Apa Saja Keterbatasan Maximum Drawdown?

Jawaban langsung

Maximum drawdown adalah statistik sederhana: ini merangkum penurunan persentase terbesar dari puncak sebelumnya ke titik terendah berikutnya dalam jendela pengukuran tertentu. Keterbatasannya berasal dari penyederhanaan itu. Angka tersebut dapat berubah tergantung pada bagaimana Anda mendefinisikan jendela dan return, dan sering kali menyembunyikan detail waktu yang penting untuk pengambilan keputusan di bawah ketidakpastian nyata.

Mekanisme dan definisi (apa yang diukurnya)

Maximum drawdown biasanya didefinisikan dari kurva ekuitas (nilai akun dari waktu ke waktu). Secara konseptual:

1. Identifikasi nilai ekuitas tertinggi (“puncak”) sebelum titik terendah berikutnya.
2. Hitung penurunan persentase dari puncak tersebut ke ekuitas terendah berikutnya (“titik terendah”).
3. Ambil penurunan paling negatif tersebut di seluruh jendela.

Ini bekerja dengan baik ketika Anda memiliki seri ekuitas yang konsisten dan diukur dengan benar, dan ketika pengukuran menggunakan unit dan aturan akuntansi yang sama di seluruh periode (misalnya: apakah ekuitas mencakup biaya dan spread, dan bagaimana hari perdagangan yang hilang atau celah pelaporan ditangani). Jika salah satu mekanisme tersebut berubah, maximum drawdown yang dihasilkan dapat berubah bahkan jika perilaku perdagangan yang mendasarinya tidak berubah.

Bukti atau contoh (mengapa strategi yang sama dapat menunjukkan drawdown yang berbeda)

Pertimbangkan kurva ekuitas hipotetis dengan dua fase kerugian. Dalam satu kasus, penurunan terjadi perlahan dengan pemulihan parsial sebelum titik terendah akhir; dalam kasus lain, penurunan terjadi cepat dan pulih kemudian. Keduanya dapat menghasilkan persentase puncak-ke-titik terendah yang sama, sehingga maximum drawdown akan cocok, namun pengalaman yang dialami berbeda: drawdown yang cepat dapat menekan batas risiko lebih awal, bahkan jika ukuran puncak-ke-titik terendah akhirnya identik.

Sekarang ubah input perhitungan. Jika Anda mengukur drawdown dari return kotor (sebelum biaya) versus return bersih (setelah biaya, komisi, dan pembiayaan), maximum drawdown dapat berbeda karena biaya mengurangi ekuitas. Demikian pula, menggunakan tanggal mulai/akhir yang berbeda dapat membuat atau menghilangkan puncak dan titik terendah. Tanpa menyatakan asumsi ini, angka tersebut tidak sepenuhnya dapat dibandingkan antar studi atau penyedia.

Keterbatasan dan risiko (mode kegagalan dan ketidakpastian)

Keterbatasan utamanya adalah:

1. Ketergantungan pada pilihan pengukuran: maximum drawdown sensitif terhadap jendela evaluasi yang dipilih, ekuitas awal, dan bagaimana kurva ekuitas dibangun (termasuk frekuensi pelaporan dan penanganan celah). Dua perhitungan pada perilaku dasar yang sama dapat berbeda.

2. Jalur kerugian dipadatkan menjadi satu nilai: statistik ini menunjukkan besarnya penurunan terbesar tetapi bukan urutan pemulihan antara atau kecepatan penurunan. Ini dapat menjadi penting karena eksposur risiko sering kali bergantung pada waktu.

3. Efek akuntansi dan biaya: dalam praktiknya, hasil nyata bergantung pada biaya transaksi, perbedaan harga bid/ask, selip (slippage), dan friksi eksekusi lainnya. Karena maximum drawdown dihitung dari ekuitas yang diukur, ketidakcocokan antara asumsi model/bersih dan eksekusi yang diamati dapat mengubah hasilnya.

4. Tidak dapat ditransfer ke masa depan: maximum drawdown historis tidak menetapkan pola yang dapat diandalkan untuk drawdown di masa depan. Regime pasar, penggunaan leverage, perilaku di bawah tekanan, dan kondisi struktural dapat berubah, memutus hubungan historis.

Verifikasi atau pertanyaan lanjutan

Untuk memverifikasi secara independen klaim maximum drawdown, periksa setidaknya hal-hal berikut: definisi persis yang digunakan (puncak-ke-titik terendah pada kurva ekuitas), batas jendela pengukuran, apakah angka didasarkan pada return bersih atau kotor, dan bagaimana biaya/biaya dan data yang hilang diperlakukan. Pertanyaan lanjutan yang berguna adalah berapa banyak skenario drawdown berbeda yang dapat menghasilkan maximum drawdown yang sama, karena itu mengungkapkan seberapa banyak “informasi” yang ditinggalkan oleh satu angka tersebut.