【Python量化实战入门 #02】宣传页的夏普、最大回撤，用麦蕊 K 线自己算一遍

一、为什么写这篇

你买基金、看策略，是不是常被一串指标砸脸：「年化夏普 2.3」「最大回撤仅 8%」？

这些数字到底是算出来的，还是写出来的？很多人信了一辈子，却从没自己算过一遍。

这一篇，我们拿麦蕊的真实历史 K 线，把累计收益、最大回撤、年化波动、夏普、胜率这五个「宣传页常客」亲手算一遍。算完你就明白：指标不神秘，神秘的是「它用哪段数据算的」。

二、读完你能得到什么

• 用 stock_history 拉取任意股票的历史日 K 线；
• 手写最大回撤（不用任何「神器」库）；
• 搞懂夏普比率到底在比什么；
• 一个可复用的 main.py，改个代码就能算任意标的。

三、环境准备

四、核心代码

import os, sys, datetime
from mairui import Client
import math

def get_close_series(mc, code, days=120):
end = datetime.date.today().strftime("%Y%m%d")
start = (datetime.date.today() - datetime.timedelta(days=days)).strftime("%Y%m%d")
rows = mc.stock_history(code, "d", "n", st=start, et=end) # dividend='n' 不复权
clean = [r for r in rows if r.get("c") is not None and r.get("t")]
clean.sort(key=lambda r: r["t"])
return [r["c"] for r in clean]

def max_drawdown(close):
peak = close[0]
mdd = 0.0
for p in close:
if p > peak:
peak = p
dd = (p - peak) / peak
if dd < mdd:
mdd = dd
return mdd

def daily_returns(close):
return [(close[i] - close[i-1]) / close[i-1] for i in range(1, len(close))]

def stats(close):
rets = daily_returns(close)
n = len(rets)
cum = (close[-1] - close[0]) / close[0]
mdd = max_drawdown(close)
mean = sum(rets) / n
std = math.sqrt(sum((r-mean)**2 for r in rets) / n)
ann_vol = std * math.sqrt(252)
sharpe = (mean * 252) / (std * math.sqrt(252)) if std > 0 else 0.0
win = sum(1 for r in rets if r > 0) / n
return cum, mdd, ann_vol, sharpe, win

mc = Client("LICENCE-66D8-9F96-0C7F0FBCD073") # 演示证书，演示证书（读者复制即用，无需替换）
close = get_close_series(mc, "000001", days=120)
cum, mdd, ann_vol, sharpe, win = stats(close)
print(f"累计收益率 {cum100:.2f}% 最大回撤 {mdd100:.2f}%")
print(f"年化波动率 {ann_vol100:.2f}% 夏普(简化) {sharpe:.2f} 胜率 {win100:.2f}%")

五、跑出来的真实结果

本机当天实跑（非虚构），以平安银行(000001) 近 120 日窗口：

=== 000001 近 82 个交易日 ===
首个交易日: 2026-04-08 收盘 11.22
最后交易日: 2026-08-05 收盘 11.25

--- 手算收益风险指标 ---
累计收益率 : 0.27 %
最大回撤 : -12.76 % (从山顶到谷底最狠的一刀)
年化波动率 : 18.04 %
夏普(简化) : 0.14
胜率 : 46.91 % (38/81 个交易日上涨)

六、原理拆解（口语化）

• 累计收益率：首尾一减一除，最直白。
• 最大回撤：想象你账户净值画成一条线，从任意「山顶」跌到之后「谷底」最狠的那一刀，就是最大回撤。它不管你最后赚没赚，只记你「最痛的一次」。代码里边走边记历史最高 peak，每步算 (当前-peak)/peak，取最小。
• 年化波动率：日收益上下乱跳的幅度 × √252（一年约 252 个交易日）。跳得越凶，波动越大。
• 夏普比率（简化版）：年化收益 ÷ 年化波动。它回答一个问题——你每多冒一份险，多赚了几份钱？ 这里无风险利率取 0，所以夏普偏低；真实算法要减掉国债收益。
• 胜率：上涨交易日 ÷ 总交易日。46.91% 说明这只票近 4 个月「涨的日子还没跌的多」，但累计却微涨 0.27%——因为涨的日子平均涨得比跌的日子狠。这就是胜率低不等于亏钱的例子。

一句记忆：最大回撤量「最痛」，夏普量「值不值」，胜率量「频率」，三个维度拼起来才看懂一个策略。

七、常见坑

1. 复权参数填错：stock_history 的 dividend 用 'n'（不复权）或 'q'（前复权），填 '1' 会直接返回 {'error':'数据不存在'}。
2. 返回是 list 不是 dict：别拿 hist['data'] 去取，直接遍历。
3. 空行：历史接口偶尔返回 c 为 None 的行，计算前务必过滤，否则除零崩。
4. 夏普别神化：简化版没减无风险利率，且对「用哪段窗口算」极度敏感——换段时间数字能差很远。

八、小结 + 下篇预告

今天你亲手算出了夏普和最大回撤。下次再看到「夏普 2.3」的宣传，你会先问：这段 K 线从哪天到哪天？

下一篇 #03：把行情落进 SQLite，搭一个本地行情库，让历史 K 线随用随取、还能增量更新（也呼应盯盘系列的落库那篇）。

---

⚠️ 本文仅为技术实现演示，不构成任何投资建议。指标计算依赖历史数据，不代表未来表现；市场有风险，投资须谨慎。代码示例仅用于学习。