為什麼要學這兩個？

• 夏普比率：同樣的波動下，誰賺得更有效率？越高越好。
• 最大回撤：從峰值跌到谷底的最大跌幅。越小越抗跌。
  把兩者合在一起，你就能說出「不只賺多少，還能承受多大的跌」。

指標極簡觀念

Python 小實作

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'Heiti TC'

# 1) 參數設定
symbol = "BTC-USD"          # 可改 "ETH-USD" 等
annual_days = 365           # 加密貨幣用 365
rf_annual = 0.02            # 年化無風險利率（可改 0.0）
rf_daily = rf_annual / annual_days

# 2) 抓資料（過去一年）
df = yf.download(symbol, period="1y", interval="1d",
                 auto_adjust=True, progress=False)

# --- 關鍵穩健處理：把 Close 壓成 Series ---
close = df["Close"]
if isinstance(close, pd.DataFrame):           # 防止多層欄位或單欄 DataFrame
    close = close.iloc[:, 0]
close = close.dropna()

# 3) 計算日報酬與夏普（年化）
ret = close.pct_change().dropna()
mean_d = ret.mean()
std_d  = ret.std(ddof=1)                      # 樣本標準差
sharpe = ((mean_d - rf_daily) / std_d) * np.sqrt(annual_days)

# 4) 計算最大回撤（以收盤價為基準）
roll_max = close.cummax()
drawdown = close / roll_max - 1.0
mdd = float(drawdown.min(skipna=True))        # <- 壓成 float，避免 Series 格式化錯誤

print(f"=== {symbol} 指標（過去一年）===")
print(f"年化夏普比率：{sharpe:.2f}")
print(f"最大回撤 (MDD)：{mdd:.2%}")

# 5) 視覺化（可選）
plt.figure(figsize=(12,5))
plt.plot(close.index, close.values, label="收盤價")
plt.title(f"{symbol} 價格（過去一年）")
plt.xlabel("日期"); plt.ylabel("價格 (USD)")
plt.grid(True); plt.legend(); plt.tight_layout()
plt.show()

plt.figure(figsize=(12,5))
plt.plot(drawdown.index, drawdown.values, label="回撤")
plt.title(f"{symbol} 回撤曲線（越低代表離峰值越遠）")
plt.xlabel("日期"); plt.ylabel("回撤（負值，例如 -0.35 = -35%）")
plt.axhline(0, linestyle="--", linewidth=1, alpha=0.6)
plt.grid(True); plt.legend(); plt.tight_layout()
plt.show()

讀數怎麼看？

• 夏普比率：大於 1 通常代表不錯、2 以上相當優秀（但要看期間與資產類別）。
• 最大回撤：若顯示 -0.45 就是峰谷最大跌 45%；越接近 0 越抗跌。
• 回撤圖如果長期「貼近 0」代表價格屢創新高；大幅下探則顯示經歷過深跌。
• 空值處理：第一天報酬為 NaN 屬正常，計算均值/標準差會自動忽略。

小結

今天你把 Day10/11 的「資料與波動」整合成兩個超實用指標：夏普比率與最大回撤。之後你就能用同一段程式碼，快速比較不同幣種（或股票）的「效率與風險」。