Sharpe-ráta és Information Ratio: stratégia-minőség egyetlen számban

Sharpe-ráta és IR

Bemenetek

Hozam adatsor (%, vesszővel/szóközzel/sortöréssel)

30 adatpont. Minimum 30 ajánlott.

Kockázatmentes hozam (rf, % / napi)0,000%

Adat időegysége (annualizáláshoz)

Éves Sharpe-ráta

10,985

Kivételes — gyanúsan ritka, érdemes ellenőrizni

Részletek

Adatpontok: 30 napi hozam

Átlaghozam (μ): 0,066%

Szórás (σ): 0,096%

napi Sharpe: 0,692

Annualizálás: 0,692 × √252 = 10,985

Kalibrációs sáv

Az 5 sáv kalibrációja iparági tapasztalat alapján. Empirikus küszöbök, NEM szigorú matematikai határok — a piac, az időtáv és az asset class módosítja őket.

Info
Gyors áttekintés — egy bekezdésben

Sharpe-ráta: $SR = (μ - r_{f}) / σ$ — hozam kockázatra vetítve, kockázatmentes hozamhoz képest

Information Ratio: $I R = α / σ_{α}$ — hozam kockázatra vetítve, benchmarkhoz képest

Grinold-Kahn alaptörvény: $I R = I C \cdot N$ — több gyenge edge $>$ egy erős edge, ha elég sokszor megismétled

Annualizálás: napi SR × $252$ , heti × $52$ , havi × $12$

Kalibráció: SR < 0,5 gyenge, 0,5–1,0 elfogadható, 1,0–2,0 jó, > 2,0 ritka és gyanús

💡 "Mennyit kerestem" $\neq =$ "milyen jó volt a stratégia". A Sharpe és az IR ezt a különbséget mérik.

A naív válasz a “milyen jó a stratégiám?” kérdésre az, hogy "mennyit kerestem vele". Ez a válasz félrevezető: egy stratégia, ami 100% hozamot ad, de közben a tőkéd nullára megy és vissza, nem ugyanaz, mint egy stratégia, ami 100% hozamot ad simán, drawdown nélkül. A kettő közti különbséget a kockázat-korrigált hozam méri — és ehhez a Sharpe-ráta és az Information Ratio a két standard eszköz.

A cikk végigveszi mind a kettőt, megmutatja a kapcsolatukat, és felvezeti a Grinold-Kahn alaptörvényt ( $I R = I C \cdot N$ ) — ami a következő cikk főtémája.

Mit jelent a “kockázat-korrigált hozam”?

A volatilitás (a hozam szórása) a kockázat standard pénzügyi mérőszáma. Ha egy stratégia napi átlaghozama $μ = 0, 05%$ , de a napi szórása $σ = 0, 5%$ , akkor egy átlagos napon nem szokatlan egy $- 0, 45%$ vagy $+ 0, 55%$ kilengés. Ez a “kockázat”.

A felelőtlen befektető csak a $μ$ -re figyel. A felelős befektető a $μ / σ$ hányadosra — ez a "mennyi hozamot kapok egy egységnyi kockázat felvállalásáért". A Sharpe-ráta pontosan ezt általánosítja úgy, hogy a kockázatmentes hozam ( $r_{f}$ ) levonásával megnézi az extra hozamot.

A meglévő átlag kalkulátor az átlag számolásában segít — a szórás ennek a párja, és a Sharpe-ráta ebből a két számból építkezik.

Mi a Sharpe-ráta?

A Sharpe-ráta (William F. Sharpe, 1966) definíciója:

SR = \frac{μ - r _{f}}{σ}

Ahol:

$μ$ = a stratégia átlaghozama (időegységenként, pl. napi)
$r_{f}$ = a kockázatmentes hozam (pl. állampapír hozama ugyanezen időegységen)
$σ$ = a stratégia hozamainak szórása (volatilitás)

Mit mond a számokon? Egy 1,0-es Sharpe-ráta azt jelenti, hogy egy egységnyi kockázat-felvállalásra egy egységnyi extra hozam jut. Egy 2,0-es Sharpe esetén egy egységnyi kockázat-felvállalás két egységnyi extra hozamot ad — sokkal jobb stratégia.

Warning
A Sharpe-ráta csak Gaussian-szerű eloszlásokra megbízható Ha a stratégia hozam-eloszlása erősen ferde (skewed) vagy nehéz farkú (fat-tailed) — pl. egy short volatilitás stratégia, ami mindennap kis hozamot ad és időnként összeomlik —, a Sharpe-ráta erősen felülbecsüli a stratégia minőségét. Ilyenkor használj Sortino-rátát (csak a negatív hozamokat számolja a nevezőbe) vagy Calmar-rátát (a max drawdown-t használja kockázatként).

Annualizálás: napi → éves Sharpe

A Sharpe-ráta értéke függ attól, milyen időegységen méred. Egy napi hozamokon számolt $S R_{daily}$ kisebb, mint egy éves hozamokon számolt $S R_{annual}$ . Az átalakítás:

S R_{annual} = S R_{daily} \cdot T

Ahol $T$ a periódus-hossz időegységenként ( $T = 252$ kereskedési nap egy évben, $T = 52$ hét, $T = 12$ hónap). A $T$ a centrális határeloszlás-tétel következménye: $T$ független periódus átlaghozama $T$ -vel skálázódik, a szórása $T$ -vel — így a hányados is $T$ -vel.

Példa: napi hozam-adatokból $S R_{daily} = 0, 1$ . Éves Sharpe: $0, 1 \cdot 252 \approx 1, 59$ . Egy elfogadható stratégia.

Mi az Information Ratio (IR)?

Az Information Ratio a Sharpe-ráta benchmark-relatív változata. Az aktív portfólió-managementben szokták használni: nem önmagában nézzük a stratégia hozamát, hanem azt, mennyivel veri rá egy passzív benchmarkra (pl. S&P 500 indexalap, BTC árfolyam, stb.).

I R = \frac{α}{σ _{α}} = \frac{E [ r _{p} - r _{b} ]}{Var ( r _{p} - r _{b} )}

Ahol:

$r_{p}$ = a portfólió hozama
$r_{b}$ = a benchmark hozama
$α = E [r_{p} - r_{b}]$ = az active return (a benchmarkhoz képest többlethozam)
$σ_{α} = Var (r_{p} - r_{b})$ = a tracking error (mennyire tér el a stratégia a benchmarktól)

Mikor melyiket használd?

Sharpe-ráta: ha egyetlen stratégiát értékelsz önmagában (pl. egy abszolút-hozam fund-ot)
Information Ratio: ha egy aktív kezelőt mérsz egy passzív benchmarkhoz képest (pl. egy long-only részvényalapot az S&P 500-hoz)

A két mérőszám matematikailag rokon — ha $r_{f} = r_{b}$ (azaz a kockázatmentes hozamot tekinted benchmarknak), akkor $SR = I R$ . A gyakorlatban viszont a benchmark egy korreláló piaci index, nem a kockázatmentes hozam, így a két szám eltér.

A Grinold-Kahn alaptörvény: $I R = I C \cdot N$

A 2. cikkben (a Grinold-Kahn alaptörvény) mélyebben megnézzük, de itt felvezetjük az alapot. Az alaptörvény azt mondja, hogy egy aktív stratégia Information Ratio-ja két dologtól függ:

I R \approx I C \cdot N

Ahol:

$I C$ = Information Coefficient: a stratégia előrejelzései és a tényleges hozamok közötti korrelációs együttható. Egy IC = 0 stratégia tiszta zaj, egy IC = 1 stratégia tökéletes előrejelző.
$N$ = Breadth: a független fogadások száma egy évben. Egy heti stratégia $N = 52$ , egy napi stratégia $N = 252$ .

Számpélda: ha az edge-em $I C = 0, 05$ (gyenge, de mérhető edge), és 5 független jelet kombinálok egy évben ( $N = 5$ ), az IR ≈ $0{,}05 \cdot \sqrt{5} \approx 0{,}112$. Ez rossz — kevés gyenge jel.

Ha ugyanezt az 5 jelet 200-szor egy évben futtatod (különböző részvényeken, különböző időpontokon), $N = 1000$ , és $IR \approx 0{,}05 \cdot \sqrt{1000} \approx 1{,}58$. Ez már kivételes.

A tanulság: "több gyenge jelzés > egy erős, ha elég sokszor megismétled". Ez a kvantitatív hedge fundok alaptétele.

Honnan jön a $N$ ?

A $N$ a centrális határeloszlás-tétel következménye. $N$ független stratégia hozama átlagolva $N$ -vel skálázódik, a szórása $N$ -vel — így a hányados (azaz az IR) $N$ -vel növekszik. Pontosan ugyanaz a matematika, mint az annualizálásnál.

Kalibráció: mennyi a “jó” Sharpe és IR?

A nyers szám önmagában nem mond sokat — a piactól, időtávtól és asset class-tól függ. Néhány empirikus benchmark:

Tartomány	Stratégia-minőség	Példa
$SR < 0, 5$	Gyenge — alig veri a véletlent	Kezdő kvantos modell, túlilleszkedett backtest
$0, 5 \leq SR < 1, 0$	Elfogadható — diverzifikációs portfólió-elem	Faktor stratégia, hosszú távú trendkövetés
$1, 0 \leq SR < 2, 0$	Jó — intézményi minőség	Renaissance Medallion fond néhány évében
$SR \geq 2, 0$	Kivételes — gyanúsan ritka	Backtest-bias gyakran, élesben ritka

Tip
Mielőtt elhinnél egy $SR = 3$ -as stratégiát

Néz meg a mintaméretet: 1 év napi adat = 252 pont. 252 pontból számolt Sharpe-ráta konfidencia-intervalluma ±0,3 körüli — egy $SR = 3$ stratégia valójában $SR \in [2, 7; 3, 3]$ a sample-en, és a "true" Sharpe ennél jóval alacsonyabb lehet.

Néz meg a hozam-eloszlást: ha a stratégia hozam-eloszlása erősen ferde (pl. short volatility), a Sharpe felülbecsüli a minőséget.

Néz meg a tranzakciós költségeket: a backtest 0%-os költségen számol, a live 0,1–0,3% slippage-szel — ez könnyen $SR = 3$ -at $SR = 1$ -re csökkent.

A Sharpe kapcsolata a Kelly-kritériummal

A Kelly-kritérium folytonos hozam-eloszlásra átalakított képlete:

f_{strategy}^{*} = \frac{μ - r _{f}}{σ ^{2}}

Vegyük észre, hogy ez a Sharpe-rátához nagyon közel áll: ha $SR = (μ - r_{f}) / σ$ , akkor $f^{*} = SR / σ$ . Tehát:

f^{*} = \frac{SR}{σ}

Gyakorlati interpretáció: egy 2× nagyobb Sharpe-rátájú stratégia egyenesen arányosan 2× nagyobb optimális tét-arányt kap a Kelly szerint (azonos volatilitás mellett). Ez azt is megmutatja, miért fontos a Sharpe-rátát maximalizálni: nem csak “jól néz ki” a számon, hanem közvetlenül a Kelly-tét javasolt méretét is megszabja.

A gyakorlatban — a Kelly cikkben leírtak szerint — itt is alkalmazd a ¼-Kelly redukciót és a 8% hard cap-et a paraméter-bizonytalanság ellen.

Interaktív kalkulátor

A cikk végén lévő interaktív kalkulátor két módban dolgozik:

Sharpe-ráta számolás: add meg $μ$ , $σ$ , $r_{f}$ értékeket, és kapsz egy színkódolt Sharpe-rátát annualizált formában
Information Ratio számolás Grinold-Kahn alapján: add meg az IC és N értékeket, kapsz egy számolt IR-t kalibrációs sávval

Próbálj ki néhány gyakori esetet:

$μ = 0, 05%$ /nap, $σ = 0, 5%$ /nap, $r_{f} = 0$ → napi $SR = 0, 1$ , éves $SR \approx 1, 59$
$I C = 0, 07$ , $N = 5$ jelzés/év → $I R \approx 0, 157$ (gyenge)
$I C = 0, 05$ , $N = 252$ jelzés/év → $I R \approx 0, 794$ (elfogadható)

A kalkulátor a Grinold-Kahn cikk bemenetét készíti elő — ott megtanulhatod, hogyan kombinálsz több ilyen edge-et egy portfólióba.

GYIK

Mi a Sharpe-ráta egy mondatban?

A Sharpe-ráta megmutatja, hogy egy stratégia mekkora többlethozamot ad a kockázatmentes hozam felett, egy egységnyi kockázatra (volatilitásra) vetítve. Képlet: SR = (μ − rf) / σ, ahol μ a stratégia átlaghozama, rf a kockázatmentes hozam (pl. állampapír), σ a hozam szórása.

Mi a különbség a Sharpe-ráta és az Information Ratio között?

A Sharpe-ráta a kockázatmentes hozamhoz (rf) képest méri a teljesítményt, az Information Ratio pedig egy benchmarkhoz (pl. S&P 500, BTC árfolyam) képest. Az IR azt mondja meg, hogy az aktív kezelő mennyivel ver rá a passzív benchmarkra, kockázat-korrigáltan.

Mennyi a "jó" Sharpe-ráta?

Tájékoztató kalibráció: SR < 0,5 = gyenge stratégia (alig veri a véletlent), 0,5–1,0 = elfogadható, 1,0–2,0 = jó (intézményi minőség), > 2,0 = kivételes (gyanúsan ritka, érdemes ellenőrizni a számítást). A pontos küszöb a piactól és az időtávtól függ.

Mit jelent az IC (Information Coefficient)?

Az IC a stratégia előrejelzései és a tényleges hozamok közötti korrelációs együttható. IC = 0,02 már jelentős érték a profi quant világban (S&P 500 részvény-előrejelzés). IC = 0,1 már kivételes. A magasabb IC jobb előrejelzőképességet jelent, de csak akkor érdemes vele dolgozni, ha a stratégiát többször futtathatod (N nagy).

Mi a Grinold-Kahn alaptörvény?

A Grinold-Kahn alaptörvény: IR = IC · sqrt(N), ahol IR az Information Ratio, IC az előrejelzési minőség (siker-korreláció), N pedig a breadth — a független fogadások száma egy évben. Az alaptörvény azt mondja, hogy egy gyenge edge (IC = 0,05) sokszor megismételve (N = 200) ugyanolyan IR-t adhat, mint egy ritka, erős edge (IC = 0,15, N = 20).

Hogyan annualizálom a napi Sharpe-rátát?

Egy napi hozam-adatokból számolt Sharpe-rátát úgy alakítod át éves Sharpe-rátává, hogy megszorzod sqrt(252)-vel (kereskedési napok száma egy évben). Heti adatok: sqrt(52), havi adatok: sqrt(12). Példa: napi SR = 0,1 → éves SR ≈ 0,1 × 15,87 ≈ 1,587.

Hány adatpont kell egy Sharpe-rátához, hogy ne legyen "zaj"?

Tippszerű hüvelykujj-szabály: minimum 30 minta egy normál-szerű eloszláson, ideális esetben 100+ minta. Ennél kevesebb adatból számolt Sharpe-ráta erősen instabil — egyetlen kiugró nap is jelentősen torzít. Konfidencia-intervallum nélkül a Sharpe-ráta önmagában félrevezető.

Hogyan kapcsolódik a Sharpe-ráta a Kelly-kritériumhoz?

A Kelly-arány folytonos hozam-eloszlásra: f* = (μ − rf) / σ². Vegyük észre: f* = SR / σ. Tehát egy nagyobb Sharpe-rátájú stratégia egyenesen arányos a Kelly-tét javasolt méretével. Egy 1,0-s Sharpe-rátájú stratégia mintegy 2× nagyobb tét-arányt kap, mint egy 0,5-es.

Források

Akadémiai cikkek:

Sharpe, W.F. (1966). Mutual Fund Performance. Journal of Business, 39(1): 119–138. — A Sharpe-ráta eredeti definíciója (akkoriban “reward-to-variability ratio” néven).
Sharpe, W.F. (1994). The Sharpe Ratio. Journal of Portfolio Management, 21(1): 49–58. — A “modern” Sharpe formulázás, ahol az $r_{f}$ explicit a képletben.
Grinold, R.C. (1989). The Fundamental Law of Active Management. Journal of Portfolio Management, 15(3): 30–37. — Az $IR = IC \cdot \sqrt{N}$ alaptörvény eredeti levezetése.
Lo, A.W. (2002). The Statistics of Sharpe Ratios. Financial Analysts Journal, 58(4): 36–52. — Konfidencia-intervallumok és small-sample bias a Sharpe-rátára.

Könyvek:

Grinold, R.C., Kahn, R.N. (2000). Active Portfolio Management. 2nd ed., McGraw-Hill. ISBN: 978-0070248823. — Az IR és a fundamental law standard tankönyve.
Bodie, Z., Kane, A., Marcus, A.J. (2017). Investments. 11th ed., McGraw-Hill. ISBN: 978-1259277177. — Egyetemi szintű bevezetés a Sharpe-rátához és a portfólió-elmélethez.

Kapcsolódó cikkek a matekmegoldasok.hu-n:

Frissítve:2026. május 11.