核心要点
让基金经理夜不能寐的数字
2020年3月，一位大型捐赠基金的组合经理眼看着一个分散化的多资产组合在19个交易日内下跌了22%。年化波动率在目标范围内。截至2月的夏普比率超过1.0。但最大回撤——直接映射到客户电话、赎回通知和职业风险的指标——突破了所有内部阈值。
这种模式在每次市场危机中都会重复。波动率指标用统计语言描述旅程；回撤用人类语言描述旅程。CFA Institute 2019年的调查发现，机构配置者在解释终止经理关系的原因时，最常引用的风险指标是最大回撤。不是夏普比率，不是跟踪误差，而是最大回撤。
标准差衡量的是典型波动，而最大回撤(MDD)衡量的是最糟糕的经历。对大多数投资者来说，真正重要的问题不是"这个组合的波动率有多大？"而是"从高点到恢复之前，我可能亏损多少？"MDD捕捉投资组合价值从峰值到谷底的最大跌幅。它是最可能触发恐慌性抛售、客户赎回和组合经理职业风险的单一数字。理解基于回撤的指标——卡尔玛比率、斯特林比率和条件回撤风险(CDaR)——对于现实地评估投资策略至关重要。
MDD衡量什么
最大回撤定义为在新高点建立之前，历史高点到随后低谷的最大百分比跌幅。
如果一个组合从100增长到150，下跌到90，恢复到120，再跌到80，然后升到160，最大回撤是150到80的跌幅——46.7%的回撤——尽管组合最终创了新高。
它随时间增长。 Magdon-Ismail和Atiya(2004)证明，对于带漂移的随机游走过程，期望最大回撤约按观测期间的平方根增长。观测20年的策略几乎必然比观测5年的同一策略显示更大的MDD。
它是路径依赖的。 两个年化收益率和波动率完全相同的策略，可能因为亏损集中的时间不同而有截然不同的最大回撤。
为什么回撤比波动率更重要
波动率是学术金融中占主导地位的风险度量，但它有一个致命盲点：它对称地看待上行和下行波动，对亏损如何累积毫无说明。
| 场景 | 波动率视角 | 回撤视角 |
|---|---|---|
| 反复下跌5%又上涨5% | 高波动率 | 低回撤 |
| 12个月内稳步下跌40% | 中等波动率 | 毁灭性回撤 |
| 急剧下跌25%后V型反弹 | 波动率骤升 | 大但短暂的回撤 |
行为金融学研究一致表明，投资者感受到的亏损痛苦大约是等额收益快乐的两倍——这是卡尼曼和特沃斯基记录的损失厌恶现象。50%回撤的组合需要100%的收益才能恢复到之前的高点。
主要指数和策略的历史回撤
| 资产/策略 | 期间 | 最大回撤 | 恢复时间 |
|---|---|---|---|
| 标普500 | 2007-2009 | ~57% | ~5.5年 |
| 标普500 | 2000-2002 | ~49% | ~7年 |
| 标普500 | 1973-1974 | ~48% | ~7.5年 |
| 纳斯达克综合 | 2000-2002 | ~78% | ~15年 |
| 60/40组合（美国） | 2007-2009 | ~35% | ~3年 |
| 美国长期国债 | 2020-2023 | ~46% | 尚未恢复 |
| 动量因子（多空） | 2009年3-5月 | ~40% | ~2年 |
| 趋势跟踪（CTA指数） | 2011-2013 | ~15% | ~2年 |
这些数据揭示了一个重要真相：即使分散良好的策略也会经历痛苦的回撤。
基于回撤的业绩比率
卡尔玛比率 (Calmar Ratio)
特里·杨于1991年引入，卡尔玛比率用年化收益除以最大回撤：
卡尔玛比率 = 年化收益 / 最大回撤
年收益10%、最大回撤20%的策略，卡尔玛比率为0.5。年收益8%、最大回撤10%的策略，卡尔玛比率为0.8——尽管绝对收益更低，但风险回报更优。
| 卡尔玛比率 | 解读 |
|---|---|
| < 0.5 | 回撤调整后表现较差 |
| 0.5 - 1.0 | 大多数策略可接受 |
| 1.0 - 2.0 | 良好，管理完善的CTA或宏观基金水平 |
| > 2.0 | 优秀，但需验证业绩记录长度 |
斯特林比率
用年化收益除以年均最大回撤加10%。比卡尔玛比率对单一极端事件更不敏感。
条件回撤风险 (CDaR)
Chekhlov、Uryasev和Zabarankin(2005)开发的CDaR是最差(1-alpha)%回撤观测值的平均。例如，95%水平的CDaR是最差5%回撤观测值的平均。它不是由单一最差观测值驱动，而是提供比MDD更全面的尾部回撤风险图景。
CDaR也可用作组合优化的目标函数：在收益目标约束下最小化CDaR，构建明确避免深度持续亏损的组合。
利用回撤分析评估策略
回撤持续时间的重要性
最大回撤相同的两个策略，如果一个3个月恢复而另一个需要5年，体验完全不同。务必检查：
| 指标 | 定义 |
|---|---|
| 最大回撤期间 | 从高点到低谷的时间 |
| 恢复时间 | 从低谷回到前高点的时间 |
| 水下期间 | 在前高点以下的总时间（期间 + 恢复） |
回撤频率
统计策略经历不同幅度回撤的频率。
| 回撤阈值 | 频率 |
|---|---|
| > 5% | 每年几次？ |
| > 10% | 每5年几次？ |
| > 20% | 每10年几次？ |
| > 30% | 整个历史几次？ |
策略比较
比较两个策略时，不要仅仅比较最大回撤。应同时比较：卡尔玛比率、CDaR特征、回撤持续时间和恢复时间、回撤时点的相关性。
最后一点对组合构建至关重要。两个都有15%最大回撤但从不同时回撤的策略，比两个在相同环境中亏损的同等MDD策略更具吸引力。
实证分析：策略间历史回撤与恢复
| 资产/策略 | 危机期间 | 最大回撤 | 至谷底时间 | 恢复至前高 | 总水下期间 |
|---|---|---|---|---|---|
| 标普500 | 1929-1932 | -86.2% | 2.8年 | 22.2年 | 25年 |
| 标普500 | 2000-2002 | -44.7% | 2.5年 | 4.5年 | 7年 |
| 标普500 | 2007-2009 | -50.9% | 1.4年 | 4.1年 | 5.5年 |
| 标普500 | 2020 (COVID) | -33.9% | 1.1月 | 3.9月 | 5月 |
| 标普500 | 2022 | -25.4% | 9.2月 | 14月 | ~2年 |
| 60/40组合 | 2022 | -21.8% | 9月 | 15月 | ~2年 |
| 美国长期国债 | 2020-2023 | -46.2% | 3.2年 | 未恢复 | 5年以上 |
关键观察：恢复时间与回撤深度不成正比。2020年COVID回撤(-33.9%)在5个月内恢复，而更小的2022年回撤(-25.4%)花了约2年。V型恢复跟随流动性危机，长期恢复跟随估值重置。
竞争框架：MDD对CVaR对VaR
MDD对VaR。 VaR估计给定置信水平下的最大单期损失。与MDD不同，VaR不捕捉连续损失的累积影响。Danielsson(2002)认为VaR提供了虚假的安全感。
MDD对CVaR。 CVaR通过测量超过VaR阈值时的平均损失来解决VaR的盲点，但不考虑回撤的路径依赖性。
| 框架 | 测量对象 | 优势 | 劣势 |
|---|---|---|---|
| VaR | 置信水平下的单期损失 | 简单，广泛理解 | 忽略阈值以外的严重性 |
| CVaR | 超过VaR的平均损失 | 捕捉尾部严重性 | 单期，忽略路径依赖 |
| MDD | 最差峰谷跌幅 | 路径依赖，直观 | 单一观测，样本依赖 |
| CDaR | 最差回撤路径的平均 | 稳健，路径依赖 | 复杂，较少采用 |
重新评估回撤风险
最大回撤有重要局限。它是过去的单一观测值，可能不代表未来的最坏情况。它受业绩记录长度的偏差影响——更长的历史机械地产生更大的MDD，使不同时期的比较产生误导。MDD无法区分缓慢阴跌和突然暴跌。它不提供频率或概率信息。30年中经历一次30%回撤的策略可能远比10年中经历三次25%回撤的策略安全，但仅看MDD会偏向后者。最后，回测的最大回撤由于执行滑点、流动性限制和模型过拟合，几乎总是低估实盘交易的回撤。
实证基础
支持最大回撤作为关键风险指标的证据来自理论分析和数十年市场数据的广泛实证观察。
证据强度：实用性强，数学特征明确。 Magdon-Ismail和Atiya(2004)推导了带漂移布朗运动期望最大回撤的闭式近似。Grossman和Zhou(1993)分析了回撤约束下的最优组合策略。
行为验证。 Barberis和Huang(2008)证明损失厌恶对资产定价有可测量的影响。Frazzini(2006)记录了共同基金资金流对回撤的反应比对波动率指标更强。
截至2025年的证据。 最大回撤被普遍接受为波动率风险指标的必要补充。2022年的经历——平衡组合在波动率表现正常的情况下经历了历史性异常回撤——强化了以回撤为中心的风险管理案例。