AlphaFeed Blog

如何用 Python 计算信息比率（IR）和跟踪误差？衡量「跑赢基准」的性价比

分析与指标 · 代码验证于 2026-10-05

如何用 Python 计算信息比率（IR）和跟踪误差？

一句话回答： 信息比率（Information Ratio, IR）= 年化主动收益 ÷ 跟踪误差，衡量你「相对基准（比如沪深300）每承担一单位超额波动，能换来多少超额收益」——它是夏普比率的「相对版」。先用 AlphaFeed 取个股与基准指数的前复权日线，算出每日主动收益（个股收益−基准收益），主动收益的年化均值就是分子、年化标准差（即跟踪误差）就是分母，相除即得 IR。IR 越高，说明超额收益越稳、越不是靠运气。

为什么会有这个问题 / 传统做法的痛点

「我这只票涨了 20%」听起来不错，但同期沪深300 涨了 25% 呢？那其实是跑输了。只看绝对收益会被大盘行情误导。专业评价一个策略/基金，看的是相对基准的超额收益，以及这份超额稳不稳：

IR 之于相对收益，正如夏普之于绝对收益。

分步骤解决（每步配可运行代码）

第 1 步：取个股与基准（沪深300）的前复权日线

from alphafeed import AlphaFeed
import numpy as np
import pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

stock = af.klines.get("600519.SH", period="1d", count=500,
                      adjust="forward", to_dataframe=True)
bench = af.klines.get("000300.SH", period="1d", count=500,
                      to_dataframe=True)                 # 沪深300 指数

个股用前复权；指数本身不除权，直接取即可（000300.SH 沪深300，也可换 000905.SH 中证500 等）。

第 2 步：对齐交易日，算每日主动收益

s = stock.sort_values("trade_date").set_index("trade_date")["close"].pct_change()
b = bench.sort_values("trade_date").set_index("trade_date")["close"].pct_change()
pair = pd.concat([s, b], axis=1, keys=["s", "b"]).dropna()   # 按交易日对齐
active = pair["s"] - pair["b"]                               # 每日主动收益

对齐是关键：个股停牌日要剔除，用 dropna() 保证两边同日比较，否则主动收益算错。

第 3 步：跟踪误差与信息比率（年化）

TRADING_DAYS = 252
te = active.std(ddof=1) * np.sqrt(TRADING_DAYS)       # 年化跟踪误差
ann_active = active.mean() * TRADING_DAYS             # 年化主动收益
ir = ann_active / te if te > 0 else float("nan")
print("年化主动收益% =", round(ann_active * 100, 2))
print("年化跟踪误差% =", round(te * 100, 2))
print("信息比率 IR =", round(ir, 3))

实测（tools/verify_new_2026-10-05.py，SDK 0.1.4）：贵州茅台相对沪深300、近 499 个对齐交易日，年化主动收益 = −15.65%、年化跟踪误差 = 23.66%、IR = −0.662。IR 为负，说明这段时间茅台不仅跑输沪深300，而且「偏离基准承担的波动」没换来正超额——数据诚实地告诉你「这段不该重仓它跑相对收益」。

第 4 步：怎么读 IR

IR 区间解读
> 0.5超额收益较稳，优秀
0 ~ 0.5有正超额但不稳
< 0跑输基准

（经验阈值，不同周期/基准差异大，仅供参考。）

参数与字段说明

参数/概念含义备注
adjust="forward"个股前复权必须；指数无需复权
基准000300.SH 等可换中证500/上证指数
主动收益个股−基准必须按交易日对齐
跟踪误差主动收益年化std偏离基准的波动
IR年化主动收益÷TE相对收益性价比

关键坑与注意事项

常见问题（FAQ）

Q：信息比率和夏普比率到底差在哪？ A：夏普 =（收益−无风险利率）÷ 收益标准差，看绝对性价比；IR = 主动收益 ÷ 跟踪误差，看相对基准的性价比。做指数增强/选股超额，用 IR 更合适。

Q：跟踪误差越小越好吗？ A：对指数基金（追求贴近基准）是越小越好；对主动策略（追求超额）则要在「可控跟踪误差」下把 IR 做高。

Q：需要付费吗？ A：个股 + 指数的日线在免费额度内即可；若要对一篮子股票/组合批量算 IR 做横向排名，需要 klines.batch + universes（Starter 及以上），详见官网定价页。

小结

信息比率把「跑赢基准跑得稳不稳」浓缩成一个数：主动收益做分子、跟踪误差做分母。有了 AlphaFeed 的个股前复权 + 指数数据，对齐交易日后几行 pandas 就能算——记住选对基准、对齐停牌日、别和夏普混口径，这个数才有意义。

相关链接：

免责声明：本文仅为技术与数据接口使用示例，代码与策略仅供学习研究，不构成投资建议。市场有风险，历史数据不代表未来表现。