先算这一笔：用一个公式判断你的收益目标做不做得到先算这一笔：用一个公式判断你的收益目标做不做得到一、大部分失败，在动手

先算这一笔：用一个公式判断你的收益目标做不做得到

本文是《Python 量化回测系统工程》系列的第 3 篇。前两篇讲回测里的摩擦和验证协议，这一篇往前挪一步：在你写第一行回测代码之前，先回答一个问题——这个目标，现实吗？

一个典型的开场是这样的：

"我想要年化 40%，回撤别超过 10%。"

这句话听起来很克制——没说翻倍，没说稳赚。但它在数学上意味着什么，说的人往往没算过。

年化 40%、回撤 10%，换算成 Calmar 比率（年化收益 ÷ 最大回撤）就是 4.0。作为参照：长期业绩优秀的股票型公募，Calmar 能到 1 就已经是头部水平；对冲基金里能长期维持在 1.5 以上的不多。

换句话说，这个"克制"的目标，要求你做到顶级机构的数倍水平。

问题不在于目标高，而在于没人提前告诉他这个目标有多高。于是他花三个月写代码、调参、跑回测，最后得到的结论是"做不到"——而这本该是三分钟就能算出来的。

我们把这件事固化成了一个指标，叫所需 Calmar：

所需 Calmar = 年化收益目标 ÷ 回撤容忍度

它衡量的不是策略好不好，而是你的目标离现实有多远。算出这个数，直接查表：

举几个例子，把这张表用起来：

这个指标真正的价值不在于"算得准"，而在于它把一场注定失败的谈判，从三个月后挪到了三分钟前。

没有它的时候，对话是这样的：

客户："我要年化 40%，回撤 10%。" 你："我试试。" （三个月后）你："做不到。" 客户："那你早说啊。"

有了它，对话变成：

客户："我要年化 40%，回撤 10%。" 你："所需 Calmar 是 4.0，这个级别长期能做到的机构一只手数得过来。我们有两个选择：把年化降到 15%，或者把回撤容忍度提到 25%。你选哪个？" 客户："那就 15% 吧。" 你："行，那我们开始。"

降级谈判本身就是交付的一部分。 一个在需求阶段就明确说"做不到"的人，比一个闷头做三个月再说"做不到"的人靠谱得多——虽然前者当场会让人不高兴。

把它做成可执行的检查，而不是口头经验。我们的实现里有几条硬规矩：

1. 必须在需求阶段跑，且只能跑一次。 和回测不一样，这个模块没有任何可调参数——输入就是两个数（收益目标、回撤容忍度），输出就是判定。不允许为了让结果好看去"微调"。

2. 判定结果直接写进需求单和最终报告。 报告头部固定有一栏"目标体检结论"，写明：原始目标、所需 Calmar、判定、是否经过降级、降级后的目标。读者一眼能看到这个结论是在什么目标下得出的。

3. 拒绝也是一等公民。 > 2.0 的输出不是"警告"，是REJECT，流程直接终止。这比给一个带免责声明的回测报告负责任得多。

4. 三个数字必须同时给。 年化、最大回撤、所需 Calmar 缺一不可。只给年化不给回撤，是最常见的误导手法——也是最容易让客户产生错误预期的地方。

到这里，我们其实已经有了一条完整的检查链：

目标体检（这篇）  →  需求能不能成立
      ↓
回测引擎（第1篇） →  带滑点、手续费、限单、熔断地跑
      ↓
验证协议（第2篇） →  样本内 / 样本外 / 跨品种，看结论脆不脆
      ↓
脱敏交付（第1篇） →  能给别人看，但不泄露构造

每一环都有明确的判据，每一环都可能把流程终止掉。一条会随时说"不"的流水线，比一条永远说"行"的流水线有用得多——后者产出的不是结论，是安慰。

顺带复习一下第 1 篇那组数字，它们是这条链跑完之后的真实产物：滑点 0 / 1 / 2 跳三档收益分别是 +6.24% / +2.72% / +2.49%，最大回撤 0.49% / 1.08% / 1.16%，期末权益 1,024,907.77，胜率 60%，盈亏比 3.09。

收益目标 6% 出头、回撤 1% 上下，算下来所需 Calmar 在 5 左右——这说明这套演示参数的目标设定本身是"超标"的，只是它演示的是计算链路的正确性，不是一套可上线的目标。真实作业里，这个数会先被目标体检拦下来，然后降级谈判。

先算，再干。 一个三分钟能算完的除法，可以省掉三个月注定失败的工作。而"做不到"这三个字，越早说出口，越专业。

《把一句人话改成可判定的规则：需求改写的三个硬指标》——讲怎么把"我觉得这样能赚"改写成无歧义、能编码、能判定真假的规则条目，以及哪些需求应该当场拒掉。

本文数据来自一套真实的 Python 回测作业（演示模式），所有数字可复现。系列文章只讲工程与数据口径，不涉及任何具体策略、指标与参数；文中所有收益数字均附带样本区间、滑点假设与最大回撤，不构成任何投资建议。