1703565932
1703565933
1703565934
1703565935
1703565936
图9-5 两条具有相同均值和方差的分布曲线
1703565937
1703565938
我们可以把分母换成其他风险指标。这样虽然改变了夏普比率的一些细节，但仍然可以保留其基本思想。这类常用的调整方法是把标准差替换为下半偏差（downside deviation）。这样就得到了Sortino比率（Sortino和Price，1994）：
1703565939
1703565940
1703565941
1703565942
1703565943
其中，σd||I||为下半偏差，也就是所有损失的标准差。
1703565944
1703565945
另一个有意思的风险指标是Calmar比率，它的定义是超额收益除以最大回撤。Calmar比率能达到1.0就认为不错。通过这个比例，我们可以得到一个有用的经验法则：如果期望得到x%的收益，那就得准备承担x%的回撤。
1703565946
1703565947
1703565948
1703565949
1703565950
Sterling比率是一个与Calmar比率很有关联的收益–亏损指标。它的定义是超额收益除以过去三年中最大年度回撤与10%（一个主观选取的量）的差值，有时候也可以使用前5大回撤的平均值。取过去最大回撤的平均值，使得Sterling比率比Calmar比率更不容易受异常值的影响。这类替代比率都会倾向于受到小样本和比索问题的影响而产生误差（因为我们使用的数据过少）。正如在上文中，我们得出结论认为应该使用多个波动率估计量，这里我们同样需要使用多个绩效估计量。没有一个“魔法”统计量能够完美地捕捉到绩效的质量。
1703565951
1703565952
这些风险指标都试图解决一个问题，即我们希望观察到由方差无法展现出的风险，但是这些指标都会增加抽样误差。另一个解决办法是让风险项（分母）取决于收益分布的更高阶矩，而不仅仅是二阶矩。我们可以考虑使用整个分布。前两阶矩并没有能够捕捉到我们感兴趣的所有信息，这也是Omega风险指标（Keating和Shadwick，2002）背后的假设。它的定义是：
1703565953
1703565954
1703565955
1703565956
1703565957
其中，（a，b）为收益区间；F是收益的累积分布；r是收益水平的阈值。
1703565958
1703565959
因此这个指标衡量的是在阈值以上的收益平均值与阈值以下的收益平均值之间的比值。Omega比率越高，对该投资策略的满意度就越高。
1703565960
1703565961
Kazemi等人（2003）的研究结果表明，Omega比率也可以由另一个表达式得出：
1703565962
1703565963
1703565964
1703565965
1703565966
其中，C为投资策略的看涨期权，而P为投资策略的看跌期权，每一个期权的行权价都是阈值水平，并且期权存续期为一个周期（这种形式可能更容易让期权交易员理解）。但请注意，公式中用到的看涨期权价格是真实收益分布下的价格，不是风险中性分布或者对数正态分布下的期权价格。因此，这个公式可能更适合用来作为概念上的理解，而不是用来计算。
1703565967
1703565968
Omega比率从理论上说可能很不错，但是期权交易员都清楚，将极端事件外推到未来并不是特别明智，而且极端事件的发生或者缺失会显著影响Omega指标（我们研究过的风险指标都存在这个问题，但是在这里需要特别强调，即使Omega使用了整个分布，但这并不意味着这个指标是较为稳健的）。
1703565969
1703565970
夏普比率可以被奇怪的收益分布所愚弄，另外众所周知，方差和下半方差之间的差异也很难区分。可能不怎么为大家所了解的是，夏普比率对处理盈利和损失流在收益曲线上的不同顺序时也面临困难。
1703565971
1703565972
例如，考虑图9-6和图9-7所示的两个为期一年的收益曲线。每个曲线均为总年化收益为63%，年化波动率为11.93%。若利率为0，则两者的夏普比率均为5.28。另外，每条收益曲线都包括126个幅度为1%的盈利交易日和126个幅度为-0.5%的亏损交易日。简单看一下两个图就可知，结果是有很大差异的，大多数人都会更喜欢图9-6的结果。
1703565973
1703565974
1703565975
1703565976
1703565977
图9-6 一条“线性的”收益曲线
1703565978
1703565979
1703565980
1703565981