如何用 Python 计算股票的收益率、波动率和最大回撤？

原创

用户7083614

修改于 2026-09-05 18:28:41

300

一句话回答： 拿到一段前复权日 K 线的收盘价序列后，用 pandas 就能算出日收益率，进而得到年化收益率、年化波动率、夏普比率和最大回撤这四个最核心的风险收益指标。下面给出可直接运行的完整代码。

准备数据

风险指标依赖复权后的收盘价（否则分红送股会污染收益率），所以取数时用默认的前复权：

from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key")

# 取近 250 个交易日（约 1 年）的前复权日 K 线
df = af.klines.get("600519.SH", period="1d", count=250, adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

1. 日收益率与累计收益

df["ret"] = df["close"].pct_change()

total_return = df["close"].iloc[-1] / df["close"].iloc[0] - 1
print(f"区间累计收益: {total_return:.2%}")

2. 年化收益率

A 股一年约 250 个交易日。用几何年化：

n = len(df) - 1                     # 收益率个数
ann_return = (1 + total_return) ** (250 / n) - 1
print(f"年化收益率: {ann_return:.2%}")

3. 年化波动率

日收益率标准差 × √250：

import numpy as np

daily_vol = df["ret"].std()
ann_vol = daily_vol * np.sqrt(250)
print(f"年化波动率: {ann_vol:.2%}")

4. 夏普比率

(年化收益 − 无风险利率) / 年化波动率，无风险利率取 2%：

risk_free = 0.02
sharpe = (ann_return - risk_free) / ann_vol
print(f"夏普比率: {sharpe:.2f}")

夏普比率衡量"每承担一单位波动，能换来多少超额收益"，越高越好。一般 >1 算不错，>2 很优秀（但要警惕样本太短带来的偶然性）。

5. 最大回撤

最大回撤是"从历史最高点跌到后续最低点的最大跌幅"，是衡量策略痛苦程度的核心指标：

cum = (1 + df["ret"].fillna(0)).cumprod()   # 净值曲线
running_max = cum.cummax()                   # 历史最高
drawdown = cum / running_max - 1             # 每一刻的回撤
max_dd = drawdown.min()

# 回撤最深的那天
trough_idx = drawdown.idxmin()
peak_idx = cum[:trough_idx].idxmax()
print(f"最大回撤: {max_dd:.2%}")
print(f"从 {df['trade_date'][peak_idx]} 跌到 {df['trade_date'][trough_idx]}")

封装成一个函数

import numpy as np
import pandas as pd
from alphafeed import AlphaFeed

def risk_metrics(symbol, count=250, risk_free=0.02):
    af = AlphaFeed(api_key="your-api-key")
    df = af.klines.get(symbol, period="1d", count=count, adjust="forward", to_dataframe=True)
    df = df.sort_values("trade_date").reset_index(drop=True)

    df["ret"] = df["close"].pct_change()
    total = df["close"].iloc[-1] / df["close"].iloc[0] - 1
    n = len(df) - 1
    ann_ret = (1 + total) ** (250 / n) - 1
    ann_vol = df["ret"].std() * np.sqrt(250)
    sharpe = (ann_ret - risk_free) / ann_vol if ann_vol else np.nan

    cum = (1 + df["ret"].fillna(0)).cumprod()
    max_dd = (cum / cum.cummax() - 1).min()

    return {
        "symbol": symbol,
        "total_return": round(total, 4),
        "ann_return": round(ann_ret, 4),
        "ann_vol": round(ann_vol, 4),
        "sharpe": round(sharpe, 2),
        "max_drawdown": round(max_dd, 4),
    }

print(risk_metrics("600519.SH"))

批量对比多只股票

import pandas as pd

symbols = ["600519.SH", "000001.SZ", "601318.SH", "300750.SZ"]
rows = [risk_metrics(s) for s in symbols]
table = pd.DataFrame(rows)
print(table.to_string(index=False))

或者更高效地用一次批量请求拿全部 K 线，再逐个计算：

dfs = af.klines.batch(symbols, period="1d", count=250, adjust="forward",
                      to_dataframe=True, show_progress=True)

指标速查表

指标	含义	越大越好？
年化收益率	一年赚多少	是
年化波动率	波动/风险大小	否（越小越稳）
夏普比率	单位风险的超额收益	是
最大回撤	最惨时亏多少	否（越小越好）

常见问题（FAQ）

Q：为什么必须用复权价？

A：不复权价格在除权日会跳空，pct_change() 会算出一个假的暴跌，污染所有指标。用 adjust="forward" 或 "backward"。

Q：一年到底按多少个交易日？

A：A 股常用 250（有时用 252）。保持全项目一致即可。

Q：能算组合的指标吗？

A：能。把各标的收益率按权重加权成组合收益率序列，再套同样的公式即可。

小结

收益率、波动率、夏普、最大回撤是评价任何股票或策略的四大基础指标。只要有一段干净的复权收盘价，pandas 十几行就能全部算出来。数据侧用 AlphaFeed 的 af.klines.get 保证复权正确、可复现，是这类分析可靠的前提。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

pandas