為什麼重要
兩個投資人的基金都在洛杉磯配置了不動產資產。
蔡明哲的短租基金年均報酬16%，三年報酬分別是28%、6%、14%。標準差9.1%，無風險利率4.8%。夏普比率 = (16% − 4.8%) / 9.1% = 1.23。
他的合夥人選了多家庭增值專案：三年報酬分別是11%、12%、10%，年均11%。標準差0.82%，無風險利率4.8%。夏普比率 = (11% − 4.8%) / 0.82% = 7.56。
短租基金的原始報酬較高，但多家庭專案的夏普比率遠超它——以極低的波動性換來了穩定的報酬。5個百分點的報酬差距，放在風險調整框架下直接消失了。夏普比率告訴你的不只是「賺了多少」，而是「為了賺這些，你承擔了多大的風險」。
速覽
- 公式： (投資組合報酬率 − 無風險利率) / 報酬率的標準差
- 越高越好 — 每單位風險換來更多報酬
- 高於1.0：穩健；高於2.0：優秀；低於0.5：風險補償不足
- 無風險利率：通常取當前3個月或10年期美國公債殖利率
- 標準差：衡量報酬的波動幅度 — 即波動性分量
- 適合比較不同報酬水準與風險水準的策略
- 負夏普比率：報酬率低於無風險利率
夏普比率 = (投資組合報酬率 − 無風險利率) / 報酬率的標準差
運作原理
夏普比率把報酬拆解到風險調整後的核心層。三個組成部分構成這個數字。
分子：超額報酬。 用投資組合的實際報酬減去無風險利率。如果你的PropTech（不動產科技）平台管理的基金報酬11%，而短期公債殖利率是4.8%，你的超額報酬是6.2%。這個部分隔離出你在零風險之上額外賺到的那部分。如果結果是負數，說明投資組合跑輸了現金——這是需要認真審視策略的訊號。
分母：標準差。 衡量波動性——你的報酬在各個時期的波動幅度。一個每年穩定產出10%的策略，標準差接近零。一個產出30%、−5%、15%、−8%的策略，標準差很高。波動越大，分母對夏普比率的壓制越強。不動產AI（Real Estate AI）工具和預測分析（Predictive Analytics）平台可以生成歷史報酬數據，作為這一計算的輸入。
綜合起來。 用超額報酬除以標準差。夏普比率1.5意味著你每承擔一單位風險獲得了1.5單位的報酬。夏普比率0.3說明你幾乎沒得到足夠的補償。這個比率作為標準化工具，讓你能在同一尺度上比較穩定的8%報酬和波動的14%報酬。當基於區塊鏈的不動產（Blockchain Real Estate）平台發布代幣化基金的報酬數據時，用夏普比率來評估其風險調整後的業績，比單看標題數字要可靠得多。
無風險利率至關重要。 隨著公債殖利率變化，夏普比率的結果也會改變。在1%利率環境下，幾乎任何不動產報酬在夏普框架下都看起來不錯。當公債殖利率升至5%，同樣的報酬突然顯得平庸許多。始終使用當前有效的基準利率——多數分析師對短期比較使用3個月公債利率，對長期不動產持有使用10年期公債利率。
自動估值模型的配合使用。 自動估值模型（AVM）可以為不動產投資組合生成前瞻性估值，但這些數字本身不含風險維度。將AVM產出的預期報酬代入夏普公式，再對比歷史波動性，才能完成風險調整框架的閉環。
實戰案例
蔡明哲在評估兩個投資機會時用夏普比率做了決策。
蔡明哲在洛杉磯管理一個小型聯合投資組合，手上有$300,000可以配置。他在比較兩個標的：一個短租基金（STR Fund）和一個多家庭增值專案（Value-Add Deal）。
短租基金：
- 3年報酬：28%、6%、14%
- 年均報酬：16%
- 標準差：9.1%
- 無風險利率：4.8%
- 夏普比率 = (16% − 4.8%) / 9.1% = 1.23
多家庭增值專案：
- 3年報酬：11%、12%、10%
- 年均報酬：11%
- 標準差：0.82%
- 無風險利率：4.8%
- 夏普比率 = (11% − 4.8%) / 0.82% = 7.56
短租基金的原始報酬較高，但多家庭專案的夏普比率幾乎是它的六倍——以極低的波動性換來了持續穩定的報酬。蔡明哲透過自動估值模型（AVM）對前瞻性假設進行壓力測試，確認了多家庭專案的穩定性來自結構性因素，而非偶然。他將更多資金配置到多家庭專案，清楚認識到短租基金16%的標題報酬掩蓋了實際承擔的風險敞口。
核心結論：16%報酬配夏普1.23，對比11%報酬配夏普7.56——在風險調整後根本不在同一量級。5個百分點的原始報酬差距，在把吸收的波動性定價進來之後直接消失。
優劣分析
- 跨不同風險水準標準化報酬 — 任意兩項投資之間的同維度比較
- 簡單、廣為人知 — 易於向LP（有限合夥人）和共同投資人說明
- 暴露高報酬是否來自高風險，而非真實的超額表現
- 跨資產類別適用 — 在同一尺度上比較不動產、股票、債券或基金
- 反向同樣有效 — 極低或負的夏普比率是值得質疑某策略的訊號
- 需要歷史報酬數據 — 對於全新投資，沒有歷史數據就無法在無投影的情況下計算
- 標準差對上行波動和下行波動的懲罰一視同仁 — 大幅上漲的策略和大幅下跌的策略受到同等扣分
- 假設報酬服從常態分配 — 不動產報酬可能分布不均且不對稱
- 是某一時點的快照計算 — 3年前的夏普比率可能無法反映當前策略的風險
- 不捕捉流動性風險 — 而這是不動產投資中的主要因素之一
注意事項
不要單獨使用夏普比率。 3年歷史報酬上的高夏普比率很有說服力——但不動產市場是週期性的。2021年低利率順風期構建的2.0夏普，用2022-2023年的數據重算可能只有0.6。始終追問：這個業績記錄跨越了多少市場週期？
上行波動的問題。 標準差無法區分好的波動和壞的波動。如果一支基金的報酬是35%、8%、32%——高報酬年度會推高標準差並拉低夏普比率。Sortino Ratio（索提諾比率）透過只懲罰下行波動來解決這個問題，但在市場上討論得較少。當評估一個有著真實強勁上行年份與穩定基礎表現混合的策略時，低夏普比率可能具有誤導性。
人為製造的報酬平滑。 部分不動產基金管理人以降低表觀波動性的方式報告報酬——例如平滑按市值計價的數值。報酬流人為均勻化的基金會展示出一個高夏普比率，但這不反映真實的底層風險。將夏普分析與估值方法論的審查配合使用，尤其是在評估使用演算法定價的PropTech（不動產科技）平台或區塊鏈不動產產品時。