企业官网建设流程全解析

拿最近一次内部复盘说吧。一个做多因子选股的同事，年度净值从1.00做到1.32，年化收益写着32%，语气里带着掩饰不住的兴奋。散会前有人顺嘴问了一句：你同期基准跑了多少？他愣了一下，翻出数据——大盘宽基指数那年涨了34.5%。也就是说，他辛辛苦苦盯了一整年盘、调了几十次仓、写了十几万行回测代码，最后比“什么都不做、直接买指数躺着”还少赚了2.5个百分点。会议室安静了三秒，那种安静比任何批评都难受。

这件事之后，我在自己的复盘模板里把“我赚了多少”这一栏直接删掉了，换成了三行：基准收益率、策略收益率、相对收益率。量化交易做到后面你会发现，绝对收益是一个很容易自我感动的东西——市场普涨的时候人人都是股神，市场普跌的时候亏得少也能开庆功会。真正决定你这套策略有没有存在必要的，是第三个数：相对基准，你到底多赚了还是少赚了。下面我把这三个数的算法、关系、以及我在实际计算里踩过的坑，完整拆一遍。

1. 把“赚了多少”拆成三个必须同时出现的数字

1.1 单看净值曲线，等于闭着眼睛复盘

很多人复盘的方式是打开账户净值曲线，看斜率陡不陡、回撤深不深、最大回撤发生在哪个月，然后写两句“本月表现良好，下月继续优化参数”。这条曲线本身没有错，但它缺失了最重要的参照系——同期市场发生了什么。同一条年化20%的曲线，在基准年化-10%的环境里是顶尖水平，在基准年化+35%的环境里则是严重跑输。曲线的形状完全一样，结论却截然相反。

我做量化这些年最深的体会是：绝对收益回答的是“账户里多了多少钱”，相对收益回答的是“这套方法论值不值得继续投入”。前者和你的本金规模、加减仓时点、甚至运气强相关；后者才是策略本身的“成绩单”。一个人拿十万块赚了两万，另一个人拿一千万赚了一百万，绝对收益差50倍，但如果两人的策略基准都是+25%，那前者是跑输，后者是跑平，本质上是同一水平的东西。把本金因素剥掉、把市场因素剥掉，剩下的才是你真正的能力值。

所以复盘模板里这三个数必须同时出现，缺一个就失真。缺基准，你不知道自己是不是搭了顺风车；缺策略收益的规范算法，你不知道自己算的是不是“真实收益”；缺相对收益，你没法判断这套策略该加仓、该停手还是该推倒重来。

1.2 三个数的定义、算法与相互关系

先把定义摆清楚，后面所有的坑几乎都来自定义没对齐。

三者之间的关系，最粗的一层是加法：策略收益 = 基准收益 + 相对收益（算术口径）。这个式子看起来像废话，但它有一个非常实用的推论——你的收益可以拆成“市场给的”和“自己挣的”两块。当一个策略的年化收益里，基准贡献占了八成以上，那这个策略的核心竞争力其实是仓位，不是选股或择时；策略一旦遇到基准下跌的年份，超额收益很难独善其身。

第二层关系在风险维度上。相对收益本身是有波动的，这个波动的标准差就是跟踪误差；超额收益的均值除以跟踪误差，就是信息比率（IR）。很多人只盯着超额收益的绝对值，忽略了它的稳定性——一年跑赢基准15%但月度超额忽正忽负、跟踪误差高达20%，和一年跑赢基准6%但每个月都稳定跑赢2个点、跟踪误差只有4%，后者的可复制性远高于前者。我在筛选策略时，IR低于0.5的基本不进实盘池，哪怕它某一年的超额收益特别漂亮。

第三层关系涉及归因。用最简单的单因子模型拆：策略收益 = α + β × 基准收益 + 残差。这里的β衡量的是你的策略跟着市场一起动的程度，α才是真正独立于市场的部分。如果你的策略β是1.3，那基准涨10%你涨13%是应该的，多出来的3%不是α，只是杠杆；反过来基准跌10%你跌13%也不叫“抗跌能力差”，那叫风险暴露。只有把β剥离掉之后剩下的那部分超额，才是策略真正创造的增量。这一点在后面的第4章会专门展开。

1.3 一个把三种口径同时算一遍的小例子

假设某策略运行了一个完整年度，期初净值1.000，期中没有出入金，期末净值1.180，那么策略收益率是18%。同期基准从3200点涨到3520点，涨幅10%，基准收益率10%。算术超额8%，几何超额 = 1.18/1.10 − 1 = 7.27%。

看起来皆大欢喜。但如果这个策略在年中的最大回撤达到22%，而基准同期最大回撤只有9%，那这8%的超额是用多大的风险换来的？粗略一算，超额收益8%除以跟踪误差（假设年化12%），IR只有0.67，属于“能用但不算优秀”的区间。再往下拆β，如果回归出来β=1.15，那基准贡献的部分其实是11.5%，真正的α只有6.5%左右，扣掉交易成本和冲击成本（假设年化1.8%），净α不到5%。

5%的净α，在扣掉管理费、托管费、数据费、服务器费之后，还剩多少？这就是为什么我坚持三个数必须同时出现——单看18%很爽，拆完发现真正属于策略的增量只有不到5个点，任何一个环节出问题都会把它吃干净。

2. 基准收益率：选错参照物，后面的账全废

2.1 基准不是“随便挂个指数上去”

我见过太多人把基准当成一个形式主义的填空项：做小盘股的挂大盘指数，做红利低波的挂成长指数，做量化对冲的挂纯股票多头指数。这么挂的结果只有一个——相对收益完全失去意义，因为分子和分母根本不是一回事。

基准的本质是机会成本的可视化：假设你不做这套策略，把这笔钱放到一个“风险特征最接近、最容易执行”的替代方案里，能拿到多少。注意这里有两个限定词，“风险特征最接近”和“最容易执行”。前者保证比较的公平性，后者保证这个替代方案是真的能落地的，而不是理论上的最优组合。

举个具体的：你的策略是全市场选股、持仓80到120只、平均市值偏中小盘。那合理的基准应该是一只覆盖面广的中小盘宽基指数，而不是大盘蓝筹指数。因为大盘指数和你的持仓在风格上差了一大截，用它的涨跌来评判你的策略，等于让短跑运动员去参加游泳比赛然后再算名次。某年小盘股整体下跌15%、大盘上涨8%，你的策略亏了10%，用大盘做基准是跑输18%，用小盘做基准是跑赢5%，两个结论天差地别，而后者才是真实的。

2.2 挑选基准的四条硬标准

我把选基准的标准压在四条上，任何一条不满足我都会换掉。

第一条，可投资。这个基准必须存在一个真实可交易的载体，你能用接近其收益的方式把钱放进去。如果基准是一个理论合成的组合、或者是某个无法复制的加权方式，那它作为机会成本就是不成立的。这一条卡掉了大量“看起来很漂亮但买不到”的定制指数。

第二条，可复制。基准的编制规则要公开透明，成分调整频率、加权方式、行业分布都是可查的。那种规则半遮半掩、每季度大换血的指数，收益率本身就带着很强的运气成分，拿它做分母会让你的超额收益大幅波动。

第三条，与策略股票池的匹配度。这是最容易被忽略的一条。如果你的策略只能从某个特定池子里选股（比如限定在某几个行业、或者限定了流动性门槛），那基准也应该限定在相似的范围内。我通常的做法是：把策略历史持仓做一次行业和市值的分布统计，然后找一个分布最接近的宽基或者风格指数。分布差得太远，超额收益里就会混进大量的风格偏离收益，看着像α，其实是风格暴露。

第四条，口径一致。基准的收益率是含分红再投的还是价格指数？是税前还是税后？成分股停牌期间怎么处理？这些细节必须和你的策略收益口径对齐。用价格指数（不含分红）去比一个含分红的策略收益，长期下来会系统性高估你的超额，年化可能虚高1到2个百分点，几年下来是个不小的数字。

2.3 基准漂移：一个不动声色就让复盘失真的坑

比选错基准更隐蔽的是“基准漂移”。有两种典型形态。

第一种是策略漂移但基准不动。策略一开始做的是低估值蓝筹，做着做着因为蓝筹没机会，仓位慢慢挪到了高波动成长股，但基准还挂在那儿没改。这时候你的超额收益里，有相当一部分其实是风格切换带来的，你误以为是选股能力。这种情况在实盘中极其常见，因为调仓是一笔一笔做的，人很少会主动去审查“我的基准还配不配”。

第二种是为了好看频繁换基准。某年跑输大盘了，就换成小盘指数比；某年跑输小盘了，就换成等权指数比。这种做法在自欺欺人层面效果拔群，在改进策略层面毫无价值。我的处理方式是：基准一旦确定，至少锁定一个完整的市场周期不做更改，中间任何调整都必须写清理由和时间戳。如果确实因为策略定位发生了实质性变化需要换基准，那新旧基准要并行披露至少一年，让读者能看到换基准对超额收益的影响有多大。

还有一种情况是多重基准加权。当策略本身是多资产或者多风格混合时，单一基准不够用，需要按策略的资金分配或风险预算给多个基准加权。比如60%的仓位做价值选股、40%的仓位做趋势跟踪，那基准可以是60%价值指数加40%的某个趋势型参照。加权比例不能拍脑袋，要按实际的仓位中枢来定，而且这个比例本身也要定期复核。

3. 策略收益率：资金进出的处理方式决定你算的是不是真收益

3.1 简单收益率、时间加权与资金加权，三种口径别混用

策略收益率这块的坑，几乎全部集中在“出入金”上。假设年初净值1.00，年中你追加了一大笔资金，年底净值1.20。这个20%到底算不算策略的收益率？答案是不算，因为后半年那笔大资金进来之后，它的收益被按全年计算了，但实际只参与了半年。

三种口径：

• 简单收益率= (期末净值 − 期初净值) / 期初净值。只适合完全没有任何出入金的场景，实盘几乎用不上。
• 时间加权收益率（TWR）：把区间按每次出入金切段，每段算一个子区间收益率，然后把所有子区间收益率连乘。它的特点是完全剔除资金进出的影响，衡量的是“一块钱从头放到尾能变成多少”。这是评价策略能力应该用的口径。
• 资金加权收益率（MWR / IRR）：找到那个让所有现金流折现到期末等于期末市值的折现率。它衡量的是“我这个投资者实际拿到的收益率”，受加仓时点影响很大——在低点加仓，MWR会明显高于TWR。

这两个数什么时候用哪个？评价策略用TWR，评价自己的投资决策用MWR。如果TWR是15%而MWR是22%，说明你的加仓时点判断得不错；反过来TWR是15%而MWR只有8%，说明你在高位加了仓，选股没问题但择时拖了后腿。我在复盘里会把两个数都放上去，中间那个差值本身就是一条有价值的信息。

TWR的计算有个细节：分段点必须是现金流发生的前一刻，用现金流发生前的净值作为分段终点。很多实现把分段点放在现金流之后，会导致那一天的收益被重复计入或者漏计，区间越长误差越大。

3.2 复权、分红、手续费、滑点，处理顺序不能乱

算策略收益率的时候，这四样东西的处理顺序直接决定最终数字。我的固定顺序是：先做复权，再算毛收益，然后扣显性成本，最后估隐性成本。

复权必须用后复权。前复权在每次分红除权后会把历史价格整体重算一遍，导致你昨天算出来的历史收益率今天变了，做归因的时候完全对不上。后复权保持历史价格不变、向前调整最新价格，收益率序列是稳定的。这个坑我踩过不止一次——用前复权数据跑了三个月的归因报告，某天发现所有历史数字都变了，排查了半天才想起来是分红除权。

分红处理要和基准口径对齐。前面说过，如果基准用的是含分红再投的全收益指数，那策略这边也必须是分红再投。很多券商的账户净值默认是“不复权”的，分红直接变成现金躺在账上，如果你不手动把它加回去，长期下来会低估收益，低估值高股息策略尤其明显，年化差异可能到2个点以上。

显性成本包括佣金、印花税、过户费，这些能从交割单里直接读到。隐性成本包括滑点和冲击成本，只能估。我的估法是：用下单时刻的中间价和实际成交均价做差，乘以成交金额，逐笔累加。小资金这个数很小，资金量上去之后它会变成超额收益的主要吞噬者。

3.3 年化：短区间年化是自欺欺人的高发区

年化公式是 (1 + 区间收益)^(365 / 天数) − 1。这个公式本身没问题，问题出在滥用。

三个月的收益20%，年化就是1.2^4 − 1 = 107%。这个数字毫无意义，因为三个月的样本根本不足以支撑任何关于“稳定盈利能力”的推断，而且复利效应被极大放大了。我的规矩是：区间短于一年，只报区间收益，不报年化；区间在一年到三年之间，年化可以报，但必须同时标注区间长度和最大回撤；三年以上才适合做年化对比。

还有一个更隐蔽的问题：几何年化和算术年化的差异。一组月度收益率，算术平均是1.5%，几何平均（考虑复利）可能是1.3%，两者差0.2个百分点，年化下来差2.4个点。做策略对比时必须统一用几何，因为几何才是真实拿到手的复合收益。但在计算信息比率这类统计量时，超额收益的均值又必须用算术，因为IR的定义基于算术均值和标准差。这两者不能混。

4. 相对收益率：差值还是比值，这个问题比想象中重要

4.1 算术超额和几何超额，适用场景完全不同

算术超额 = 策略收益 − 基准收益，简单直接，但它在跨期累加时会出问题。假设连续两年策略每年跑赢基准5%，算术超额累加是10%；但如果基准第一年涨50%、第二年跌30%，几何意义上的实际超额是完全不同的数。算术超额的优点是可比性和可加性好，做归因、算均值、算标准差都用它；缺点是它高估了长期的真实超额。

几何超额 = (1 + 策略) / (1 + 基准) − 1，它衡量的是一块钱在策略里相对于在基准里的倍数关系，更适合做长期累计对比。缺点是它不能简单相加，两年的几何超额不能直接加起来。

我的用法是：月度、季度层面用算术超额做归因和统计，年度以上、以及对外披露的累计超额用几何。两个数都算，差额超过1个百分点的时候要专门看一眼是不是区间内有大幅波动导致的。

还有一个容易出错的地方：基准为负时的相对收益解读。基准跌30%，策略跌20%，算术超额是+10%，这个+10%的含义是“少亏了10个百分点”，不是“赚了10%”。很多报告把这种情况写成“逆势取得正超额收益”，听着像赚了钱，实际上账户是亏的。这个表述上的含糊在对外沟通时特别容易引发误解，我在自己的报告里一律写成“相对基准少亏损10个百分点”，把话说死。

4.2 信息比率和跟踪误差：超额收益的“质量”指标

超额收益高不高是一回事，稳不稳定是另一回事。跟踪误差 = 超额收益序列的年化标准差，它衡量的是你的策略偏离基准的程度。一个跟踪误差20%的策略，意味着它的超额收益在一年里有相当大的概率落在正负20%的区间内，波动极大。

信息比率 = 年化超额收益均值 / 年化跟踪误差。这个指标的经济含义是“每承担一单位相对风险，能换来多少超额收益”。经验阈值大概是：IR小于0.3，超额的统计显著性很弱，可能只是运气；0.3到0.5，有效但一般；0.5到1.0，不错；1.0以上，属于优秀但也要警惕是不是样本太短或者过拟合。

计算IR有几个细节。频率要统一，用日频算出来的跟踪误差和用月频算出来的差别很大，年化时乘的系数不同（日频乘√252，月频乘√12）。样本量要够，日频至少一年、月频至少三年才有参考价值。还有一点，IR对基准的选择极其敏感，换一个基准IR可能从0.8掉到0.2，所以报IR的时候必须把基准写清楚。

4.3 把β剥掉之后，剩下的才是真本事

前面提过单因子拆解，这里展开说。回归式：策略收益 = α + β × 基准收益 + ε。这里的β是策略对基准的敏感度。

假设回归出来 β = 1.2，α = 3%（年化），基准年化 8%。那策略的理论年化收益是 3% + 1.2 × 8% = 12.6%，实际超额是 12.6% − 8% = 4.6%，其中 3% 是α，1.6% 是β带来的杠杆效应（(1.2 − 1) × 8%）。这1.6%不是能力，是风险暴露换来的——如果基准跌8%，这部分会变成 −1.6%，同样放大亏损。

所以判断一个策略的超额收益质量，正确的问题不是“超额多少”，而是“β调整后的超额是多少”。β明显偏离1的策略，在基准大涨的年份看起来超额惊人，在基准大跌的年份会原形毕露。我在筛选策略时会强制看β，β超过1.15的策略，除非α足够大能覆盖杠杆带来的下行风险，否则不进实盘。

还有一层，β本身是不稳定的。同一套策略在牛市里β可能是1.3，在熊市里可能是0.8，因为持仓结构会随着市场环境变化。所以β要滚动计算，用最近一年或两年的窗口，不能拿全样本的一个数用到底。

5. 把三条曲线跑出来：一份能直接复现的计算流程

5.1 数据准备与对齐，这一步决定后面所有结果

数据这块我只强调三件事：同一时区、同一频率、同一交易日历。策略净值和基准净值必须来自同一个交易日历，遇到策略有交易而基准休市、或者反过来，要做对齐处理。

对齐方式有两种：向前填充和取交集。向前填充保住了样本量，但会引入“用昨天的价格当今天”的失真；取交集会丢样本。我的选择是：日常复盘用向前填充（最多填3个交易日），做统计检验、算IR的时候用交集。因为统计量对样本的独立性要求更高，填充出来的重复值会人为压低波动率，让跟踪误差算小了。

净值序列必须统一成“期初=1”的口径。很多数据源给的是单位净值，有分红的时候会跳一截，必须先做复权再归一化。

5.2 核心计算代码

import numpy as np import pandas as pd def align_nav(strategy_nav: pd.Series, benchmark_nav: pd.Series, fill_limit: int = 3) -> pd.DataFrame: """对齐策略与基准净值，统一到同一交易日历，归一到期初=1""" df = pd.concat([strategy_nav.rename("strat"), benchmark_nav.rename("bench")], axis=1) df = df.sort_index() df = df.ffill(limit=fill_limit).dropna() df = df / df.iloc[0] return df def twr_from_nav(nav: pd.Series, cashflows: pd.Series = None) -> float: """时间加权收益率：按现金流切段，各段收益率连乘""" if cashflows is None or cashflows.abs().sum() == 0: return nav.iloc[-1] / nav.iloc[0] - 1 seg_rets = [] start_val = nav.iloc[0] for dt, cf in cashflows.items(): if dt not in nav.index or cf == 0: continue pre_cf_val = nav.loc[dt] - cf # 现金流发生前的净值 seg_rets.append(pre_cf_val / start_val - 1) start_val = nav.loc[dt] seg_rets.append(nav.iloc[-1] / start_val - 1) return float(np.prod([1 + r for r in seg_rets]) - 1) def relative_metrics(df: pd.DataFrame, periods_per_year: int = 252) -> dict: """计算三类收益率与相对指标""" strat_cum = df["strat"].iloc[-1] / df["strat"].iloc[0] - 1 bench_cum = df["bench"].iloc[-1] / df["bench"].iloc[0] - 1 # 算术超额与几何超额 excess_arith = strat_cum - bench_cum excess_geo = (1 + strat_cum) / (1 + bench_cum) - 1 # 日频超额序列（用于统计量） r_strat = df["strat"].pct_change().dropna() r_bench = df["bench"].pct_change().dropna() excess_daily = r_strat - r_bench te = excess_daily.std(ddof=1) * np.sqrt(periods_per_year) ex_ann = excess_daily.mean() * periods_per_year ir = ex_ann / te if te > 0 else np.nan # 单因子回归求 alpha / beta cov = np.cov(r_strat, r_bench) beta = cov[0, 1] / cov[1, 1] alpha_daily = r_strat.mean() - beta * r_bench.mean() alpha_ann = alpha_daily * periods_per_year return { "策略累计收益": round(strat_cum, 4), "基准累计收益": round(bench_cum, 4), "算术超额": round(excess_arith, 4), "几何超额": round(excess_geo, 4), "跟踪误差": round(te, 4), "信息比率": round(ir, 3), "Beta": round(beta, 3), "年化Alpha": round(alpha_ann, 4), }

这段代码有三个地方值得单独说。一是twr_from_nav里pre_cf_val = nav.loc[dt] - cf，用现金流发生前的净值做分段终点，这是TWR正确性的关键，写成nav.loc[dt]就会错。二是超额序列用的是日频收益率相减，而不是净值相减，因为净值相减会受复利累积影响，算出来的跟踪误差偏大。三是ddof=1用的是样本标准差，样本量小的时候这个设置会让跟踪误差略大一点，更保守，我倾向于保守。

5.3 结果出来之后的自检清单

代码跑完不能直接信，我固定会做四道检查。

检查一，累计收益对不对。用净值首尾直接相除的结果，和TWR算出来的结果对比，如果没有出入金，两者应该完全相等，差一点点都说明分段逻辑有问题。

检查二，超额收益能不能加回来。策略收益应该等于基准收益加算术超额，误差在1e-4以内。

检查三，β和超额的关系。用 α + β × 基准 算出来的理论收益，和实际策略收益做对比，残差应该在合理范围内。残差特别大，说明单因子模型解释力不够，可能需要加风格因子。

检查四，换一个频率重算。用日频和月频分别算一遍IR，两个数差得离谱（比如差一倍以上），说明样本里有异常值，或者某个区间的数据有问题。这一步帮我抓到过好几次数据源的错误。

6. 复盘时最容易翻车的几个地方

6.1 区间端点不一致，差一天结论就反了

最典型的是“策略从1月5日开始运行，基准从1月1日开始算”。四天时间在震荡市里可能没啥，在单边市里能差出一两个点。我的做法是统一取策略实际开始运行的那一天作为所有序列的起点，基准也从那天开始算，宁可少几天样本。

另一个是“结束日选在净值高点”。这个不用多说，任何人在给自己的策略挑区间的时候都会下意识地挑好看的，所以我现在都把区间固定成自然月、自然季、自然年，不允许手动挑。

第三个是非交易日处理。长假前后，策略可能有交易而基准休市，如果允许向前填充太多天，那几天基准的收益会被“冻结”，而策略的收益在动，超额收益就会在那几天虚高或者虚低。fill_limit=3这个参数就是为了防止这种情况，超过三个交易日还填不上，我宁可把那段样本剔掉。

6.2 幸存者偏差与样本内外，回测和实盘要分开算

回测里的相对收益好看，很大一部分来自两个地方：一是股票池用了“今天还活着的股票”，退市的、被并购的都被剔掉了，这会让历史收益系统性偏高；二是参数是在同一段历史上调出来的，样本内表现天然优于样本外。

我的处理方式是回测和实盘完全分开算三套数字：样本内回测、样本外回测、实盘。这三套数字的基准必须一致，否则没法比。样本内超额30%但样本外只有5%、实盘只有2%的情况我见得太多，如果只看样本内那一栏，会严重误判策略的实际价值。

实盘还有一个回测里没有的东西：规模约束。回测可以假设无限流动性，实盘不行。资金量上去之后，滑点和冲击成本会直接吃掉超额，尤其是换手率高的策略。我现在的习惯是，实盘超额收益里专门留一栏“成本后超额”，把显性成本和估算的滑点都扣掉再报。

6.3 基准下跌年份里的“假超额”

前面提过基准为负的情况，这里再强调一次，因为它在实际判断里最容易出错。

基准跌25%，策略跌20%，算术超额+5%。报告里写“取得5%的正超额”，股东看了以为赚了。实际情况是账户亏了20%，只是比市场少亏。这种表述如果长期使用，会让人对策略的风险特征产生严重误判。

更麻烦的是另一类：基准跌40%，策略跌30%，超额+10%，看起来不错。但如果策略的β是1.2，理论上基准跌40%的时候策略应该跌48%，实际只跌30%，确实有正α。可如果β是0.8，理论跌幅是32%，实际跌30%，α几乎为零，那个10%的超额绝大部分来自低β而不是选股能力。所以在下跌年份，一定要把β拆解放上去，否则超额收益的来源完全说不清。

我在报告里的固定写法是三行：策略收益、基准收益、相对基准（少亏/多赚）X个百分点，同时附一行β调整后的α。三行一起看，基本不会有误读空间。

6.4 别拿绝对收益去说服自己，也别拿相对收益去说服别人

最后说一个心态层面的东西。

绝对收益是用来对自己负责的，它关系到你实际拿到手的钱；相对收益是用来对方法论负责的，它关系到这套东西还值不值得继续投人投钱。这两个数经常打架：某个季度绝对收益是负的，但相对收益是正的，这时候该不该继续？我的判断标准是看相对收益的持续性——如果连续四个季度以上都是正超额，且IR在0.5以上，那短期的绝对亏损可以接受，因为市场环境本身不好；如果超额忽正忽负、IR很低，那即使某个季度绝对收益是正的，也要警惕那只是运气。

反过来，对外沟通的时候千万别只讲相对收益。有人问“你今年赚了多少”，你回答“跑赢基准8个点”，这在不同语境下会被理解成完全不同的东西。我的做法是先说绝对收益，再说基准，最后说超额，三句话讲完，谁也不会误读。

我个人在实际操作中的体会是，这三个数里最容易做假的是策略收益率，最容易选错的是基准收益率，最容易被误读的是相对收益率。所以每次复盘我都会强迫自己把三个数按固定顺序写一遍，中途不允许跳步，也不允许改区间。这个习惯帮我拦下过好几次“看着很漂亮其实一文不值”的策略，也让我在几个确实跑输的年份里，能诚实地承认是基准选得不对还是策略真的退化了——这两件事的应对方式完全相反，前者换参照物，后者换策略。

最后再分享一个我用了很久的小技巧：每次算完这三个数，把基准收益和策略收益画在同一张图上，然后把两条线之间的区域用颜色填出来。填出来的那块面积，就是你这一年所有努力的净值可视化。面积是正的，说明你的工作有价值；面积是负的，说明你的工作在这一年里不如什么都不做。这个图我每个月都画，比任何报表都直观。