چگونه نسبت شارپ با جریمه کردن نوسانات، بازده تعدیل‌شده با ریسک را اندازه‌گیری می‌کند

هنگام ارزیابی یک حساب پس‌انداز استاندارد یا یک گواهی سپرده، نرخ بهره مطلق تمام داستان عملکرد آن را بیان می‌کند، زیرا اصل سرمایه هرگز نوسان ندارد. با این حال، بازار سهام به یک رویکرد ریاضی کاملاً متفاوت نیاز دارد: یک بازده سالانه ۱۲ درصدی تنها در صورتی ارزشمند است که سرمایه‌گذار مجبور نباشد برای دستیابی به آن، نوسانات قیمتی روزانه ۲۰ درصدی را تحمل کند.

برای پر کردن این شکاف و تعیین کمیت هزینه تلاطم، صنعت مالی به نسبت شارپ متکی است؛ یک فرمول ریاضی که نوسانات را جریمه می‌کند تا هزینه واقعی یک بازده را آشکار سازد.[1]

این معیار که در سال ۱۹۶۶ توسط برنده جایزه نوبل، ویلیام اف. شارپ (William F. Sharpe) توسعه یافت، در ابتدا با عنوان «نسبت پاداش به تغییرپذیری» به جامعه دانشگاهی معرفی شد. این معیار برای پاسخ به یک سوال واحد و حیاتی برای تخصیص‌دهندگان سرمایه طراحی شده بود: یک سرمایه‌گذار در ازای نوسانات اضافی که مجبور به تحمل آن است، واقعاً چه مقدار بازده مازاد دریافت می‌کند؟

در دهه‌های پس از آن، این نسبت به معیار بنیادین نظریه مدرن سبد سرمایه‌گذاری تبدیل شد و تمرکز صنعت را از سودهای خام به سمت ثبات منحنی سهام تغییر داد. امروزه، این نسبت همچنان فیلتر اصلی مورد استفاده مدیران ثروت نهادی برای ارزیابی عملکرد استراتژی‌ها است.[6]

خود این محاسبه بر سه ورودی عددی خاص متکی است: بازده کلی سبد سرمایه‌گذاری، نرخ بدون ریسک غالب، و انحراف معیار بازده‌های سبد در یک دوره معین. این فرمول با کسر کردن نرخ بدون ریسک از کل بازده آغاز می‌شود و «بازده مازاد» را که مشخصاً با پذیرش ریسک فعال بازار به جای نگهداری پول نقد ایجاد شده است، جدا می‌کند. این مرحله تضمین می‌کند که مدیران برای بازده‌های پایه‌ای که هر سرمایه‌گذاری می‌تواند صرفاً با نگهداری اوراق قرضه دولتی به دست آورد، اعتباری دریافت نمی‌کنند.[1][3]

سپس آن بازده مازاد بر انحراف معیار، که نشان‌دهنده نوسانات تاریخی دارایی است، تقسیم می‌شود. اگر یک سبد سرمایه‌گذاری در طول یک سال ۱۰ درصد بازدهی داشته باشد، اما نرخ بدون ریسک ۴ درصد باشد، بازده مازاد دقیقاً ۶ درصد است. اگر انحراف معیار آن سبد ۸ درصد باشد، نسبت شارپ حاصل ۰.۷۵ خواهد بود. با قرار دادن نوسانات در مخرج کسر، این فرمول تضمین می‌کند که هرگونه افزایش در تلاطم قیمت، نمره نهایی را مستقیماً کاهش می‌دهد، مگر اینکه با افزایش متناسبی در بازده همراه باشد.[2][4]

مخرج در این معادله - یعنی انحراف معیار - به عنوان یک جریمه ریاضی سخت‌گیرانه برای تلاطم بازار عمل می‌کند. سبد سرمایه‌گذاری که از طریق نوسانات قیمتی شدید و غیرقابل پیش‌بینی به بازده ۱۵ درصدی دست می‌یابد، اغلب نمره بسیار پایین‌تری نسبت به سبدی خواهد گرفت که با رشد پیوسته و قابل پیش‌بینی به بازده ۸ درصدی می‌رسد.

در تامین مالی نهادی، نسبت شارپ بالای ۱.۰ عموماً خوب در نظر گرفته می‌شود و نشان می‌دهد که بازده‌ها به اندازه کافی ریسک پذیرفته‌شده را جبران می‌کنند، در حالی که هر عدد بالای ۲.۰ استثنایی تلقی شده و به ندرت در افق‌های زمانی طولانی بدون پذیرش ریسک‌های پنهان و اندازه‌گیری‌نشده، پایدار است.[3][7]

نرخ بدون ریسک معمولاً با بازده بدهی‌های کوتاه‌مدت دولتی، مانند اسناد خزانه ۹۰ روزه ایالات متحده نشان داده می‌شود. از آنجا که این خط پایه به طور مداوم با سیاست پولی بانک مرکزی در نوسان است، دقیقاً همان عملکرد سبد سرمایه‌گذاری، بسته به محیط اقتصاد کلان گسترده‌تر، نسبت شارپ کاملاً متفاوتی را به همراه خواهد داشت.

در محیط نرخ بهره صفر در سال ۲۰۲۱، نرخ بدون ریسک عملاً صفر درصد بود. در آن دوران، تقریباً هر بازده مثبتی یک نسبت شارپ مثبت ایجاد می‌کرد که باعث می‌شد سهام رشد با نوسان بالا و دارایی‌های سفته‌بازانه بر مبنای تعدیل‌شده با ریسک، از نظر ریاضی جذاب به نظر برسند.[4][5]

تا سال ۲۰۲۶، با نوسان بازده اوراق خزانه کوتاه‌مدت در حدود ۴.۵ درصد به دنبال انقباض مداوم بانک مرکزی، مانع ریاضی کاملاً تغییر کرده است. سبد سرمایه‌گذاری که امروز ۸ درصد بازدهی دارد، تنها ۳.۵ درصد بازده مازاد ایجاد می‌کند. با تقسیم بر انحراف معیار ۱۰ درصدی، نسبت شارپ به ۰.۳۵ کاهش می‌یابد - نمره‌ای که تنها پنج سال قبل برای دقیقاً همان عملکرد دارایی ۰.۸۰ می‌بود.

این فشردگی مکانیکی نشان می‌دهد که چگونه نرخ‌های بهره بالاتر به طور خودکار دارایی‌های پرریسک را جریمه می‌کنند و مدیران سبد سرمایه‌گذاری را مجبور می‌سازند تا برای حفظ همان پروفایل تعدیل‌شده با ریسکی که در دهه قبل داشتند، بازده‌های مطلق بسیار بالاتری ایجاد کنند.[2][6]

با وجود پذیرش جهانی این معیار در سراسر صنعت مالی، محدودیت‌های ساختاری قابل توجهی در آن وجود دارد. برجسته‌ترین نقص ریاضی آن، فرض توزیع نرمال برای بازده سرمایه‌گذاری است - یک منحنی زنگوله‌ای متقارن که در آن رویدادهای شدید بسیار نادر هستند. بازارهای مالی در دنیای واقعی به طور مکرر «دم‌های پهن» (fat tails) را نشان می‌دهند، به این معنی که سقوط‌های شدید بازار بسیار بیشتر از آنچه یک توزیع نرمال استاندارد پیش‌بینی می‌کند، رخ می‌دهند.

از آنجا که نسبت شارپ برای تعیین کمیت ریسک کاملاً بر انحراف معیار متکی است، به طور سیستماتیک احتمال واقعی رویدادهای نزولی فاجعه‌بار را کمتر از حد برآورد می‌کند، به ویژه در دارایی‌هایی با پروفایل‌های بازده بسیار چوله (skewed) یا آن‌هایی که از ابزارهای مشتقه پیچیده استفاده می‌کنند.[8]

علاوه بر این، این فرمول تمام نوسانات را به طور مساوی جریمه می‌کند و جهش‌های ناگهانی قیمت به سمت بالا را از نظر ریاضی با سقوط‌های ناگهانی به سمت پایین یکسان می‌داند. برای یک سرمایه‌گذار، نوسانات صعودی یک سود بادآورده است، نه یک ریسک، با این حال نسبت شارپ رتبه سبد سرمایه‌گذاری را که سودهای عظیم و غیرمنتظره‌ای را تجربه می‌کند، کاهش می‌دهد.

این ویژگی ساختاری منجر به توسعه معیارهای عملکرد جایگزین، مانند نسبت سورتینو (Sortino ratio) شده است که فرمول اصلی را با جریمه کردن تنها انحراف نزولی اصلاح می‌کند. با نادیده گرفتن واریانس صعودی، این معیارهای جایگزین تصویر بسیار واضح‌تری را برای استراتژی‌های سرمایه‌گذاری که به طور خاص هدفشان سودهای نامتقارن است، ارائه می‌دهند.[7][8]

در حوزه معاملات الگوریتمی، نسبت شارپ به طور مکرر سالانه می‌شود تا استراتژی‌های فرکانس بالا را با سبدهای سرمایه‌گذاری سنتی بلندمدت «خرید و نگهداری» مقایسه کند. از آنجا که الگوریتم‌ها ممکن است هزاران معامله در روز انجام دهند، نسبت‌های شارپ روزانه آن‌ها باید از نظر ریاضی مقیاس‌بندی شوند. رویه استاندارد صنعت ایجاب می‌کند که نسبت روزانه در جذر عدد ۲۵۲ - تعداد استاندارد روزهای معاملاتی در یک سال تقویمی - ضرب شود تا یک معیار سالانه استاندارد ارائه دهد که سرمایه‌گذاران نهادی بتوانند آن را ارزیابی کنند.[9]

با این حال، این فرآیند سالانه‌سازی فرض می‌کند که نوسانات به طور کامل و خطی با زمان مقیاس می‌شوند، که در عمل به ندرت صادق است. مدل‌های معاملاتی فرکانس بالا اغلب در محیط‌های بک‌تست (backtesting)، نسبت‌های شارپ به طور مصنوعی بالایی را نشان می‌دهند که گاهی از ۳.۰ یا ۴.۰ فراتر می‌رود.

هنگامی که این مدل‌ها در بازارهای زنده مستقر می‌شوند، این نمرات معمولاً به دلیل تاخیر در اجرا، تغییر اسپرد قیمت پیشنهادی و درخواستی، و خلاءهای ناگهانی نقدینگی به سرعت کاهش می‌یابند و ثابت می‌کنند که بازده‌های نظری تعدیل‌شده با ریسک همیشه در تماس با ریزساختار بازار در دنیای واقعی دوام نمی‌آورند.[9]

حتی با وجود این نقاط کور ریاضی شناخته‌شده، نسبت شارپ همچنان زبان اصلی تخصیص سرمایه در سراسر جهان است. صندوق‌های بازنشستگی، موقوفات دانشگاهی و مدیران ثروت خرد از آن به عنوان فیلتر قطعی برای انتخاب صندوق‌های سرمایه‌گذاری مشترک و محصولات قابل معامله در بورس استفاده می‌کنند و به طور مداوم منحنی‌های سهام هموار را بر اوج بازده‌های مطلق ترجیح می‌دهند. نسبت شارپ با پیوند دادن ریاضی بازده‌ها به تلاطم مورد نیاز برای دستیابی به آن‌ها، تضمین می‌کند که ریسک همچنان متغیر مرکزی در هر تصمیم سرمایه‌گذاری باقی بماند.[6][10]