 差异巨大

夏普比率完全无法区分这两个资产（0.65 vs 0.66），甚至 B 还略高一点。但 Rachev 比率给出了清晰的判决：A 的极端好日子和极端坏日子基本对称（1.05），而 B 每承受 1 元的尾部亏损，只能换来 0.72 元的尾部盈利——这是一个尾部性价比为负的交易。对数纵轴的直方图上可以直接看到原因：B 的左尾比 A 深出去一大截。

实验二：尾部水平扫描——越极端，差距越大#

Rachev 比率有两个自由参数 $\alpha$ 和 $\beta$ ，把它们从 1% 扫到 20%：

alphas = np.linspace(0.01, 0.20, 40)
rA = [rachev(A, a, a) for a in alphas]
rB = [rachev(B, a, a) for a in alphas]

python

尾部水平扫描：越往极端尾部，两资产 Rachev 比率的差距越大

正态资产 A 的 Rachev 比率在所有尾部水平上都稳定在 1.04 附近——对称分布的两端尾部天然对称。负偏资产 B 则随着 $\alpha$ 收窄单调恶化：20% 尾部时约 0.85，5% 时 0.72，1% 时只剩 0.62。负偏肥尾的破坏力集中在最极端的部分，尾部水平选得越严格，Rachev 比率对它的惩罚越重。

这也给出参数选择的实操建议： $\alpha=\beta=5\%$ 是文献常用默认值；如果你的持仓周期长、更在乎黑天鹅，可以压到 1%，但要意识到样本量问题——5 年日频数据在 1% 尾部只有约 12-13 个观测，估计噪声很大。

实验三：组合优化——最大夏普 vs 最大 Rachev 选出完全不同的组合#

构造三个资产：稳健低波资产、高收益但强负偏资产、中等收益正偏资产，网格搜索权重分别最大化夏普和 Rachev：

# R: (T, 3) 收益矩阵，三列分别为 稳健/负偏高收益/正偏 资产
best_sharpe, best_rachev = None, None
results = []
for w1 in np.linspace(0, 1, 21):
    for w2 in np.linspace(0, 1 - w1, 21):
        w = np.array([w1, w2, 1 - w1 - w2])
        p = R @ w
        sh = p.mean() / p.std() * np.sqrt(252)
        results.append((w, sh, rachev(p)))
best_sharpe = max(results, key=lambda x: x[1])
best_rachev = max(results, key=lambda x: x[2])

python

结果对比鲜明：

目标函数	稳健资产	负偏高收益	正偏资产	夏普	Rachev
最大夏普	40%	30%	30%	1.16	0.94
最大 Rachev	10%	4.5%	85.5%	0.71	1.30

最大夏普与最大 Rachev 组合的权重与净值路径对比

最大夏普组合毫不犹豫地给负偏高收益资产分了 30% 权重——它的均值高、方差被平静期稀释，夏普视角下是优质资产。最大 Rachev 组合几乎清仓了它（4.5%），转而重仓正偏资产。代价是夏普从 1.16 降到 0.71，换来的是尾部性价比从 0.94 升到 1.30：从”极端行情净亏”翻转为”极端行情净赚”。

这不是孰优孰劣的问题，而是目标函数的选择本身就是风险偏好的陈述。如果你的策略容量大、可以扛住回撤等均值回归，夏普合理；如果你带杠杆、有清盘线、或者管理的是”一次大亏就出局”的资金，Rachev 视角可能更接近你的真实效用函数。

与其他比率的关系#

把常见的收益风险比放在一个谱系里看：

夏普：均值 / 标准差——全分布、对称计量；
Sortino：均值 / 下行半标准差——全分布上行 + 下行波动；
STARR 比率（Stable Tail Adjusted Return Ratio）：均值 / ETL——全分布上行 + 尾部下行，是 Rachev 的”半成品”；
Rachev：ETG / ETL——两端都只看尾部。

Rachev 比率是这个谱系里唯一”分子也换成尾部度量”的指标。这带来一个独特性质：它对分布中间部分的平移完全不敏感——策略在平静日子多赚 1bp 还是少赚 1bp 不影响 Rachev。这既是特性也是缺陷：Rachev 不能单独使用，一个每天亏一点、偶尔暴涨的彩票型策略可以有极高的 Rachev 但均值为负。实务上标准搭配是”夏普/STARR 管中枢收益，Rachev 管尾部形状”。

A. 实现细节#

尾部条件期望用样本分位数 + 切片均值直接估计（历史模拟法），不做参数化分布假设；np.quantile 默认线性插值，20 万样本下插值方式的影响可忽略，但小样本（<1000）时建议改用 method='lower' 保守处理；
ETL 定义为左尾条件期望的相反数，保证分母为正；若策略左尾条件期望为正（几乎不亏钱），Rachev 比率无意义，需回退到其他指标；
组合优化用 2% 步长的单纯形网格搜索（231 个组合），目的是展示两种目标函数的结构性差异；生产环境中 Rachev 最大化可写成 CVaR 差分的线性规划（Rockafellar-Uryasev 线性化分别作用于分子分母，再用 Dinkelbach 迭代处理分式目标）；
三资产模拟中负偏/正偏资产用非中心 t 分布（scipy.stats.nct）标准化后重新缩放构造，保持均值方差可控、偏度峰度显著。

B. 已知偏差#

尾部估计的样本饥渴：5% 尾部用了 1 万个样本（20 万总量），估计很稳；但真实场景 5 年日频只有约 63 个尾部观测，Rachev 比率的抽样标准误不小，两个策略 Rachev 差 0.1 以内不构成可靠排序，应配 bootstrap 置信区间；
i.i.d. 假设：模拟数据独立同分布，真实收益有波动聚集——危机日成串出现，历史模拟法的尾部条件期望会低估”连续尾部日”的复合破坏力，严谨做法是先用 GARCH 过滤再对标准化残差估计；
参数自由度： $\alpha, \beta$ 的选择直接影响数值和排序，报告 Rachev 比率必须同时报告尾部水平，且不应在多组 $(\alpha,\beta)$ 里挑最好看的那组——那是另一种形式的数据窥探。

C. 结果解读#

夏普的盲区是结构性的，不是精度问题：实验一中两资产夏普差 0.01、Rachev 差 0.33，加长样本不会改变这个结论，因为方差在数学上就不区分上下行；
负偏惩罚随尾部水平收窄而放大：从 20% 到 1%，负偏资产的 Rachev 从 0.85 恶化到 0.62，说明它的风险藏在”最坏的 1%“里——这正是卖尾部风险类策略的典型指纹，用 Rachev(1%,1%) 筛这类策略特别有效；
组合层面的权衡是实打实的：最大 Rachev 组合放弃了 0.45 的夏普换取尾部性价比转正，这个交换比例本身就是有用的信息——如果某组合只需牺牲 0.1 夏普就能把 Rachev 从 0.9 拉到 1.2，说明尾部风险的定价很便宜，值得做；反之若代价巨大，说明高夏普本质上就是尾部风险的补偿；
适用边界：Rachev 比率不适合作为唯一目标（彩票型策略陷阱），不适合小样本直接比较（尾部估计噪声），最适合的场景是：策略池中筛除隐性卖尾部风险的策略、带杠杆约束的组合构建、以及对”危机 alpha”类策略（尾部对冲、CTA）做常规指标之外的公平评价——这类策略夏普平庸但 Rachev 优秀，恰是夏普视角系统性低估的品种。