最大回撤的常见错误有哪些？

在解读前先正确定义最大回撤

一个常见错误是将最大回撤（常缩写为 MDD）视为“单笔交易中你亏损多少”的直接描述，或认为它与波动率一样衡量风险。简单来说，最大回撤是在选定时间段内，观察到的价值从最高点到最低点的最大跌幅。它取决于所使用的数据序列（例如账户权益曲线）以及时间窗口的选择。

混淆机制：峰谷测量与数据序列

最大回撤在计算上是机械的，但读者常常在未察觉的情况下更改输入条件：

• 使用不同的“价值”序列（如权益 vs. 余额，或收益而非累计价值）会改变结果。
• 对“峰值”的定义不同（初始值、观测到的最高值，或基准峰值）会影响峰谷跨度。
• 在平滑曲线上而非原始序列上测量回撤，可能低估或高估最严重的下跌。

一个中性检查方法是重新表述计算逻辑：识别每个日期之前的历史最高值，然后测量当前值相对于该峰值的下跌幅度，并在整个周期中取最大跌幅。

混淆稳定定义与可变条件

另一个常见错误是假设回撤数值在不同条件下表现一致。MDD 的定义是稳定的，但结果是可变的：成本、执行质量、流动性以及策略行为都会影响权益路径的形态。如果历史周期与未来周期的这些条件不同，历史回撤就不能可靠地代表未来回撤。

这也是基准比较中误解频发的地方。在未保持设置一致（相同周期、相同价值基础、可比现金流）的情况下，将一个序列的 MDD 与另一个比较，可能导致对相对风险的错误结论。

示例陷阱：悄然改变结果的假设

当人们分享一个“示例”MDD 时，有时会省略关键假设。要独立验证任何示例，请询问以下内容：

• 起始值和计量单位（账户价值、权益或指数水平）。
• 精确的观测频率（每日、每周或不规则时间戳）。
• 现金流如何处理（若未调整，存款/取款可能扭曲权益曲线）。

即使两人在相同的整体图表上计算 MDD，对这些项目的不同假设也可能导致不同的峰值和谷值日期。

关键局限性与失效模式

至少一个关键局限是测量失效：你可能从序列中正确计算了 MDD，但仍可能误解其对现实风险的意义。

常见失效模式包括：

• 现金流影响：存款或取款可能产生并不单纯反映绩效的峰谷。
• 时间窗口依赖性：某一周期内的 MDD 可能较小，但更长窗口可能揭示更深的回撤。
• 不可比序列：未调整规模和操作差异，将账户级数值与工具级表现混合。

这些局限性并不否定 MDD 的价值；它们恰恰说明为何该数值必须与明确说明的输入条件挂钩。

中性验证与下一步应问的问题

要检查你是否正确使用最大回撤，请验证“输入契约”：价值序列、时间窗口、观测频率以及任何现金流处理方式。然后根据已记录的数据重新执行峰谷逻辑计算。

一个有用的后续问题是：“该计算对权益序列、时间戳和现金流做了哪些假设？” 如果答案不明确，则应将报告的 MDD 视为不完整，而非最终的风险衡量指标。