如何验证最大回撤信息？
可先验证的定义
最大回撤（Maximum Drawdown, MDD）是指在指定测量期间内，从历史最高点到后续最低点的最大观察跌幅。要验证有关MDD的信息，首先应确认该来源中“峰值”、“谷值”和“最大”的具体含义。
使定义可验证的一种实用方法是要求明确以下三项内容：
- 输入序列：所使用的时序数据（例如，账户权益、净资产价值，或从收益率计算得出的数值）。
- 测量窗口：起止日期（或K线数量）。
- 回撤规则：回撤是以百分比还是绝对金额计算，以及算法如何确定每个谷值前的峰值。
如果某个来源遗漏了其中任何一项，则其声明无法独立复现。
机制：在明确假设下应如何计算
要验证MDD，需在相同的底层序列上使用相同的逐步方法。一种常见的可复现方法是：
- 选择一个测量窗口和起始索引。假设：所选窗口与来源报告的周期一致。
- 构建序列值 V(t)（例如，t时刻的权益）。假设：V(t) 已包含相关成本，并且计算方式一致。
- 计算运行峰值：P(t) = max{V(τ) for τ ≤ t}。
- 计算每个时间点的回撤：DD(t) = V(t)/P(t) − 1（百分比形式）。若为绝对形式，则使用 V(t) − P(t)。
- 该窗口内的最大回撤为最小回撤值：MDD = min{DD(t) over t in window}。
因此，验证的重点不在于信任发布的数字，而在于检查相同算法应用于相同序列时是否得出相同结果（允许四舍五入误差）。
证据与可复现实例（含失败检查）
一个便于验证的示例使用虚构的小型序列，以便复现逻辑：
- 假设五个时间点的 V(t) 为：100, 110, 105, 120, 90。
- 运行峰值：100, 110, 110, 120, 120。
- 回撤 DD(t) = V/P − 1：0, −0.00, −0.0455…, 0, −0.25。
- MDD 为最小值：−0.25（该窗口内从峰值到谷值的25%跌幅）。
如果真实来源报告了不同数值，最可能的原因包括：
- 不同输入序列：基于收益率推导的“权益曲线”与实际报告的权益。
- 不同窗口：包含/排除预热期会影响峰值。
- 不同四舍五入方式：百分比格式可能掩盖微小差异。
重要局限性：即使MDD计算正确，不同的重采样选择（如日线 vs 分时、收盘价 vs 盘中最低价）也可能改变最大谷值，从而影响报告的MDD。
在信任数据前需了解的局限性与风险
- 方法不匹配：来源可能使用不同的序列、起始日期或回撤定义（绝对值 vs 百分比），导致无法直接验证。
- 成本核算不完整：如果来源使用的序列未包含手续费、融资成本或点差，则回撤数据可能与净成本视角不符。
- 数据粒度风险：若未包含盘中低点，则可能遗漏真实谷值，导致低估MDD。
- 对未来无指导意义：最大回撤仅描述特定窗口内的历史表现。历史关系不能保证未来结果。
验证清单与下一步问题
使用简短清单独立验证MDD信息：
- 确认确切输入序列，并判断其是权益/净值还是衍生数据。
- 确认测量周期（起止时间）与来源一致。
- 确认回撤公式（百分比 vs 绝对值）及四舍五入惯例。
- 使用运行峰值法重新计算，并检查峰值到谷值路径是否匹配。
验证时需解决的下一个问题是：该来源是否明确说明了序列构建、测量窗口和回撤规则，足以复现相同的峰值和谷值位置？