📊

交易中的数学：夏普（Sharpe）和索蒂诺（Sortino）比率·综合运用

（3/3）· 从 GBPUSD 到 EURUSD 的真实计算，搞懂两个比率到底差在哪、怎么用

案例拆解新手友好第 3/3 篇

只看投资回报率容易高估策略质量，很多交易者忽略回报分布形态对风险度量的扭曲。夏普和索蒂诺比率能补上这块盲区，但用错数据源照样得出误导结论。本篇用 2020 年多个货币对真实数据带你跑一遍。

本章目录

把多周期统计塞进结构体再统一打印
低周期夏普更稳：三对直盘实测
EURUSD 2020 月度夏普在跨周期下的稳定性
EURUSD 2020 年化夏普逐月透视
用下行偏差替代全波动：索蒂诺比率怎么算
周期拉长后正态偏离在放大
周线与月线周期的分布实测
用对数回报在 MT5 里算夏普
在 OnTick 里喂数据算夏普
一点提醒

「把多周期统计塞进结构体再统一打印」

这段逻辑干的事很直接：遍历时间框架数组，把每个周期的统计量填进一个 Stats 结构体，最后用 ArrayPrint 一次性吐到日志。先看核心填充代码。 //--- fill the statistics structure Stats row; string tf_str = EnumToString(timeframes[i]); StringReplace(tf_str,"PERIOD_",""); row.TF = tf_str; row.Minutes = PeriodSeconds(timeframes[i]) / 60; row.Rates = ArraySize(returns); row.Avg = avr; row.Std = std; row.SharpeTF = sharpe; row.SharpeAnnual = sharpe_annual; //--- add a row for the timeframe statistics stats[i] = row; } //--- print statistics on all timeframes to log ArrayPrint(stats,8); 逐行拆：EnumToString 把周期枚举转成 "PERIOD_M1" 这类字符串，StringReplace 去掉前缀只留 "M1"；PeriodSeconds 取秒数除以 60 得到分钟数；ArraySize(returns) 是该周期收益率样本数；Avg、Std、SharpeTF、SharpeAnnual 分别是均值、标准差和两类夏普，由前面算好直接挂上；stats[i]=row 把该行存进数组；循环结束后 ArrayPrint(stats,8) 按 8 位精度打印全部。实跑样本里，M1 有 373023 根回报率、年化夏普约 1.03，而 MN1 只有 12 根、年化夏普冲到 1.49。样本量越小年化夏普越飘，外汇和贵金属杠杆高，这种统计在外盘实盘里可能严重过拟合，开 MT5 把这段代码挂自己品种上跑一遍最实在。

MQL5 / C++

class=class="str">"cmt">//--- fill the statistics structure
Stats row;
class="type">class="kw">string tf_str = EnumToString(timeframes[i]);
StringReplace(tf_str,"PERIOD_","");
row.TF = tf_str;
row.Minutes = PeriodSeconds(timeframes[i]) / class="num">60;
row.Rates = ArraySize(returns);
row.Avg = avr;
row.Std = std;
row.SharpeTF = sharpe;
row.SharpeAnnual = sharpe_annual;
class=class="str">"cmt">//--- add a row for the timeframe statistics
stats[i] = row;
}
class=class="str">"cmt">//--- print statistics on all timeframes to log
ArrayPrint(stats,class="num">8);

◍ 低周期夏普更稳：三对直盘实测

把同样的夏普比率算法套到 GBPUSD、USDJPY、USDCHF 上，结论和前面 EURUSD 类似但细节有分化。GBPUSD 在 M1 到 H12 全周期里夏普值都近似，没有随周期拉长而塌掉；USDJPY 在 M1 至 H12 区间数值落在 -0.56 到 -0.60 之间，负得均匀。 USDCHF 只在 M1 到 M30 的小周期里拿到近似值，时间帧一放大，夏普就开始上下波动，不再收敛。外汇与贵金属属高风险品种，负夏普不代表必然亏损，只说明该周期样本内回报风险比偏负。把四对主要货币对放一起看，M1 至 M30 算出来的夏普最不容易随周期漂移。想横向比不同品种的策略质量，用低时间帧回报去算这个比率，比用 H1 以上周期更不容易被周期噪声带偏。开 MT5 调一下品种列表和周期参数，把夏普计算脚本从 H1 降到 M15 跑一遍，能直接看到波动收敛的差别。

EURUSD 2020 月度夏普在跨周期下的稳定性

取 2020 年 EURUSD 逐月回报，在 M1 到 H1 共 12 个时间帧上分别跑年度夏普比率。实测结果是：同一月份在不同周期算出的年度值非常接近，曲线在 3D 示意图里几乎贴在一起。这说明年度夏普对柱线数量敏感，但对周期选择不敏感——只要你塞进去的回报数组够长，M1 和 H1 给出的结论倾向一致。外汇与贵金属属高风险品种，该数值仅反映历史波动特征，不预示未来收益。脚本核心是先按时间帧拉回报，再对 1—12 月逐月切片算年化。下面这段是原文主逻辑，逐行拆一下关键结构。

MQL5 / C++

class=class="str">"cmt">//--- structure to store returns
class="kw">struct Return
  {
   class="type">class="kw">double                ret;   class=class="str">"cmt">// class="kw">return
   class="type">class="kw">datetime              time;  class=class="str">"cmt">// date
   class="type">int                   month; class=class="str">"cmt">// month
  };
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Script program start function                                    |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">void OnStart()
  {
   SharpeMonths sharpe_by_months[];
class=class="str">"cmt">//--- arrays of timeframes on which the Sharpe coefficient will be calculated
   ENUM_TIMEFRAMES timeframes[] = {PERIOD_M1,PERIOD_M2,PERIOD_M3,PERIOD_M4,PERIOD_M5,
                                   PERIOD_M6,PERIOD_M10,PERIOD_M12,PERIOD_M15,PERIOD_M20,
                                   PERIOD_M30,PERIOD_H1
                                   };
   ArrayResize(sharpe_by_months,ArraySize(timeframes));
class=class="str">"cmt">//--- timeseries request parameters
   class="type">class="kw">string symbol = Symbol();
   class="type">class="kw">datetime from = D&class="macro">#x27;class="num">01.01.class="num">2020&class="macro">#x27;;
   class="type">class="kw">datetime to = D&class="macro">#x27;class="num">01.01.class="num">2021&class="macro">#x27;;
   Print("Calculate Sharpe Annual on ",symbol, " for class="num">2020 year");
   for(class="type">int i = class="num">0; i < ArraySize(timeframes); i++)
     {
      class=class="str">"cmt">//--- get the array of returns on the specified timeframe
      Return returns[];
      GetReturns(symbol,timeframes[i],from,to,returns);
      class="type">class="kw">double avr,std,sharpe;
      class=class="str">"cmt">//--- Calculate statistics for the year
      GetStats(returns,avr,std,sharpe);
      class="type">class="kw">string tf_str = EnumToString(timeframes[i]);
      class=class="str">"cmt">//--- calculate the annual Sharpe ratio for each month
      SharpeMonths sharpe_months_on_tf;
      sharpe_months_on_tf.SetTimeFrame(tf_str);
      class=class="str">"cmt">//--- select returns for i-th month
      for(class="type">int m = class="num">1; m <= class="num">12; m++)
        {
         Return month_returns[];
         GetReturnsByMonth(returns,m,month_returns);
         class=class="str">"cmt">//--- Calculate statistics for the year
         class="type">class="kw">double sharpe_annual = CalculateSharpeAnnual(timeframes[i],month_returns);
         sharpe_months_on_tf.Sharpe(m,sharpe_annual);
         }
      class=class="str">"cmt">//--- add Sharpe ratio for class="num">12 months on timeframe i
      sharpe_by_months[i] = sharpe_months_on_tf;
      }
class=class="str">"cmt">//--- display the table of annual Sharpe values by months on all timeframes
   ArrayPrint(sharpe_by_months,class="num">3);
   }

「EURUSD 2020 年化夏普逐月透视」

把 2020 年 EURUSD 按不同重采样周期算年化夏普，能直接看到趋势结构对风险调整收益的影响。M1 到 H1 共 12 档周期，每一行是该周期下 1—12 月的年化夏普值。数据里最扎眼的是 7 月：全周期夏普集体冲高，M30 达到 7.346、H1 也有 7.311，而 1 月全周期均为负，M15 低至 -3.053。说明 2020 年 EURUSD 的月度风险回报分布极不均匀，单纯看年夏普会掩盖这种断层。对外汇与贵金属交易者而言，这类品种高杠杆、高波动，夏普为负月份意味着策略样本内都可能持续回撤。建议把这段矩阵直接丢进 MT5 脚本复算，验证自己策略在 2020 年各月是否也呈现夏普集中于夏秋、年初普跌的特征。

MQL5 / C++

[ class="num">0] "PERIOD_M1"  -class="num">2.856 -class="num">1.340  class="num">0.120 -class="num">0.929 class="num">2.276  class="num">1.534  class="num">6.836 class="num">2.154 -class="num">2.697 -class="num">1.194 class="num">3.891 class="num">4.140
[ class="num">1] "PERIOD_M2"  -class="num">2.919 -class="num">1.348  class="num">0.119 -class="num">0.931 class="num">2.265  class="num">1.528  class="num">6.854 class="num">2.136 -class="num">2.717 -class="num">1.213 class="num">3.845 class="num">4.125
[ class="num">2] "PERIOD_M3"  -class="num">2.965 -class="num">1.340  class="num">0.118 -class="num">0.937 class="num">2.276  class="num">1.543  class="num">6.920 class="num">2.159 -class="num">2.745 -class="num">1.212 class="num">3.912 class="num">4.121
[ class="num">3] "PERIOD_M4"  -class="num">2.980 -class="num">1.341  class="num">0.119 -class="num">0.937 class="num">2.330  class="num">1.548  class="num">6.830 class="num">2.103 -class="num">2.765 -class="num">1.219 class="num">3.937 class="num">4.110
[ class="num">4] "PERIOD_M5"  -class="num">2.929 -class="num">1.312  class="num">0.120 -class="num">0.935 class="num">2.322  class="num">1.550  class="num">6.860 class="num">2.123 -class="num">2.729 -class="num">1.239 class="num">3.971 class="num">4.076
[ class="num">5] "PERIOD_M6"  -class="num">2.945 -class="num">1.364  class="num">0.119 -class="num">0.945 class="num">2.273  class="num">1.573  class="num">6.953 class="num">2.144 -class="num">2.768 -class="num">1.239 class="num">3.979 class="num">4.082
[ class="num">6] "PERIOD_M10" -class="num">3.033 -class="num">1.364  class="num">0.119 -class="num">0.934 class="num">2.361  class="num">1.584  class="num">6.789 class="num">2.063 -class="num">2.817 -class="num">1.249 class="num">4.087 class="num">4.065
[ class="num">7] "PERIOD_M12" -class="num">2.952 -class="num">1.358  class="num">0.118 -class="num">0.956 class="num">2.317  class="num">1.609  class="num">6.996 class="num">2.070 -class="num">2.933 -class="num">1.271 class="num">4.115 class="num">4.014
[ class="num">8] "PERIOD_M15" -class="num">3.053 -class="num">1.367  class="num">0.118 -class="num">0.945 class="num">2.377  class="num">1.581  class="num">7.132 class="num">2.078 -class="num">2.992 -class="num">1.274 class="num">4.029 class="num">4.047
[ class="num">9] "PERIOD_M20" -class="num">2.998 -class="num">1.394  class="num">0.117 -class="num">0.920 class="num">2.394  class="num">1.532  class="num">6.884 class="num">2.065 -class="num">3.010 -class="num">1.326 class="num">4.074 class="num">4.040
[class="num">10] "PERIOD_M30" -class="num">3.008 -class="num">1.359  class="num">0.116 -class="num">0.957 class="num">2.379  class="num">1.585  class="num">7.346 class="num">2.084 -class="num">2.934 -class="num">1.323 class="num">4.139 class="num">4.034
[class="num">11] "PERIOD_H1"  -class="num">2.815 -class="num">1.373  class="num">0.116 -class="num">0.966 class="num">2.398  class="num">1.601  class="num">7.311 class="num">2.221 -class="num">3.136 -class="num">1.374 class="num">4.309 class="num">4.284

◍ 用下行偏差替代全波动：索蒂诺比率怎么算

夏普比率把报价上下波动全算作风险，等于把资产上涨也当成了惩罚项，对交易者其实是一种风险高估。弗兰克·索蒂诺在 90 年代初给出的解法很直接：只取资产减少那段半波动率（也叫下行偏差、负波动率）当分母，分子仍是平均回报。代码层面，先算全样本均值与标准差得到夏普，再把正回报置零、只留负回报算 semistd，用 avr/semistd 得到索蒂诺。这样分母变小，比率权重自然抬升，但含义从“每单位波动的回报”变成了“每单位下行风险的回报”。回测脚本对 2020 年 EURUSD 各周期跑出的结果很直观：M1 的 SharpeAnnual 为 1.0177，SortinoAnnual 为 1.6161，比值约 1.588；M6 的 Sharpe 1.0335、Sortino 1.6379，比值 1.585。几乎所有时间帧里索蒂诺值都是夏普的 1.60 倍左右，这是价格序列对称波动带来的现象，实盘交易结果不会这么整齐。别把历史回测当保本凭证两个指标都基于历史报价，外汇与贵金属属高风险品种，即便 EURUSD 年化索蒂诺看着漂亮，也只代表过去下行风险下的回报倾向，不保证未来盈利。比较策略时同时列夏普与索蒂诺，比单看其中一个更有参考价值。

MQL5 / C++

class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//|  Calculates Sharpe and Sortino ratios                             |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">void GetStats(ENUM_TIMEFRAMES timeframe, class="kw">const class="type">class="kw">double & returns[], class="type">class="kw">double & avr, class="type">class="kw">double & std, class="type">class="kw">double & sharpe, class="type">class="kw">double & sortino)
  {
  avr = ArrayMean(returns);
  std = ArrayStd(returns);
  sharpe = (std == class="num">0) ? class="num">0 : avr / std;
class=class="str">"cmt">//--- now, remove negative returns and calculate the Sortino ratio
  class="type">class="kw">double negative_only[];
  class="type">int size = ArraySize(returns);
  ArrayResize(negative_only,size);
  ZeroMemory(negative_only);
class=class="str">"cmt">//--- copy only negative returns
  for(class="type">int i = class="num">0; i < size; i++)
     negative_only[i] = (returns[i] > class="num">0) ? class="num">0 : returns[i];
  class="type">class="kw">double semistd = ArrayStd(negative_only);
  sortino = avr / semistd;  
  class="kw">return;
  }

周期拉长后正态偏离在放大

上面这组扫描把 M10 到 D1 共 13 个周期排开，样本数从 M10 的 37349 个一路掉到 D1 的 259 个，采样密度直接砍掉两个数量级。看第三、四列：每根 K 线的平均绝对偏差从 M10 的 0.00000239 爬到 D1 的 0.00035582，放大约 149 倍；标准差从 0.00044072 升到 0.00470188，约 10.7 倍。说明周期越大，价格相对均值的离散度越宽。偏度列（倒数第二列）在 H12 出现 2.11045830、D1 为 2.04624198，明显偏离 0；峰度列（末列）H12 达 1.75245371、D1 为 1.70331429，也都高于正态基准。外汇与贵金属属高风险品种，这种厚尾现象意味着小周期近似正态、大周期更易出极端跳空，回测里按正态假设算止损间距可能偏窄。开 MT5 把这段周期表抄进 excel，对自己常做的品种跑一遍同样统计，重点核对 H12 与 D1 的偏度是否也大于 1.5。

「周线与月线周期的分布实测」

把 W1 与 MN1 两个大周期拉出来看，样本量分别是 51 和 12，周期分钟数对应 10080 与 43200。W1 的均值约 0.00193、标准差 0.0135，偏度 1.032、峰度 1.804；MN1 均值升到 0.00766、标准差 0.01776，偏度 1.493、峰度 5.010。月线样本只有 12 个，峰度超 3 说明尾部比正态厚得多，直接拿正态假设去算置信区间会低估极端周月线波动的概率。开 MT5 把这段周期参数表贴进实验脚本，对比你自己品种的返回值，重点看 MN1 峰度是否也破 5，再决定大周期止损带宽怎么放。

MQL5 / C++

[class="num">19] "W1"        class="num">10080      class="num">51 class="num">0.00193306 class="num">0.01350157    class="num">1.03243721       class="num">1.80369984 class="num">1.74703102
[class="num">20] "MN1"     class="num">43200      class="num">12 class="num">0.00765726 class="num">0.01776075    class="num">1.49349076       class="num">5.00964481 class="num">3.35431926

◍ 用对数回报在 MT5 里算夏普

夏普比率原本面向每日调仓的股票组合，但 EA 多数时间空仓，账户净值不变。若把空仓柱线算作零回报，比率会失真。正确做法是只在净值变化的柱线取最后一次报价算回报，这样任意即时报价模式下都能跑。相对回报有个坑：价格跌 5% 再涨 5% 回不到原点，线性百分比会引入偏差。统计上改用对数回报 ln(Current/Previous) = ln(Current) − ln(Previous)，它可加总，对数和等价于相对回报乘积，没有复位错误。下面这段是核心循环：遍历净值数组，仅当权益较前一刻变化才记入对数回报，并累加求平均、填充数组。样本不足 2 个直接返回 0，避免标准差无解。 [CODE] Log_Return =ln(Current/Previous) = ln(Current) — ln(Previous) //--- calculate the logarithms of increments using the equity array for(int i = 1; i < m_bars_counter; i++) { //--- only add if equity has changed if(m_equities[i] != prev_equity) { log_return = MathLog(m_equities[i] / prev_equity); // increment logarithm aver += log_return; // average logarithm of increments AddReturn(log_return); // fill the array of increment logarithms counter++; // counter of returns } prev_equity = m_equities[i]; } //--- if values are not enough for Sharpe calculation, return 0 if(counter <= 1) return(0); //--- average value of the increment logarithm aver /= counter; //--- calculate standard deviation for(int i = 0; i < counter; i++) std += (m_returns[i] - aver) * (m_returns[i] - aver); std /= counter; std = MathSqrt(std); //--- Sharpe ratio on the current timeframe double sharpe = aver / std; #define MACD_MAGIC 1234502 //--- #include <Trade\Trade.mqh> #include <Trade\SymbolInfo.mqh> #include <Trade\PositionInfo.mqh> #include <Trade\AccountInfo.mqh> #include "Sharpe.mqh" //--- input double InpLots = 0.1;// Lots input int InpTakeProfit = 50; // Take Profit (in pips) input int InpTrailingStop = 30; // Trailing Stop Level (in pips) input int InpMACDOpenLevel = 3; // MACD open level (in pips) input int InpMACDCloseLevel = 2; // MACD close level (in pips) input int InpMATrendPeriod = 26; // MA trend period //--- int ExtTimeOut = 10; // time out in seconds between trade operations CReturns returns; .... //+------------------------------------------------------------------+

//	Expert new tick handling function

把 Sharpe.mqh 挂到 MACD Sample 上，加一行 CReturns returns; 并 include 头文件，就能以自定义优化准则跑夏普。对 EURUSD M10、2020 年做遗传优化，测试器给出的准则值与手算夏普一致。夏普最高的参数未必利润最大，但净值曲线往往更平、回撤更小。外汇与贵金属属高风险品种，用夏普做优化只是提升参数稳健性的一种概率倾向，不预示未来收益。

MQL5 / C++

Log_Return =ln(Current/Previous) = ln(Current) — ln(Previous)
class=class="str">"cmt">//--- calculate the logarithms of increments using the equity array
  for(class="type">int i = class="num">1; i < m_bars_counter; i++)
    {
      class=class="str">"cmt">//--- only add if equity has changed
      if(m_equities[i] != prev_equity)
        {
         log_return = MathLog(m_equities[i] / prev_equity); class=class="str">"cmt">// increment logarithm
         aver += log_return;                                class=class="str">"cmt">// average logarithm of increments
         AddReturn(log_return);                             class=class="str">"cmt">// fill the array of increment logarithms
         counter++;                                         class=class="str">"cmt">// counter of returns
        }
      prev_equity = m_equities[i];
     }
class=class="str">"cmt">//--- if values are not enough for Sharpe calculation, class="kw">return class="num">0
   if(counter <= class="num">1)
      class="kw">return(class="num">0);
class=class="str">"cmt">//--- average value of the increment logarithm
   aver /= counter;
class=class="str">"cmt">//--- calculate standard deviation
   for(class="type">int i = class="num">0; i < counter; i++)
      std += (m_returns[i] - aver) * (m_returns[i] - aver);
   std /= counter;
   std = MathSqrt(std);
class=class="str">"cmt">//--- Sharpe ratio on the current timeframe
   class="type">class="kw">double sharpe = aver / std;
class="macro">#define MACD_MAGIC class="num">1234502
class=class="str">"cmt">//---
class="macro">#include <Trade\Trade.mqh>
class="macro">#include <Trade\SymbolInfo.mqh>
class="macro">#include <Trade\PositionInfo.mqh>
class="macro">#include <Trade\AccountInfo.mqh>
class="macro">#include "Sharpe.mqh"
class=class="str">"cmt">//---
class="kw">input class="type">class="kw">double InpLots           = class="num">0.1;class=class="str">"cmt">// Lots
class="kw">input class="type">int    InpTakeProfit     = class="num">50; class=class="str">"cmt">// Take Profit(in pips)
class="kw">input class="type">int    InpTrailingStop   = class="num">30; class=class="str">"cmt">// Trailing Stop Level(in pips)
class="kw">input class="type">int    InpMACDOpenLevel = class="num">3;   class=class="str">"cmt">// MACD open level(in pips)
class="kw">input class="type">int    InpMACDCloseLevel = class="num">2;  class=class="str">"cmt">// MACD close level(in pips)
class="kw">input class="type">int    InpMATrendPeriod = class="num">26;  class=class="str">"cmt">// MA trend period
class=class="str">"cmt">//---
class="type">int ExtTimeOut = class="num">10; class=class="str">"cmt">// time out in seconds between trade operations
CReturns  returns;
....
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Expert new tick handling function                                |

在 OnTick 里喂数据算夏普

EA 跑起来后，真正决定夏普比率准不准的，是 OnTick 里有没有把权益流喂给统计对象。下面这段把每次 tick 的权益塞进 returns 数组，超时机制则避免同一根 bar 里反复触发交易逻辑。 [CODE] void OnTick(void) { static datetime limit_time = 0; // last trade processing time + timeout //--- add current equity to the array to calculate the Sharpe ratio MqlTick tick; SymbolInfoTick(_Symbol, tick); returns.OnTick(tick.time, AccountInfoDouble(ACCOUNT_EQUITY)); //--- don't process if timeout if(TimeCurrent() >= limit_time) { //--- check for data if(Bars(Symbol(), Period()) > 2 * InpMATrendPeriod) { //--- change limit time by timeout in seconds if processed if(ExtExpert.Processing()) limit_time = TimeCurrent() + ExtTimeOut; } } } //+------------------------------------------------------------------+

//	Tester function

//+------------------------------------------------------------------+ double OnTester(void) { //--- calculate Sharpe ratio double sharpe = returns.OnTester(); return(sharpe); } //+------------------------------------------------------------------+ [/CODE] 逐行看：static datetime limit_time 记录上次交易处理后的锁定时刻；MqlTick tick 取当前品种 tick，SymbolInfoTick 填充时间；returns.OnTick 以 tick 时间和账户权益更新收益序列。若 TimeCurrent() 超过 limit_time 且 Bars 数大于 2 倍均线周期，才允许 ExtExpert.Processing() 跑一次，成功就把 limit_time 推后 ExtTimeOut 秒。回测结束时 OnTester 直接调 returns.OnTester() 返回夏普值，MT5 优化器就能按这个数值排序。外汇与贵金属波动剧烈，夏普高只代表历史样本里回撤相对收益更平滑，未来仍可能失效，实盘前务必在策略测试器里用不同年份数据复算。

MQL5 / C++

class="type">void OnTick(class="type">void)
  {
   class="kw">static class="type">class="kw">datetime limit_time = class="num">0; class=class="str">"cmt">// last trade processing time + timeout
class=class="str">"cmt">//--- add current equity to the array to calculate the Sharpe ratio
   class="type">MqlTick tick;
   SymbolInfoTick(_Symbol, tick);
   returns.OnTick(tick.time, AccountInfoDouble(ACCOUNT_EQUITY));
class=class="str">"cmt">//--- don&class="macro">#x27;t process if timeout
   if(TimeCurrent() >= limit_time)
     {
      class=class="str">"cmt">//--- check for data
      if(Bars(Symbol(), Period()) > class="num">2 * InpMATrendPeriod)
        {
         class=class="str">"cmt">//--- change limit time by timeout in seconds if processed
         if(ExtExpert.Processing())
            limit_time = TimeCurrent() + ExtTimeOut;
        }
     }
  }
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Tester function                                                  |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">class="kw">double OnTester(class="type">void)
  {
class=class="str">"cmt">//--- calculate Sharpe ratio
   class="type">class="kw">double sharpe = returns.OnTester();
   class="kw">return(sharpe);
  }
class=class="str">"cmt">//+------------------------------------------------------------------+

「一点提醒」

夏普与索蒂诺比率的核心价值，是让你用同一把尺子量不同资产的风险回报——黄金和白银能直接比，单个策略或组合也能比，不依赖外部基准。但这两把尺子默认回报服从正态分布，实盘里多数品种不认这个假设，外汇和贵金属的高波动更常出现肥尾，读数只能当参考而非结论。上面那段 MQL5 片段暴露了一个容易高估夏普的坑：只在权益变化的 Bar 上累加对数收益，计数器 counter 只数这些 Bar，但年化时却乘当前周期对 D1 的总 Bar 数平方根（factor 用 PeriodSeconds(D1)/PeriodSeconds(tf) 算，再乘 sqrt(252)）。这意味着分母少计了零变动 Bar，年度值可能被推高，回测里看到 2.08 甚至 3.83 的夏普时要先怀疑算法口径。开 MT5 把 CalculateSharpe_All_TF.mq5 拖进策略测试器，改一句让零变动 Bar 也进 counter，对比前后年度夏普差多少，比盯着一个数字更有用。外汇贵金属杠杆风险高，比率再漂亮也只代表历史样本的可能倾向。

MQL5 / C++

      class=class="str">"cmt">//--- add only if equity has changed
      if(m_equities[i] != prev_equity)
        {
         log_return = MathLog(m_equities[i] / prev_equity); class=class="str">"cmt">// 递增对数
         aver += log_return;                                class=class="str">"cmt">// 增量的平均对数
         AddReturn(log_return);                             class=class="str">"cmt">// 填充递增对数数组
         counter++;                                         class=class="str">"cmt">// 返回计数器
        }
      prev_equity = m_equities[i];
class=class="str">"cmt">//--- 增量对数的平均值
   aver /= counter;
class=class="str">"cmt">//---------------重新计算夏普比率，在所有其他情况下都改为年值
class=class="str">"cmt">//--- how many periods of the current timeframe fit into D1
   class="type">class="kw">double factor = class="type">class="kw">double(PeriodSeconds(PERIOD_D1)) / PeriodSeconds(timeframe);
   sharpe = sharpe * MathSqrt(factor);      class=class="str">"cmt">// 重新计算每日值
   sharpe = sharpe * MathSqrt(class="num">252);         class=class="str">"cmt">// 从每日数据中获取年度数据

把比率监控交给小布

这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到夏普与索蒂诺的滚动估算，你只需专注策略本身是否还符合预期。

←

交易中的数学：夏普（Sharpe）和索蒂诺（Sortino）比率·进阶篇

常见问题

夏普仍可作横向参考，但应配合索蒂诺或回撤类指标；分布严重偏离时夏普会低估尾部风险，概率上更可信的是看下行偏差。

同周期比较不同策略时取零可消除基准干扰，但若跨资产对比债券或存款，则应填入对应周期的低风险收益率，否则比率不可比。

小布在品种页已内置滚动夏普与索蒂诺估算，基于历史回报自动计算，不需要手动导出 MT5 报表再算。

贵金属常出现单边剧烈上行而下行收敛的偏态，索蒂诺只计下行标准差，倾向更真实地反映持仓人的痛苦风险。

可能是测试器采样周期、点差模型或复权方式与实盘成交不同，导致回报序列标准差偏移，属常见偏差。

交易中的数学：夏普（Sharpe）和索蒂诺（Sortino）比率·综合运用

「把多周期统计塞进结构体再统一打印」

◍ 低周期夏普更稳：三对直盘实测

EURUSD 2020 月度夏普在跨周期下的稳定性

「EURUSD 2020 年化夏普逐月透视」

◍ 用下行偏差替代全波动：索蒂诺比率怎么算

周期拉长后正态偏离在放大

「周线与月线周期的分布实测」

◍ 用对数回报在 MT5 里算夏普

在 OnTick 里喂数据算夏普

「一点提醒」

常见问题

相关阅读