什么是最大回撤（Max Drawdown）

最大回撤（Max Drawdown，MDD）衡量的是一段时间内，投资组合或资产从历史最高点下跌到历史最低点的最大幅度。换句话说，它回答了一个具体问题：如果你在最坏的时机买入、在最坏的时机卖出，你的损失有多大？

这个指标和波动率（Volatility）有本质区别。标准差衡量收益率的离散程度，对上涨和下跌同等"惩罚"；而 MDD 只关注下行风险，精确描述了"你最多能亏多少"。对于厌恶损失的投资者，MDD 提供的信息比标准差更直接。[1]

Damodaran 在《投资估值》中指出，传统的均值-方差框架假设投资者对称对待收益和损失，但行为金融学早已证明损失带来的心理冲击是等额收益的 2 倍左右。MDD 恰恰是从"最坏场景"出发的风险度量工具。[2]

核心公式

MDD 的计算公式如下：

MDD = （波谷价值 − 波峰价值）/ 波峰价值 × 100%

举一个简化示例：某基金净值从 100 元涨到 150 元（波峰），随后跌至 90 元（波谷）。

MDD = （90 − 150）/ 150 × 100% = −40%

注意三个细节：

  • 波峰和波谷必须按时间顺序出现（波峰在前，波谷在后），不能倒算
  • MDD 是一段观测期内的"最大"值，需要扫描所有可能的峰谷组合取最大值
  • 结果始终为负数或零；值越接近 0，历史回撤越小

在实践中，数据库通常以每日收盘价计算，持有时间越长、数据点越多，统计到的 MDD 往往越大。[3]

真实案例：两次历史性回撤

标普 500 在 2008 年金融危机

2007 年 10 月 9 日，标普 500 指数收于 1565.15 点，创下当时历史高点。此后随着次贷危机蔓延，指数持续下行，直至 2009 年 3 月 9 日触及 676.53 点的阶段低点。

MDD = （676.53 − 1565.15）/ 1565.15 × 100% ≈ −56.8%

这意味着，如果一名投资者在 2007 年 10 月顶部买入标普 500 ETF，到 2009 年 3 月底，账面价值已蒸发超过一半。从峰值到谷底历时约 17 个月；此后完整恢复到前期高点，耗时约 4 年。[1]

此次回撤揭示了一个常被忽视的规律：亏损和回本在数学上不对称。亏损 50% 意味着需要盈利 100% 才能回本，而不是 50%。这也是为什么风险管理中"控制最大亏损"优先级往往高于"追求最大收益"。

比特币 2021—2022 年周期

2021 年 11 月 10 日，比特币价格升至约 69,000 美元的历史高点。随后在加息预期、LUNA 崩盘（2022 年 5 月）和 FTX 暴雷（2022 年 11 月）三重冲击下，价格在 2022 年 11 月跌至约 15,500 美元。

MDD = （15,500 − 69,000）/ 69,000 × 100% ≈ −77%

相比传统市场，加密资产的 MDD 历史记录更为极端：比特币在 2017—2018 年周期的 MDD 超过 −83%，以太坊在同期超过 −94%。高波动资产的 MDD 本身也具有更高的波动性，这意味着以近期 MDD 外推未来风险存在显著的低估风险。[4]

资产 / 事件 峰值时间 谷值时间 最大回撤 恢复周期
标普 500（2008 金融危机） 2007-10 2009-03 −56.8% 约 4 年
纳斯达克（2000 互联网泡沫） 2000-03 2002-10 −78.4% 约 15 年
比特币（2021—2022 周期） 2021-11 2022-11 −77.5% 约 2 年
黄金（1980—2000） 1980-01 1999-07 −65.6% 约 28 年

MDD 如何用于评估基金与策略

机构投资者在尽职调查中，通常将 MDD 与夏普比率（Sharpe Ratio）并列为核心评估指标。两者的分工如下：

  • 夏普比率：衡量每单位总体波动获取的超额收益，是"效率"的度量
  • 最大回撤：衡量历史最坏亏损场景，是"韧性"的度量

CFA Institute 的《投资组合管理》教材指出，高夏普比率配合高 MDD 的策略，往往依赖杠杆或集中持仓，在尾部风险实现时可能造成不可逆损失；而低夏普比率但 MDD 可控的策略，投资者心理承受度更高，实际持有周期更长。[3]

由此衍生出 Calmar 比率（Calmar Ratio）这一更直接的指标：

Calmar 比率 = 年化收益率 / |最大回撤|

例如，某对冲基金年化收益 12%，三年内 MDD 为 −20%：Calmar = 12% / 20% = 0.6。

通常，Calmar 比率 > 1.0 视为较优；> 3.0 为优秀。Warren Buffett 掌舵的伯克希尔·哈撒韦，在 1965—2023 年间的 MDD 约为 −48.5%（发生于 2008—2009 年），年化复合收益约 19.8%，对应 Calmar 比率约 0.41。这个数字看起来不高，但胜在极度持久——时间足够长时，持有期内的最大回撤会随净值长期上涨而相对收窄。[2]

三个常见误区

误区一：MDD 等同于 VaR

在险价值（Value at Risk，VaR）和 MDD 经常被混用，但两者度量维度不同：

  • VaR：在给定置信水平（如 95%）下，某一持有期内最大可能损失的统计估计值，是前瞻性的概率指标
  • MDD：历史时间序列中实际发生的最大亏损，是后验性的事实记录

两者的互补关系：VaR 告诉你在正常市场环境下风险有多大；MDD 告诉你历史上最坏情形发生过什么。监管框架通常要求同时披露两个指标，而非择一。

误区二：MDD 可以预测未来

历史 MDD 是向后看的统计结果，不具备预测力。过去 3 年 MDD 仅 −10% 的策略，并不意味着未来 MDD 也在 −10% 以内。市场结构变化、流动性环境切换或杠杆水平提升都可能使未来回撤大幅超过历史均值。

这一点在 COVID-19 冲击（2020 年 2 月—3 月，标普 500 在 33 天内下跌 −34%）中得到了清晰的演示——此前多年的历史 MDD 数据完全无法预判这一速度和深度。

误区三：MDD 越小越好

极低 MDD 往往以牺牲长期收益为代价。银行活期存款的 MDD 接近 0，但扣除通胀后实际购买力持续下降。评估 MDD 时，必须放在同期收益率和通胀环境中权衡，Calmar 比率是更合理的综合指标。

指标局限性：什么时候 MDD 会失效

MDD 在以下几种场景中提供的信息价值有限甚至误导：

极端尾部风险（Fat Tail Risk）。MDD 基于历史数据，但市场的极端事件（"黑天鹅"）本质上是超出历史样本范围的事件。纳西姆·塔勒布在《黑天鹅》中指出，金融收益率分布呈现厚尾特征，基于正态假设的风险度量（包括从历史 MDD 外推未来）会系统性低估极端损失的概率。

非线性工具（期权、杠杆 ETF）。含有期权成分的策略，其最大损失可以超过初始本金，或者在特定路径依赖下出现"回报侵蚀"现象，这都无法被简单的 MDD 统计捕捉。

时间窗口选择偏差。如果样本期恰好不包含任何重大熊市（例如 2012—2021 年的牛市期间），历史 MDD 会严重低估真实风险。选择包含完整市场周期（至少 10 年、涵盖一次衰退）的数据集，是使用 MDD 的基本前提。[5]

流动性断裂场景。2008 年和 2020 年的特殊之处在于，不仅价格下跌，流动性也同步枯竭，导致实际执行价格远差于理论最低价。MDD 基于收盘价计算，无法反映实际清仓时的滑点和冲击成本。

FAQ

最大回撤和亏损率有什么区别？

亏损率是你个人持仓相对于买入成本的损益，取决于你实际的建仓时间和价格。最大回撤是资产本身在历史上从峰值到谷值的最大降幅，与个人建仓时点无关。同一只基金，不同时间买入的投资者实际亏损率可能差异巨大，但历史 MDD 是客观统计数据，对所有人相同。

Calmar 比率越高，基金就越好吗？

Calmar 比率反映的是"单位回撤换取的年化收益"，是衡量风险调整后回报的实用工具，但不是唯一标准。需要注意计算 MDD 所用的时间窗口：3 年 Calmar 很高的基金，如果没经历过完整熊市周期，数据可信度有限。建议配合夏普比率、最大回撤发生的宏观背景一起分析。

个人投资者应该用多长时间窗口计算 MDD？

建议至少覆盖一个完整的市场周期，通常为 10 年以上，并且必须包含至少一次显著熊市。对于加密资产，由于市场历史较短，至少应涵盖 2018 年和 2022 年两次大熊市数据才有统计参考价值。时间窗口越短，MDD 往往被低估越多。

回测中 MDD 很小，实盘中为什么会更大？

常见原因有三：一是回测用历史数据"未来函数"导致过拟合；二是实盘存在滑点、手续费和流动性冲击；三是回测时间窗口恰好避开了极端市场环境。这也是量化策略评估中"样本外测试"不可省略的原因。

MDD 恢复期越长，说明策略越差吗？

恢复期（Drawdown Duration）是 MDD 的重要补充指标，指从谷底回升到前期高点所需的时间。恢复期过长可能侵蚀实际年化收益，投资者也难以长期持有。但恢复期长短受市场环境影响极大——2000 年互联网泡沫后纳斯达克恢复期长达 15 年，这更多反映的是泡沫估值的修正，而非策略本身的缺陷。评估时需结合同期基准收益一起判断。

参考资料

  1. Investopedia. "Maximum Drawdown (MDD) Defined, With Formula for Calculation." Investopedia. https://www.investopedia.com/terms/m/maximum-drawdown-mdd.asp
  2. Damodaran, Aswath. "Risk Measures." Damodaran Online. New York University Stern School of Business. https://pages.stern.nyu.edu/~adamodar/
  3. CFA Institute. "Portfolio Risk and Return: Part I." CFA Program Curriculum, Level I. https://www.cfainstitute.org
  4. CoinMarketCap. "Bitcoin Historical Data." https://coinmarketcap.com/currencies/bitcoin/historical-data/
  5. Taleb, Nassim Nicholas. The Black Swan: The Impact of the Highly Improbable. Random House, 2007.

站内延伸阅读

如果要把这篇文章放回 m8 的研究框架，可以继续沿着以下入口阅读：

常见问题

这篇文章属于 m8 的哪个研究入口？

这篇文章归入 投资框架 主线，建议先从 投资科普栏目 进入，再结合研究目录里的相邻专题一起看。

读完这篇后，下一步应该看什么？

优先继续看 投资科普文章列表、投资框架中心、研究方法。这些入口能把单篇内容放回市场、行业和方法论框架里。

后续最需要跟踪哪些变量？

后续重点跟踪：定义是否清楚、指标适用边界、公司案例是否可验证，以及这个框架在哪些市场环境下会失效。

这篇内容可以直接当作投资建议吗？

不可以。m8 的文章用于整理公开信息、研究框架和风险变量，不构成个股买卖建议，也不替代个人的仓位管理和风险评估。

m8 会如何更新这类主题？

如果后续出现财报、政策、订单、资金流或估值假设的关键变化，m8 会在对应栏目和专题页继续补充更新，并通过内链把新旧文章串起来。