夏普比率是什麼？怎麼算、多少算好（附即時台股/ETF 查詢）

夏普比率是什麼？

夏普比率（Sharpe Ratio）是在問：每承受 1 單位波動，策略多換回多少報酬。 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策略的分數。William F. Sharpe 在 1966 年提出這個指標，後來成為比較投資組合、基金、量化策略時最常見的風險調整後報酬指標。

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

其中 $\mu$ 是策略的（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，也就是策略報酬扣掉無風險利率後的差額。分母是日報酬上下波折的程度。假設兩套策略都多賺 10%，一套每天大概在正負 1% 內擺動，另一套常常正負 3% 亂跳，前者的分母比較小，夏普比率就會比較高。

兩套策略都年化 12%，但 A 策略每年最糟只跌 8%，B 策略中途可能跌 35%。光看 12% 會把兩者當成一樣，夏普比率會把 B 的顛簸放進分母，提醒你 A 的 12% 其實比較厲害。

想了解夏普比率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，夏普比率通常是排序候選策略的第一道篩子。

夏普比率讀數表

你想知道	判讀
它在算什麼	報酬扣掉基準後，除以每天上下波折的幅度
公式	（年化報酬 - 無風險利率）/ 年化波動度；日資料年化時常乘根號 252
多少算好	台股實務 0.4～0.7 已屬合理；長期 >1 少見，>2 要檢查過擬合
無風險利率取哪個	對應回測年代的台灣定存或短期公債利率，不是套今天的數字
波動度怎麼想	若日波動是 1%，可以粗略理解成多數日子的漲跌會落在平均值附近正負 1% 以內
最大盲點	它把上漲與下跌的波動一視同仁；市場也常出現少數極端大跌，讓夏普失真
真實台股錨點	FinLab 投信＋營收策略 年化 31.68%、夏普 0.99（見下文，附來源）

---

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：

輸入	數學符號	意思	白話
報酬	$\mu$	策略一段期間的平均報酬率	你拿到的平均成績
無風險利率	$R_f$	不冒風險也拿得到的利率（定存、短期公債）	扣掉「放著也有」的利息
波動度	$\sigma$	報酬的標準差	日報酬大概會離平均值多遠；1% 可粗略想成多數日子在平均值附近正負 1% 內

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 $D_t = R_{p,t}-R_{b,t}$ 為第 $t$ 期的差額報酬（策略報酬減去基準報酬），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，而不是把「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。

夏普比率區間	粗略解讀（僅供參考）
小於 0	報酬還不如無風險利率，冒了險卻沒換到回報
0 ～ 1	普通，多數樸素策略落在這區
1 ～ 2	不錯，風險調整後表現相對好
大於 2	少見，要檢查是不是前視偏誤或過度最佳化

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，而不是急著開心。

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。

---

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）。

策略	年化報酬率（CAGR）	夏普比率	最大回撤（MDD）	簡單解讀
逆向外資	-11.2%	0.15	未揭露	報酬與風險調整後都差，方向假設不成立
純投信買超	17.5%	0.6	未揭露	有效但不夠好
投信買超 ＋ 營收動能	31.68%	0.99	-45.47%	報酬與夏普同步拉高

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 pip install finlab 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。

---

夏普比率的盲點（這些是競品最常漏掉的）

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

夏普比率不是唯一的風險調整後報酬指標。實務上把它和「兄弟指標」並排看，能補上各自的盲點。

指標	衡量什麼	公式	何時用
夏普比率 Sharpe	每單位「總波動」的超額報酬	（平均報酬 - 無風險利率）/ 總波動度	通用第一道篩子
索提諾比率 Sortino	每單位「下檔波動」的超額報酬	（平均報酬 - 最低可接受報酬）/ 下檔波動度	在乎下跌風險、報酬偏態大時
卡瑪比率 Calmar	每單位「最大回撤」的報酬	CAGR / 最大回撤絕對值	在乎「最痛的那一刀」有多深
資訊比率 IR	每單位「追蹤誤差」的超額報酬	相對基準的平均超額報酬 / 追蹤誤差	評估相對某指數的主動管理能力

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。

---

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）

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 pip install finlab 取資料的流程。

夏普比率多少算好？

沒有放諸四海皆準的標準。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，而不是把它當成好策略。

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？

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/負相關資產做配置，降低組合波動（最划算）；(3) 控制下檔、削掉大跌尾巴（停損、波動度目標、通道指標）；(4) 降低週轉率與交易成本。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 pip install finlab 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