夏普比率／夏普指數是什麼？用公式與台股 ETF 排行看報酬是否值得風險

夏普比率（Sharpe Ratio）是什麼？

夏普比率（夏普值、夏普指數，Sharpe Ratio）是在問：每承受 1 單位波動，基金、ETF 或策略多換回多少超額報酬。 簡體搜尋常見的「夏普指数」也是同一個概念。它把「報酬扣掉基準後剩下多少」除以「報酬每天上下波折的幅度」，得到一個可以比較不同標的的風險調整後分數。William F. Sharpe 在 1966 年提出這個指標，後來成為比較投資組合、基金、ETF、量化策略時最常見的風險指標之一。

$SR=\frac{\mu-R_f}{\sigma}$

其中 $\mu$ 是標的的（年化）平均報酬、$R_f$ 是無風險利率、$\sigma$ 是報酬的（年化）標準差。分子是超額報酬，也就是基金、ETF 或策略報酬扣掉無風險利率後的差額。分母是報酬上下波折的程度。假設兩檔基金都多賺 10%，一檔每天大概在正負 1% 內擺動，另一檔常常正負 3% 亂跳，前者的分母比較小，夏普值就會比較高。

用英文拆開看，分子 $\mu-R_f$ 是超額報酬，也常被稱為風險溢價（risk premium）；分母 $\sigma$ 是報酬標準差（standard deviation）。所以「夏普值、風險溢價、標準差」其實是同一條公式的三個部件：風險溢價越高、標準差越低，夏普值通常越高。

兩檔基金都年化 12%，但 A 基金每年最糟只跌 8%，B 基金中途可能跌 35%。光看 12% 會把兩者當成一樣，夏普值會把 B 的顛簸放進分母，提醒你 A 的 12% 承擔的波動比較低。

想了解夏普值在整個量化框架裡的位置，可以從量化交易是什麼這篇入門指南讀起；如果你正在比較不同的選股方法，夏普值通常是排序候選策略的第一道篩子。

夏普比率讀數表

中文常見說法對照

中文資料裡會看到幾種寫法，意思大多相同，只是使用情境略有差異：

想快速試算自己的報酬序列，可以先用下面的夏普值計算器；想查 0050、0056、00878 等台股 ETF，後面有即時排行。

基金、ETF 與策略常見判讀場景

夏普值不只用在基金排名。它更像一把共用的風險效率尺，從基金、ETF、台股選股到套利策略，都可以用來問同一件事：這段報酬是否值得承擔背後的波動。

夏普值、標準差與 Beta 值差在哪？

很多基金頁會同時列夏普值、標準差與 Beta 值，但三者不是同一件事。標準差看「自己波動多大」，Beta 看「跟市場一起動的程度」，夏普值則看「承擔這些波動後，換回多少超額報酬」。

所以標準差低不一定代表好，Beta 低也不一定代表會賺錢；真正比較基金 CP 值時，通常要把夏普值、最大回撤與費用率一起看。

---

夏普比率怎麼算？三個輸入值、一條公式、一個年化範例

拆開來看，夏普比率只需要三個輸入值：

把三者代進 $SR=(\mu-R_f)/\sigma$ 就得到夏普比率。但實務上有兩個細節決定數字可不可信：年化與差額報酬。

回測資料怎麼代進公式

回測時我們手上有的是一段歷史報酬序列，所以算的是「事後夏普比率」的估計值。設 $D_t$ 為第 $t$ 期的差額報酬（策略報酬減去基準報酬）：

$D_t=R_{p,t}-R_{b,t}$

則：

$\widehat{SR}=\frac{\bar{D}}{\sigma_D},\quad \bar D=\frac1T\sum_{t=1}^T D_t,\ \sigma_D=\sqrt{\frac{1}{T-1}\sum_t (D_t-\bar D)^2}$

$\bar D$ 是差額報酬的平均、$\sigma_D$ 是它的樣本標準差、$T$ 是樣本期數。注意分母用的是 $T-1$（樣本標準差，無偏修正）。這條式子和開頭的 $(\mu-R_f)/\sigma$ 是同一件事，只是把「基準」一般化成 $R_{b,t}$。基準可以是無風險利率，也可以是 0050 或加權報酬指數，下一節會說明差別。

年化這一步最常被做錯

回測通常用日報酬計算，但跨策略比較要對齊到年化。在報酬獨立同分布（IID）的假設下，年化公式是：

$SR_{\text{年}}=\sqrt{252}\,SR_{\text{日}}=\sqrt{12}\,SR_{\text{月}}$

IID 的意思是「每一天的報酬像獨立抽球」：今天抽到漲跌多少，不會影響明天；而且每天用的是同一個抽球規則。這個假設不一定符合市場，但它讓我們可以用國中程度的平方根規則換算：報酬隨時間大致線性累積（乘 $T$），波動度只隨時間的平方根累積（乘 $\sqrt{T}$），所以夏普比率年化時是乘 $\sqrt{T}$。台股一年約 252 個交易日（不同年份在 240～250 餘之間，慣例用 252），月頻則用 $\sqrt{12}$。

提醒：這條 $\sqrt{252}$ 只在報酬 IID 時嚴格成立。Lo（2002）證明：若報酬有自相關（多數策略都有），正確的年化係數不是 $\sqrt{T}$，盲目乘 $\sqrt{252}$ 會高估或低估夏普比率，後面「進階」一節會展開。

一個帶真實數字的年化範例

假設某策略的日均（超額）報酬 = 0.05%、日報酬標準差 = 1%。標準差 1% 的白話是：多數日子的報酬會圍繞平均值上下約 1% 擺動，但極端行情仍可能超過這個範圍。

日頻夏普比率：

$SR_{\text{日}}=\frac{0.05\%}{1\%}=\frac{0.0005}{0.01}=0.05$

年化（IID 假設下乘 $\sqrt{252}$）：

$SR_{\text{年}}=0.05\times\sqrt{252}\approx 0.05\times 15.87\approx 0.79$

所以年化夏普約 0.79。一個日均只多賺 0.05%、看起來很小的策略，年化後夏普接近 0.8，在台股實務裡已經是合理水準（見下文分級表）。日頻夏普不能拿來和年頻夏普相比，兩者差了快 16 倍。

如果你想看 FinLab 怎麼把這些頻率、基準、成本一併揭露，台股選股回測與多因子打敗 0050這兩篇示範了一份把條件講清楚的回測長什麼樣。

---

無風險利率怎麼取？（以及為什麼基準不一定是無風險利率）

無風險利率 $R_f$ 是「不冒風險也拿得到的報酬」，台灣最常用兩個來源：

• 銀行一年期定存利率：最貼近散戶的「無風險選項」，2024–2025 約落在 1.5%～1.7% 區間。
• 短期政府公債殖利率（如 1 年期中央公債）：機構慣用，與定存接近。

兩個務必避開的錯誤：

1. 不要套今天的利率去算十年前的數據。 無風險利率會隨升降息循環變化。近十多年很多投資人習慣低利率，所以常把 $R_f$ 近似為 0；但這只是剛好活在低利率週期。以美國 3 個月國庫券為例，FRED 資料顯示 1981 年曾經到 16% 左右，若當時還把無風險利率當 0，夏普會被嚴重高估。台灣近年一年期定存約 1%～2%，看起來影響小，但不同時代的利率水準完全不同。正確做法是讓 $R_f$ 對應回測的那段期間（理想上逐期對齊當期利率）。
2. 不要把日頻報酬減掉年化利率。 頻率要一致：日報酬要減的是「日化」的無風險利率（年利率 ÷ 252），否則分子會被嚴重扭曲。

基準可以是定存，也可以是 0050

Sharpe 本人在 1994 年的論文〈The Sharpe Ratio〉做了一個重要釐清：夏普比率的分子應該用差額報酬序列 $D_t=R_{p,t}-R_{b,t}$ 整段去算它的平均與標準差，避免把「報酬」和「利率」當成兩個獨立數字隨意相減。更關鍵的是，這個 $R_{b,t}$ 不一定要是無風險利率，它可以是任何基準（benchmark）。

這帶來兩個實務含義：

• 當基準 $R_{b,t}=R_f$（無風險），算出來是傳統的夏普比率。
• 當基準換成某個指數（例如含息 0050、加權報酬指數），分子就變成「相對基準的超額報酬」，分母是「追蹤誤差」。這其實就是後面會提到的資訊比率（Information Ratio），也就是把夏普比率的基準換成指數。

所以下次有人問「你的夏普比率減的是什麼？」這是個好問題。減無風險利率、減 0050、減 0，算出來的數字意義不同，比較時口徑要一致。

---

夏普比率多少算好？（分級表 + 台股實務）

下面這張分界線只能當讀數表，不是保證。市場、策略類型、回測區間一變，合理區間也會跟著變；把同一把尺套到所有策略，反而容易誤判。

但要特別提醒：這張表是「年化、長樣本」的通則，套到台股單一策略容易失望。 在台股實務上，一套真實、扣掉交易成本、沒有過度最佳化的選股策略，長期年化夏普能穩定落在 0.4～0.7 就已經很合理；能站上 0.8～1.0 的（如下文的法人策略）已屬少數；宣稱長期夏普 2 以上的台股策略，多半要檢查是回測期間太短、未扣成本、或對歷史過度配適。

幾個務必放在心上的點：

• 夏普比率是回測數字，不是未來的承諾，回測漂亮不代表上線後也漂亮。
• 區間越短、樣本越少，夏普比率越不穩定，容易被運氣灌水。同一套策略換個三年區間，夏普可能差很多；這背後有統計原因（估計誤差），後面 Lo 的信賴區間一節會量化它。
• 數字異常高時，要檢查是不是前視偏誤、忽略交易成本、或對歷史過度最佳化造成的假象，先別急著把它視為好策略。

關於「漂亮數字背後是不是真的有效」，FinLab 有專文從回測過擬合機率的角度說明：當你試了幾百組參數，總會撞到一組夏普很高的，但那往往是運氣而非規律。判斷因子是否真有預測力，也可以搭配資訊係數 IC一起看，避免只憑單一夏普下定論。

---

基金、ETF 與台股策略：夏普值參考值怎麼看？

「夏普值多少算好」不能只看單一分數，還要看資產類型、回測期間、是否含息、是否扣成本。基金、ETF、台股選股策略的波動結構不同，拿同一個門檻硬套，容易把保守資產看得太好，也可能把高報酬但高回撤的策略看得太安全。

所以基金類型的參考值要「同類比較」。債券基金的夏普和股票型基金不能放在同一張表裡排名；台股 ETF 要和台股 ETF 比；台股選股策略也要用相同資料期間、交易成本與成分股口徑重算。若只看到一個「夏普 1.2」卻不知道資料期間、報酬頻率與基準，這個數字幾乎不能用。

勝率、收益風險比、夏普比率要一起看

很多策略討論會同時提到勝率、收益風險比與夏普比率。三者回答的是不同問題：

一套策略可以勝率只有 40%，但每次賺很多、虧損小，整體夏普仍然不錯；另一套策略勝率 80%，卻偶爾一次大賠，夏普可能很差。若你在看行業資料或不同基金類型的比較，至少要把「期間、頻率、含息口徑、交易成本、最大回撤」放在同一張表裡，否則勝率與夏普很容易各說各話。

算一下自己手上序列的最大回撤與年化報酬

表格最後一列的最大回撤（MDD）與年化報酬（CAGR），是和夏普比率並排看時最常被忽略的兩個數字。把你手上的一段淨值序列，或每期報酬率貼進下面的小工具，就能在瀏覽器裡直接算出 MDD 與 CAGR，再回頭對照同一段期間的夏普比率，比較不會被單一漂亮數字帶著走。

---

真實 finlab 台股實例：法人策略的夏普比率為 0.99

光講公式容易抽象，用一個真實、可驗證的台股回測來看會清楚很多。FinLab 在逆向外資策略失敗！真正有效的法人跟單術這篇裡，比較了幾套「跟法人」的選股邏輯，過程剛好把夏普比率的用法示範得很完整（回測區間 2015–2025，使用 finlab 套件，benchmark 與成本已於原文揭露）。

幾個值得注意的地方：

• 「逆向外資」這套，年化報酬率為 -11.2%、夏普比率僅 0.15。不只賠錢，連風險調整後也接近零，等於冒了險卻沒換到回報。夏普在這裡點出「這套策略的報酬配不上它的波動」。
• 改成順著投信買超後，年化拉到 17.5%、夏普比率約 0.6，有改善但仍普通，正好落在前面說的台股實務合理區間。
• 再加上「營收創 12 個月新高、年增率大於 20%」的基本面篩選，年化報酬率達 31.68%、夏普比率為 0.99。報酬與夏普同步往上，代表多出來的報酬來自條件篩選提高策略品質，而非單純加大波動。

不過同一篇也揭露了夏普比率看不到的東西：這套策略的最大回撤達 -45.47%。也就是說，夏普比率 0.99 看起來不錯，但最差時帳面仍可能接近腰斬。夏普要搭配 MDD、成交量、交易成本與流動性一起看。FinLab 回測系統已經處理交易成本、下市櫃股票等生存者偏差問題；完整數字、Python 程式碼與風險揭露都在原文，數據來源見逆向外資策略失敗！真正有效的法人跟單術。

查一檔個股 / 一套策略的夏普比率

想知道某一檔台股、某一套策略在指定期間的夏普比率是多少？下面這個工具使用 finlab 的台股資料即時計算，輸入股票代號就能查：

提醒：個股的夏普比率對「期間」極度敏感。同一檔股票，2020–2021 多頭算出來可能很漂亮，拉長到含 2022 空頭就完全不同。查出來的數字請務必對照它的回測區間，別把短期僥倖當成穩定能力。

想把這類風險調整後的比較延伸到更多因子，可以看三因子分析與多因子打敗 0050；如果你關心的是「程式怎麼把這些算出來」，程式交易是什麼會帶你從 AI 輔助安裝流程 開始。

---

台股 ETF 夏普比率排行

對多數人來說，最實際的問題是「我買的 ETF，夏普比率到底好不好？」下面的排行用 finlab 的台股 ETF 資料即時排序，讓你一眼看出 0050、0056、00878 等熱門 ETF 在指定期間誰的風險調整後報酬比較高：

看這張表時請記住三件事：

1. 比較要同期間。 上市較晚的 ETF（如部分高股息、主題型 ETF）樣本短，夏普容易偏高也偏不穩，不能和 0050 這種長天期 ETF 並列下定論。這是「區間越短越不穩」在 ETF 上的具體表現。
2. 要用含息（總報酬）。 高股息 ETF 若只看收盤價，不把配息加回去，報酬會被嚴重低估，夏普跟著失真。正確做法是用調整後價格或含息總報酬序列算夏普，不能拿普通收盤價算。FinLab 的回測用 etl:adj_close 還原息值。
3. 夏普高不等於適合你。 夏普衡量的是風險調整後報酬的「效率」，但你還要看絕對報酬、最大回撤、配息穩定度。一檔夏普 0.6 但波動低的債券 ETF，和一檔夏普 0.6 但回撤 -40% 的股票 ETF，體驗完全不同。

---

套利策略與夏普跌半倉交易法：優勢與不足

套利策略常被認為夏普比率較高，因為它追求的是價差收斂、配對偏離修復、期現貨價差或跨市場錯價，平常的報酬波動可能比單邊買股票低。這類策略的優勢是：若邏輯成立，分母波動會被壓低，夏普自然好看；若同時控好槓桿與部位，資金曲線也可能比純多頭策略平順。

但套利策略最怕的是「平常很穩，出事時很痛」。常見風險包括：

「夏普跌半倉交易法」通常指一種風控規則：當策略的滾動夏普、近期波動或回撤惡化到門檻時，把部位降到一半，等風險回穩再恢復。簡體資料常寫成「半仓」。這種方法的優點是簡單、容易執行，能在策略失去節奏時降低曝險；不足也很明顯：門檻設太敏感會反覆進出，交易成本增加，還可能在反彈前剛好減碼。門檻設太鈍，又會等到回撤已經擴大才動作。

比較健康的用法，是把半倉規則當成風險煞車，不能把它當獲利引擎。回測時至少要同時比較三組：原策略、半倉規則、半倉規則加上交易成本；若夏普提升幅度只來自某一段空頭，或換期間後消失，代表它更像期間特化，穩定性仍要打折。

---

夏普比率看不到的風險

夏普比率好用，但遠非萬能。下面這些結構性盲點，多數「夏普比率是什麼」的文章只講前一兩個，這裡一次補齊。

1. 好壞波動不分（可改看 Sortino）。 分母是總波動度，對「往上跳」和「往下殺」一視同仁。可是上漲的波動是好事，下跌的波動才是真痛。一套常常大漲、偶爾小回的策略，可能因為「上漲波動大」被夏普扣分。索提諾比率（Sortino）就是為此而生，它只把下檔波動放進分母（公式見下方家族對照表）。

2. 報酬不是鐘形曲線，遇到肥尾會失真。 課本上的常態分布像一座鐘，中間多、兩邊少；如果日波動是 1%，你會直覺以為正負 3% 以外很少發生。市場常不是這樣，它會有肥尾：平常看起來很穩，但少數日子突然跌 5%、10%，甚至更多。這些尾端大跌次數不多，卻最傷本金。夏普用標準差概括風險，容易低估這種「平常沒事、一次很痛」的風險，所以要搭配最大回撤（MDD）與單筆交易分析，例如 MAE & MFE 分析補上「每筆交易過程中承受多少帳面虧損」這塊夏普看不到的細節。

3. 對時間區間極度敏感。 同一套策略，挑不同的起訖點，夏普可能從 0.3 跳到 1.2。報的人只要選一段漂亮的區間，數字就好看。判讀任何夏普，第一個要問的是「哪一段期間、多長」。

4. 忽略相關性（單看一檔會誤判組合）。 夏普是「單一資產/策略」的指標，但投資組合的真實風險取決於資產間的相關性。兩檔各自夏普 0.5、但走勢負相關的資產，組合起來的夏普可能遠高於 0.5。只盯個別夏普、忽略相關性，會錯失分散化的好處。

5. 用收盤價 vs 調整後價格。 算夏普應該用調整後價格或含息總報酬。對高股息股票/ETF，只用普通收盤價，除息那天價格下來會被當成「真的虧損」，配息又沒有加回去，報酬會被系統性低估，夏普也會被扭曲。台股配息頻繁，這個錯誤特別致命。

6. 生存者偏差。 回測股票池若只含「現在還存在」的股票，等於事後排除了下市、地雷股，報酬會被高估、波動會被低估，夏普虛胖。FinLab 內部已驗證過，在美股回測中，如果沒有考慮生存者偏差，年化報酬率可能被多算 5%～10%，但那不是策略能力，只是資料庫把失敗樣本藏起來。FinLab 的回測資料會納入下市櫃股票，所以使用 FinLab 回測時不用擔心這個問題。

7. 負夏普比較陷阱。 當夏普為負時，比較會違反直覺：在報酬為負的情況下，波動度越大，夏普比率反而越「不那麼負」（越大）。 所以兩套都在虧的策略，不能用夏普高低判斷誰比較好。這時夏普已經失去原本「風險調整」的意義，要改看其他指標。

8. 槓桿不變性（看起來像優點，其實是限制）。 對策略加無風險槓桿，理論上不改變夏普比率（報酬和波動同比例放大，比值不變）。這代表夏普無法區分「沒上槓桿的策略」和「上了槓桿的同一策略」。但實單上槓桿會帶來爆倉、追繳、融資成本等夏普完全看不到的尾端風險。延伸閱讀：融資維持率與 0050 擇時。

9. 估計誤差隨夏普變大（Lo 信賴區間）。 夏普比率本身是個估計值，有不確定性。Lo（2002）給出它的標準誤：夏普越高，估計誤差的絕對值反而越大（見進階一節的信賴區間公式）。一個「點估計」夏普 1.5 的策略，真實夏普的 95% 信賴區間可能寬到涵蓋 0.5～2.5，沒那麼篤定。

10. 多重測試 / 過擬合（DSR）。 這是量化最致命的盲點：當你試了幾百、幾千組參數，光憑運氣就能撞出一組夏普很高的。López de Prado 等人提出的緊縮夏普比率（Deflated Sharpe Ratio, DSR）正是為了校正「試了很多次」這件事。它把試驗次數納入，告訴你眼前這個高夏普有多少是真本事、多少是過擬合的僥倖。詳見回測過擬合機率。名詞定義想查得更完整，可到 /glossary 看 FinLab 跨全站口徑一致的標準定義。

---

風險調整指標家族對照表

夏普比率只是風險調整後報酬指標之一。實務上把它和「兄弟指標」並排看，能補上各自的盲點。

其中索提諾比率的下檔標準差定義為（MAR 為最低可接受報酬，常設為 0 或無風險利率）：

$\text{Sortino}=\frac{\bar R-\text{MAR}}{\sigma_D^{-}},\quad \sigma_D^{-}=\sqrt{\tfrac1T\sum_t[\min(R_t-\text{MAR},0)]^2}$

Sortino 與 Price 在 1994 年正式提出這個衍生指標，主張用「目標報酬以下的波動」取代總波動，更貼近投資人真正在乎的下跌風險。實務上把夏普與索提諾並排，能很快看出一套策略的波動到底是上漲貢獻的還是下跌貢獻的：若 Sortino 明顯高於 Sharpe，代表它的波動大多來自「好的（上漲）波動」。

注意資訊比率 IR 其實就是把夏普公式裡的基準從「無風險利率」換成「某個指數」。這正呼應前面 Sharpe 1994 的觀點：夏普比率是一個可以替換基準的通用框架。

---

如何提高夏普比率？

提高夏普比率不外乎「分子變大」或「分母變小」。實務上有四個方向：

1. 加入高夏普資產 / 因子。 在組合裡納入本身夏普就高、且邏輯獨立的訊號（如品質、低波動因子）。每個因子的夏普都要單獨驗證，別把一堆低夏普訊號硬湊。
2. 靠資產配置降低相關性（最划算的一招）。 加入與現有部位低相關甚至負相關的資產，組合波動會下降、但報酬幾乎不變，分母變小、夏普上升，這是分散化的免費午餐。這也是為什麼「忽略相關性」是盯單一夏普的大忌。
3. 控制下檔（降回撤）。 用波動或回撤控制機制（如停損、波動度目標、通道指標）削掉大跌的尾巴。像肯特納通道與 ATR這類關注波動與回撤的方法，能在不大幅犧牲報酬下壓低分母。
4. 降低週轉與交易成本。 高週轉率（turnover）會被手續費、證交稅、滑價持續侵蝕報酬，分子縮水、夏普下降。降低換股頻率、設緩衝區（避免在門檻邊緣反覆進出），往往比硬加訊號更有效。

要警惕的是：靠「過度最佳化參數」把回測夏普拉高，只是在製造過擬合，不能算穩健提升。 真正穩健的提升，要能通過下一節的統計檢定與回測過擬合機率的考驗。

判斷夏普比率提升幅度時，也要看最大回撤有沒有一起改善。若夏普從 0.8 提到 1.0，但卡瑪比率（CAGR / 最大回撤）變差，代表報酬效率看似改善，最痛的跌幅卻沒有跟著收斂。夏普比率和卡瑪比率一起看，才能分辨提升來自整體波動下降，還是只把風險擠到少數大跌日。

---

進階：年化的陷阱、信賴區間與「這個夏普統計上 > 0 嗎？」

夏普比率不只是一個數字，它是個有不確定性的統計估計量。下面幾個工具是用來回答：「這個高夏普，是真的穩，還是樣本太短、剛好運氣好？」

Lo（2002）：自相關下年化不是乘 √T

前面說年化要乘 $\sqrt{252}$，但 Lo（2002）〈The Statistics of the Sharpe Ratio〉指出：這只在報酬獨立同分布（IID）時成立。IID 可想成「每天重新抽籤，而且每次抽籤規則一樣」。真實策略的報酬常有自相關（例如動能策略報酬正自相關、均值回歸策略負自相關），這時正確的年化係數不再是 $\sqrt{T}$，而要用考慮自相關結構的修正係數。

實務含義：正自相關的策略，盲目乘 $\sqrt{252}$ 會高估年化夏普；負自相關的策略則會低估。 這也是為什麼不同平台算同一策略的「年化夏普」可能不一樣：年化方式不同。

夏普比率的信賴區間（它真的 > 0 嗎？）

夏普比率本身是估計值，Lo（2002）給出它在 IID 假設下的近似 95% 信賴區間：

$\widehat{SR}\pm 1.96\sqrt{\frac{1+\tfrac12\widehat{SR}^2}{T}}$

這條式子有兩個重要啟示：

• 樣本期數 $T$ 越小，區間越寬。 三年（約 36 個月）的回測，信賴區間寬到可能無法斷言夏普顯著大於 0；要縮小不確定性，樣本要夠長。這量化了前面「區間越短越不穩」的直覺。
• 夏普越高，標準誤的絕對值越大（式中 $\widehat{SR}^2$ 項）。所以一個點估計很高的夏普，本身的不確定性也更大，不能照單全收。

順帶一提，夏普比率和它的 t 統計量有個漂亮的恆等式：

$t=\widehat{SR}\sqrt{T}$

也就是說「夏普乘上根號樣本數」就是檢定「夏普是否顯著大於 0」的 t 值。問題會變成：這個夏普在統計上顯著嗎？

怎麼判斷高夏普是不是運氣？

Bailey 與 López de Prado 提出的機率化夏普比率（Probabilistic Sharpe Ratio, PSR）更進一步，回答「眼前這個夏普，在統計上超過某個門檻 $SR^*$（例如 0 或 1）的機率有多大」。它也納入報酬的偏態與峰態，用來修正「報酬不是完美鐘形曲線」的問題。

偏態是在看報酬分布往哪邊歪：左偏代表少數大跌把左尾拉長，PSR 會變差；右偏代表少數大漲把右尾拉長，PSR 會相對好一些。峰態是在看尾巴厚不厚：峰態越高，代表極端漲跌比常態分布更常出現，PSR 會更保守，因為高夏普可能只是還沒遇到那次大跌。

$\widehat{PSR}(SR^\*)=\Phi\!\left[\frac{(\widehat{SR}-SR^\*)\sqrt{T-1}}{\sqrt{1-\hat\gamma_3\widehat{SR}+\frac{\hat\gamma_4-1}{4}\widehat{SR}^2}}\right]$

其中 $\Phi$ 是標準常態的累積分布函數。$PSR(0)$ 接近 1 代表「夏普顯著大於 0」很有把握；$PSR(1)$ 高代表「這真的是一套夏普 > 1 的好策略」。在它之上的緊縮夏普比率（DSR）再扣掉「你試了幾百次」的多重測試效應，是對抗過擬合的工具。細節見回測過擬合機率。

DSR 會估計「如果你測了 $N$ 組沒能力的策略，純靠運氣最好的那組夏普大概會多高」，把這個門檻記成 $SR_0$，再把 PSR 的比較門檻從 0 或 1 換成 $SR_0$：

$\widehat{DSR}=\Phi\!\left[\frac{(\widehat{SR}-SR_0)\sqrt{T-1}}{\sqrt{1-\hat\gamma_3\widehat{SR}+\frac{\hat\gamma_4-1}{4}\widehat{SR}^2}}\right]$

其中 $SR_0$ 可用 Bailey 與 López de Prado 的近似式：

$SR_0=\sqrt{V[\widehat{SR}_n]}\left((1-\gamma)\Phi^{-1}\left(1-\frac1N\right)+\gamma\Phi^{-1}\left(1-\frac1{Ne}\right)\right)$

$N$ 是你測過的獨立策略數，$V[\widehat{SR}_n]$ 是這些試驗夏普的橫斷面變異，$\gamma\approx0.5772$ 是 Euler-Mascheroni 常數。測越多組，$SR_0$ 越高，代表「要超過運氣」的門檻越高。

因此，報夏普時最好同時交代樣本長度、測試過多少組參數、是否扣掉成本、是否納入偏態與峰態；只報一個漂亮數字，資訊是不夠的。

---

常見問題（FAQ）

Sharpe Ratio 中文是什麼？和夏普值、夏普指數一樣嗎？

Sharpe Ratio 中文通常翻成「夏普比率」，也有人寫成夏普值、夏普指數、夏普指数、夏普率、夏普比或夏普比例。嚴格來說，最標準的名稱是夏普比率，公式是超額報酬除以報酬標準差；其他寫法多半是同一個概念的口語名稱。若平台沒有說明計算期間、無風險利率與年化方式，光看到「夏普值」三個字還不能直接比較。

夏普值是什麼？夏普指數越高越好嗎？

夏普值就是夏普比率的口語寫法，用來衡量「多承擔一單位波動，換回多少超額報酬」。同一期間、同一資產類型、同一含息口徑下，夏普指數通常越高越好；但數字異常高時要檢查樣本期是否太短、是否有前視偏誤、是否沒有扣交易成本，或是否只挑到剛好順風的區間。

0050 的夏普比率大約多少？

含息（總報酬）的 0050 長期年化夏普大致落在 0.4～0.7 區間，會隨選取的回測期間明顯波動。含 2020、2024 多頭的區間偏高，含 2022 空頭的區間偏低。這也是為什麼任何 ETF 夏普都要標明「哪一段期間」才有意義。你可以用本頁上方的 ETF 夏普排行，在指定期間即時查 0050 與其他 ETF 的相對位置。

ETF 的夏普比率怎麼查？

關鍵是用含息總報酬、對齊同一段期間。多數看盤軟體只給價格報酬，對高股息 ETF 會嚴重低估。本頁的「台股 ETF 夏普排行」使用 finlab 的還原息值資料計算，輸入或挑選 ETF 即可比較；想自己用程式算，程式交易是什麼示範了從 AI 輔助安裝流程 取資料的流程。

台股夏普值排名怎麼查？

本頁的 ETF 排行可以查台股 ETF 的夏普值排名；個股則可用上方個股查詢工具看單一股票在指定期間的夏普。若要做全市場個股排名，請用同一段期間、同一種價格口徑（建議含息或調整後價格），並把成交量、下市櫃股票與交易成本納入，否則排名會偏向短期飆漲或資料較新的股票。

基金類型的夏普比率參考值怎麼看？

基金要同類比較。股票型基金和債券基金的波動度不同，不能用同一個夏普門檻排名；高股息基金要用含息總報酬，主題型基金要留意樣本期是否太短。合理做法是同市場、同類型、同期間一起比較，再並排看最大回撤與絕對報酬。

若想找「夏普比率大於 1.5 的基金」，可以把 1.5 當作初篩門檻，但不能把它當成推薦清單。近一年夏普 >1.5 可能只是剛好踩到多頭區間；比較前要確認同類基金、同期間、含息口徑、費用與最大回撤都一致。

夏普比率可以用在套利策略嗎？

可以，但要特別小心尾端風險。套利策略平時波動低，夏普容易好看；一旦價差不收斂、流動性消失或槓桿被迫降倉，單次虧損可能吃掉多年小賺。評估套利策略時，夏普要和最大回撤、保證金、融券成本、容量與壓力測試一起看。

夏普跌半倉交易法有什麼優勢和不足？

它的優勢是簡單：當滾動夏普或近期風險惡化時，把部位降到一半，能降低策略失序時的曝險。不足是容易被雜訊干擾，太早減碼會錯過反彈，太晚減碼又擋不住回撤；交易成本也會增加。回測時要比較原策略、半倉策略與扣成本後半倉策略，確認夏普提升幅度不是單一期間造成。

夏普比率多少算好？夏普率越高還是越低好？

沒有放諸四海皆準的標準。同一口徑下，夏普率通常越高越好，代表每單位波動換到的超額報酬越多；但前提是期間、資產類型、含息方式、成本與年化方式一致。通則是 <0 差、0～1 普通、1～2 不錯、>2 少見且要警覺過擬合；但在台股實務上，長期、扣成本、無過度最佳化的策略能穩定維持 0.4～0.7 就算合理。數字異常高時要檢查前視偏誤或過度配適，不該只憑高夏普判定策略好壞。

夏普比率裡的風險溢價和標準差是什麼？

夏普比率的分子是風險溢價，也就是策略報酬扣掉無風險利率後的超額報酬；分母是標準差，也就是報酬序列的波動度。風險溢價越高，分子越大；標準差越高，分母越大。若報酬沒有增加，波動或波幅變大會讓夏普比率下降。

夏普比率怎麼年化？日資料怎麼換算？

在報酬 IID 假設下：年化夏普 = 日頻夏普 × $\sqrt{252}$ = 月頻夏普 × $\sqrt{12}$。例如日均超額報酬 0.05%、日標準差 1%，日頻夏普 = 0.05，年化後約 $0.05\times\sqrt{252}\approx 0.79$。但要注意 Lo（2002）的提醒：報酬若有自相關，這個 $\sqrt{252}$ 會失準，正確係數要考慮自相關結構。

夏普比率是負的代表什麼？

代表這段期間策略的報酬還不如無風險利率，超額報酬是負的，等於冒了風險卻沒換到相對應的回報。文中的逆向外資策略，年化 -11.2%、夏普僅 0.15，就是典型「方向假設不成立」的案例。要特別小心負夏普的比較陷阱：報酬為負時，波動越大夏普反而越大，所以兩套都在虧的策略不能用夏普高低判斷優劣。負值也可能只是區間太短、剛好遇逆風，需拉長樣本再判斷。

如何提高夏普比率？和卡瑪比率的提升方法一樣嗎？

四個方向：（1）加入本身夏普高且邏輯獨立的因子；（2）用低相關或負相關資產做配置，降低組合波動；（3）控制下檔、削掉大跌尾巴，例如停損、波動度目標、通道指標；（4）降低週轉率與交易成本。卡瑪比率看的是 CAGR / 最大回撤，改善重點更偏向壓低最深回撤；夏普比率看的是整段波動。兩者可以同時提升，但若只降低日常小波動、最大回撤沒改善，卡瑪比率不一定會變好。切忌靠過度最佳化參數把回測夏普「調」高，那是製造過擬合，過不了樣本外考驗。

夏普比率和索提諾比率差在哪？

兩者分子都是超額報酬，差別在分母。夏普用「總波動度」，上漲與下跌一視同仁；索提諾只把「下檔波動」放進分母，不懲罰上漲。若一套策略的波動主要來自大漲，索提諾通常會比夏普好看。把兩者並排，就能看出波動到底是漲出來還是跌出來的。

只看夏普比率夠不夠用來選策略？

不夠。夏普看不到下檔分布（可看 Sortino）、最大回撤（可看 Calmar）、相關性、肥尾風險與容量限制，也會被過擬合灌水。建議至少再看最大回撤、索提諾比率，確認策略在不同期間都站得住，並用回測過擬合機率與資訊係數 IC交叉檢驗因子是否真有預測力，再決定要不要相信它。

---

相關閱讀

• 量化交易是什麼：夏普比率在整個量化框架裡的定位。
• 程式交易是什麼：從 AI 輔助安裝流程 開始把這些指標算出來。
• 台股選股回測怎麼做：一份把基準、頻率、成本講清楚的回測範例。
• 逆向外資策略失敗！真正有效的法人跟單術：本文夏普比率實例（0.99）的數據來源。
• 多因子打敗 0050：把風險調整後比較延伸到多因子。
• 三因子分析：因子層面的風險與報酬拆解。
• 回測過擬合機率：高夏普是不是經得起樣本外考驗（PSR/DSR）。
• 資訊係數 IC：判斷因子本身有沒有預測力。
• MAE & MFE 分析：補上夏普看不到的單筆交易帳面虧損。
• 融資維持率與 0050 擇時：槓桿帶來的、夏普看不到的尾端風險。
• 大盤融資維持率（即時走勢＋追繳價計算器）：另一個衡量市場槓桿冷熱的指標，附即時走勢與追繳試算。
• 肯特納通道與 ATR：用波動控制下檔、壓低夏普分母。
• FinLab 名詞庫 /glossary：跨全站口徑一致的標準定義。

---

引用文獻

• Sharpe, William F. (1966). "Mutual Fund Performance." Journal of Business, 39(1), 119–138. 夏普比率的原始出處，Sharpe 用「報酬與變異的比值」（reward-to-variability ratio）評比共同基金績效，奠定風險調整後報酬這個概念。
• Sharpe, William F. (1994). "The Sharpe Ratio." Journal of Portfolio Management, 21(1), 49–58. Sharpe 本人三十年後的修訂版，明確指出分子應使用「策略與基準的差額報酬序列」整段去算其平均與標準差，且基準不必是無風險利率。這正是本文「差額報酬」與「資訊比率是夏普推廣」兩段的依據。
• Lo, Andrew W. (2002). "The Statistics of the Sharpe Ratio." Financial Analysts Journal, 58(4), 36–52. 把夏普比率當成統計估計量處理，給出其標準誤與信賴區間，並證明 $\sqrt{T}$ 年化只在報酬 IID 時成立。本文「進階」一節的年化陷阱與信賴區間皆源於此。
• Bailey, David H., & López de Prado, Marcos (2012). "The Sharpe Ratio Efficient Frontier." Journal of Risk, 15(2), 3–44. 提出機率化夏普比率（PSR）與夏普比率效率前緣，本文 PSR 段落的樣本長度、偏態、峰態修正源於此。
• Bailey, David H., & López de Prado, Marcos (2014). "The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting and Non-Normality." Journal of Portfolio Management, 40(5), 94–107. 提出緊縮夏普比率（DSR），把多重測試與非正態報酬納入，用來判斷高夏普是否只是大量回測後挑中的幸運結果。
• Sortino, Frank A., & Price, Lee N. (1994). "Performance Measurement in a Downside Risk Framework." Journal of Investing, 3(3), 59–64. 提出索提諾比率，主張用「目標報酬以下的下檔波動」取代總波動，修正夏普「不分好壞波動」的盲點。
• Federal Reserve Bank of St. Louis FRED, 3-Month Treasury Bill Secondary Market Rate. 本文用 1981 年美國 3 個月國庫券殖利率曾達 16% 左右，說明無風險利率不能永遠近似為 0。

---

免責聲明：本文所有內容僅供教學與研究用途，不構成投資建議。文中所有回測數字均為歷史結果，過去績效不代表未來表現；投資一定有風險，請審慎評估自身風險承受能力後再做決策。

最後更新：2026-06｜作者：FinLab 量化研究團隊