企业官网建设流程全解析

📚本系列进度：#01 ✅（跑通 SDK 打出实时行情） · #02 ✅（本篇） · #03–#16 ⏳ 规划中
系列定位：面向零基础开发者的「从 0 到 1 量化工具箱」连载，数据源全部锁定麦蕊行情 API。

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

接上篇：SDK 已装、证书已在环境变量MAIRUI_LICENCE。本篇只需标准库 +math，不额外装包。

四、核心代码

importos,sys,datetime sys.path.insert(0,"Demo/_common")frommairui_helperimportload_licencefrommairuiimportClientimportmathdefget_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=[rforrinrowsifr.get("c")isnotNoneandr.get("t")]clean.sort(key=lambdar:r["t"])return[r["c"]forrinclean]defmax_drawdown(close):peak=close[0]mdd=0.0forpinclose:ifp>peak:peak=p dd=(p-peak)/peakifdd<mdd:mdd=ddreturnmdddefdaily_returns(close):return[(close[i]-close[i-1])/close[i-1]foriinrange(1,len(close))]defstats(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)**2forrinrets)/n)ann_vol=std*math.sqrt(252)sharpe=(mean*252)/(std*math.sqrt(252))ifstd>0else0.0win=sum(1forrinretsifr>0)/nreturncum,mdd,ann_vol,sharpe,win mc=Client(load_licence())close=get_close_series(mc,"000001",days=120)cum,mdd,ann_vol,sharpe,win=stats(close)print(f"累计收益率{cum*100:.2f}% 最大回撤{mdd*100:.2f}%")print(f"年化波动率{ann_vol*100:.2f}% 夏普(简化){sharpe:.2f}胜率{win*100:.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。