前面提到过，策略或资产的收益本身是有益的、正面的，但是收益的不确定性或者说风险则相反，当风险程度增加时，量化交易策略的最终结果会呈现出不稳定的表现，这种不稳定性也就是风险所带来的负面效应。收益和风险作为量化交易策略研发中两个最为重要的特征，一个正面一个负面，既可以作为我们事后评判策略表现的参考指标，也可以作为事前的度量工具参与策略模型的构建工作。
如第2章中所述，在基本的策略研发流程下，策略或资产的收益情况，是与量化交易策略的买卖行为直接相关的。即基于买点、卖点的选择，使得策略得到一个正的整体收益,或是通过判断交易资产的未来收益正负，来决定买入或卖出资产。而风险则会影响到量化交易策略中交易仓位的设置，也在一定程度上与收益因素共同决定了策略的买卖设置。
而在图2-4所示的量化交易策略研发流程中，我们将策略模型所使用的目标函数进行了唯一化,即策略的风险调整后收益，也就是风险与收益的一种有效结合。通过考察这一结合指标，买卖和仓位的设置可以同时作为参数进行优化，进而得到最终的量化交易策略。
在这里，风险调整后收益是一种 由收益和风险共同组成的数学指标，其随着收益的增大面增大，随着风险的增大而减小。而由于收益是正面因素，风险是负面因素，因此风险调整后收益就可以直观表现出量化交易策略的优劣。将风险调整后收益作为唯一的目标函数也就能够让策略优化过程更为直接。
当然，将风险调整后收益作为策略表现的一个事后度量指标也是有所裨益的。例如，存在两个待选的量化交易策略一策略 A和策略B,策略A的收益更高但风险也更高，而策略B的收益较低但风险也较低时，使用分离的收益度量指标和风险度量指标就很难判断出哪个策略更好。而通过比较两个策略的风险调整后收益，就可以准确地判断出哪个策略更加优秀。
准确地讲，风险调整后收益是一类指标的统称，只要是正面度量收益、负面度量风险的数学形式都可以算作风险调整后收益。夏普比率是最为著名也是应用最为广泛的风险调整后收益指标，以其创造者夏普的名字命名。夏普比率度量的是交易策略或者投资资产每承受一单位的总风险，可以产生多少的超额收益。具体计算形式为
式中，R是交易策略或者投资资产的收益率; R是无风险收益率; σ则是交易策略或者投资资产的收益率标准差。
信息比率是另一个经常被用到的风险调整后收益指标，特别是在研究量化选股策略时，研究人员往往更偏向于使用信息比率。实际上，信息比率和夏普比率的构造方法十分相似，度量的同样是交易策略或者投资资产每承受一单位的总风险，会产生多少的超额收益。两者最大的差别在于分子中被减去的，一个是基准收益率，一个是无风险收益率,具体如下
式中，R是交易策略或者投资资产的收益率; rn是基准收益率; σ(R-rg)则是交易策略或者投资资产的收益率减去基准收益率后，所得到的新收益率序列的标准差。
这里所说的基准收益率，是由研究人员选取一个合适的基准资产、基准策略或基准指数所具有的收益率，其与所研究的交易策略或投资资产具有某此相同的特性，因此可以用来进行对比。观察夏普比率的计算形式可以发现，其实夏普比率就是将比较基准选为无风险资产的信息比率。
前面若干个章节讨论选股策略的实际表现时，我们都将同期的沪深300指数走势加入图中，用来与选股策略进行对比，同时也考察了逐月地将选股策略得到的股票组合收益率减去沪深300指数的收益率后，所形成的新的收益率序列及其净值走势。原因在于量化选股策略总是做多股票，因此投资组合中总是包含有市场组合成分以及相应的市场系统风险。这正是研究量化选股策略时经常使用信息比率的原因，通过减去市场组合基准的收益率，能够更好地反映出策略在选股方面的真实能力。
什么时候更适合使用夏普比率，什么时候更适合使用信息比率,需要研究人员理解量化交易策略或是其研究对象的收益组成、风险组成以及各个组成部分的具体性质。例如第4章和第7章所涉及的择时策略，多空灵活，更适合将无风险资产进行对比，那么夏普比率就是一 个较为合适的风险调整后收益指标。不过，在实际使用中，许多研究者往往会混用夏普比率和信息比率，读者如果遇到这种情况还需注意。
在风险调整后收益指标中，与夏普比率和信息比率类似的，还包括索提诺比率。其分子端的构成和夏普比率相同，分母端的标准差则换为半侧标准差元。也就是说，该指标中所包含的风险项刻画的是交易策略或者投资资产的下侧风险，如下:
式中，R-ry也可以在某些情形下变化为R-rs,从而加入适合的基准进行对比。
以上三种风险调整后收益指标都是通过收益除以风险得到，因此也具有一些较为相似的性质。例如，当收益和风险都是由日度数据计算得到的时候，是不能与由月度数据计算得出的结果直接进行对比的。不同时间频率的样本数据，会使得这种除法导向的指标的度量基准不同。
如果要横向对比两种不同样本频率下的量化交易策略，例如前文中使用日度数据进行研究的择时策略和使用月度数据进行研究的选股策略，那么需要将这些风险调整后收益指标调整到一个频率基础之下，如将指标年化。而进行年化处理时，往往是分别将收益和风险年化，然后做除法得到。收益的年化相对而言比较好理解，标准差这类指标的年化则一般是乘上频率比例的方差，例如月度数据下的标准差年化，即在其数据上乘以√12得到。
除了上述三种指标之外，还存在其他一些由除法得到的风险调整后收益指标。实际上,除法导向是一个非常好的收益风险组合框架,分子端的收益刻画正面效果，分母端的风险刻画负面效果,符合研判直觉。广义上而言，只要找到合适的收益度量方式和合适的风险度量方式，将其通过除法结合在一起就是一个可用的风险调整后收益指标。另外，做除法时保持两者的量纲一致是较为推荐的，可以使指标具备较强的逻辑内涵和较好的数学特性。
例如作者较为偏好的一个做法， 用年化收益率除以年化最大回撤来表示量化交易策略的风险调整后收益。由于最大回撤是一个更偏向于对策略实际表现进行描述的风险度量形式，因此这--风险调整后收益也更适合用来对量化交易策略的表现进行事后评判。将其作为目标函数进行优化也是可行的，不过该指标不太良好的数学特性会引发一些附带的问题，因此也建议其他研究者谨慎为之。
另外例如特雷诺比率，也是一个通过除法计算得到的风险调整后收益指标。其计算形式如下
可以发现，其与夏普比率的区别，同样在于风险度量方式选取的不同。这里的β代表策略或资产所具有的系统风险，这-概念来自第I章曾提到过的资本资产定价模型，也就是策略净值随市场资产同向运动所形成的没有风险补偿的部分风险。
在对收益的风险调整过程中，收益与风险的搭配方法不止除法种。前面已经提到过，只要是对收益给予奖励.对风险给予惩罚的算法，都可以作为风险调整后收益的度量指标使用。一个更简单的做法是用收益减去风险，例如用收益率减去方差
式中，日是人为设定的比例系数，用来调节对风险的惩罚力度，在一定程度上表现了指标使用者的风险偏好。
第1章曾提到过的马科维茨最优投资组合理论,其基本计算形式是在方差一定的基础上最大化收益率，或是在收益率一定的基础上最小化方差。而作为一种变种形式，我们也可以将收益率减去方差作为唯一的优化目标，通过最大化这一指标，在设置好惩罚系数0的基础上得到最优的投资组合配置。
一般而言，将风险和收益相结合的风险调整后收益指标，不太会使用类似于GARCH这样的动态调整模型。就算存在，也只是将动态调整的收益和动态调整的风险通过除法或减法结合起来，用作事后的量化交易策略绩效度量，其优点在于更具有时效性，更能适应于市场或策略的转变。但是若将这种动态的风险调整后收益指标用于策略研发过程，往往会使得策略模型过于复杂，得不偿失。
