核心要點
讓基金經理徹夜難眠的數字
2020年3月，一位大型捐贈基金的組合經理眼看著一個分散化的多資產組合在19個交易日內下跌了22%。年化波動率在目標範圍內。截至2月的夏普比率超過1.0。但最大回撤——直接映射到客戶電話、贖回通知和職業風險的指標——突破了所有內部閾值。
這種模式在每次市場危機中都會重複。波動率指標用統計語言描述旅程；回撤用人類語言描述旅程。CFA Institute 2019年的調查發現，機構配置者在解釋終止經理關係的原因時，最常引用的風險指標是最大回撤。
標準差衡量的是典型波動，而最大回撤(MDD)衡量的是最糟糕的經歷。對大多數投資者來說，真正重要的問題不是「這個組合的波動率有多大？」而是「從高點到恢復之前，我可能虧損多少？」MDD捕捉投資組合價值從峰值到谷底的最大跌幅。它是最可能觸發恐慌性拋售、客戶贖回和組合經理職業風險的單一數字。理解基於回撤的指標——卡爾瑪比率、史特林比率和條件回撤風險(CDaR)——對於現實地評估投資策略至關重要。
MDD衡量什麼
最大回撤定義為在新高點建立之前，歷史高點到隨後低谷的最大百分比跌幅。
如果一個組合從100增長到150，下跌到90，恢復到120，再跌到80，然後升到160，最大回撤是150到80的跌幅——46.7%的回撤——儘管組合最終創了新高。
它隨時間增長。 Magdon-Ismail和Atiya(2004)證明，對於帶漂移的隨機漫步過程，期望最大回撤約按觀測期間的平方根增長。觀測20年的策略幾乎必然比觀測5年的同一策略顯示更大的MDD。
它是路徑依賴的。 兩個年化報酬率和波動率完全相同的策略，可能因為虧損集中的時間不同而有截然不同的最大回撤。
為什麼回撤比波動率更重要
波動率是學術金融中佔主導地位的風險度量，但它有一個致命盲點：它對稱地看待上行和下行波動，對虧損如何累積毫無說明。
| 情境 | 波動率視角 | 回撤視角 |
|---|---|---|
| 反覆下跌5%又上漲5% | 高波動率 | 低回撤 |
| 12個月內穩步下跌40% | 中等波動率 | 毀滅性回撤 |
| 急劇下跌25%後V型反彈 | 波動率驟升 | 大但短暫的回撤 |
行為財務學研究一致表明，投資者感受到的虧損痛苦大約是等額收益快樂的兩倍。50%回撤的組合需要100%的收益才能恢復到之前的高點。
主要指數和策略的歷史回撤
| 資產/策略 | 期間 | 最大回撤 | 恢復時間 |
|---|---|---|---|
| S&P 500 | 2007-2009 | ~57% | ~5.5年 |
| S&P 500 | 2000-2002 | ~49% | ~7年 |
| S&P 500 | 1973-1974 | ~48% | ~7.5年 |
| NASDAQ綜合 | 2000-2002 | ~78% | ~15年 |
| 60/40組合（美國） | 2007-2009 | ~35% | ~3年 |
| 美國長期公債 | 2020-2023 | ~46% | 尚未恢復 |
| 動量因子（多空） | 2009年3-5月 | ~40% | ~2年 |
| 趨勢跟蹤（CTA指數） | 2011-2013 | ~15% | ~2年 |
基於回撤的績效比率
卡爾瑪比率 (Calmar Ratio)
特里·楊於1991年引入，用年化報酬除以最大回撤：
卡爾瑪比率 = 年化報酬 / 最大回撤
| 卡爾瑪比率 | 解讀 |
|---|---|
| < 0.5 | 回撤調整後表現較差 |
| 0.5 - 1.0 | 大多數策略可接受 |
| 1.0 - 2.0 | 良好，管理完善的CTA或總經基金水準 |
| > 2.0 | 優秀，但需驗證績效記錄長度 |
史特林比率
用年化報酬除以年均最大回撤加10%。比卡爾瑪比率對單一極端事件更不敏感。
條件回撤風險 (CDaR)
Chekhlov、Uryasev和Zabarankin(2005)開發的CDaR是最差(1-alpha)%回撤觀測值的平均。例如，95%水準的CDaR是最差5%回撤觀測值的平均。它提供比MDD更全面的尾部回撤風險圖景，因為它不是由單一最差觀測值驅動的。
CDaR也可用作組合最佳化的目標函數：在報酬目標約束下最小化CDaR，建構明確避免深度持續虧損的組合。
利用回撤分析評估策略
回撤持續時間的重要性
最大回撤相同的兩個策略，如果一個3個月恢復而另一個需要5年，體驗完全不同。務必檢查：
| 指標 | 定義 |
|---|---|
| 最大回撤期間 | 從高點到低谷的時間 |
| 恢復時間 | 從低谷回到前高點的時間 |
| 水面下期間 | 在前高點以下的總時間（期間 + 恢復） |
回撤頻率
統計策略經歷不同幅度回撤的頻率。
| 回撤門檻 | 頻率 |
|---|---|
| > 5% | 每年幾次？ |
| > 10% | 每5年幾次？ |
| > 20% | 每10年幾次？ |
| > 30% | 整個歷史幾次？ |
策略比較
比較兩個策略時，不要僅僅比較最大回撤。應同時比較：卡爾瑪比率、CDaR特徵、回撤持續時間和恢復時間、回撤時點的相關性。
最後一點對組合建構至關重要。兩個都有15%最大回撤但從不同時回撤的策略，比兩個在相同環境中虧損的同等MDD策略更具吸引力。
實證分析：策略間歷史回撤與恢復
| 資產/策略 | 危機期間 | 最大回撤 | 至谷底時間 | 恢復至前高 | 總水面下期間 |
|---|---|---|---|---|---|
| S&P 500 | 1929-1932 | -86.2% | 2.8年 | 22.2年 | 25年 |
| S&P 500 | 2000-2002 | -44.7% | 2.5年 | 4.5年 | 7年 |
| S&P 500 | 2007-2009 | -50.9% | 1.4年 | 4.1年 | 5.5年 |
| S&P 500 | 2020 (COVID) | -33.9% | 1.1月 | 3.9月 | 5月 |
| S&P 500 | 2022 | -25.4% | 9.2月 | 14月 | ~2年 |
| 60/40組合 | 2022 | -21.8% | 9月 | 15月 | ~2年 |
| 美國長期公債 | 2020-2023 | -46.2% | 3.2年 | 未恢復 | 5年以上 |
關鍵觀察：恢復時間與回撤深度不成正比。V型恢復跟隨流動性危機，長期恢復跟隨估值重置。
競爭框架：MDD對CVaR對VaR
| 框架 | 測量對象 | 優勢 | 劣勢 |
|---|---|---|---|
| VaR | 信賴水準下的單期損失 | 簡單，廣泛理解 | 忽略閾值以外的嚴重性 |
| CVaR | 超過VaR的平均損失 | 捕捉尾部嚴重性 | 單期，忽略路徑依賴 |
| MDD | 最差峰谷跌幅 | 路徑依賴，直觀 | 單一觀測，樣本依賴 |
| CDaR | 最差回撤路徑的平均 | 穩健，路徑依賴 | 複雜，較少採用 |
重新評估回撤風險
最大回撤有重要局限。它是過去的單一觀測值，可能不代表未來的最壞情況。它受績效記錄長度的偏差影響——更長的歷史機械地產生更大的MDD，使不同時期的比較產生誤導。MDD無法區分緩慢陰跌和突然暴跌。它不提供頻率或機率資訊。30年中經歷一次30%回撤的策略可能遠比10年中經歷三次25%回撤的策略安全，但僅看MDD會偏向後者。最後，回測的最大回撤由於執行滑價、流動性限制和模型過度擬合，幾乎總是低估實盤交易的回撤。
實證基礎
支持最大回撤作為關鍵風險指標的證據來自理論分析和數十年市場數據的廣泛實證觀察。Magdon-Ismail和Atiya（2004）推導了帶漂移布朗運動期望最大回撤的閉式近似。Grossman和Zhou（1993）分析了回撤約束下的最優組合策略。Barberis和Huang（2008）證明損失厭惡對資產定價有可測量的影響。Frazzini（2006）記錄了共同基金資金流對回撤的反應比對波動率指標更強。截至2025年，最大回撤被普遍接受為波動率風險指標的必要補充。