3、风险指标详解：最大回撤、波动率、下行波动率、VaR（在险价值）、CVaR（条件在险价值）
风险指标这东西，说白了就是量化策略的「体检报告」。你策略赚了多少固然重要，但怎么亏的、亏得有多惨，才是决定你能不能在这个市场活下去的关键。我个人习惯，看一个策略先不看收益，先扫一眼最大回撤和VaR——这两个要是不过关，收益再漂亮我也不敢实盘。
3.1 最大回撤（Max Drawdown）
最大回撤，是所有风险指标里最直观、最扎心的一个。它衡量的是：从历史高点跌到最低点，你最多亏了多少。
公式其实很简单：
Max Drawdown = max( (Peak - Trough) / Peak )嗯，这里要注意：回撤不是从起点算的，是从每一个局部高点往下算。我见过不少新手把「从最高点到最低点的跌幅」当成最大回撤，其实不对——你得看每个波峰到波谷的跌幅，取最大值。
核心要点：
- 最大回撤是历史数据，不代表未来一定会发生，但它是策略风控的底线
- 回撤修复时间也很重要——跌了50%需要涨100%才能回来
- 我个人习惯，实盘策略的最大回撤控制在20%以内，超过这个数晚上睡不着
避坑指南：
我曾经见过一个策略，回测最大回撤只有8%，但实盘一个月就亏了15%。为什么？因为回测时用的是日线数据，忽略了盘中波动。后来我改成用1小时线甚至分钟线计算回撤，才真正看清了风险。
3.2 波动率（Volatility）
波动率，就是收益率的「震荡幅度」。你想想看，一个策略每天赚0.1%，另一个策略一天赚5%一天亏4%，虽然平均收益差不多，但后者你心脏受得了吗？
波动率通常用年化标准差来表示：
年化波动率 = 日收益率标准差 × √252为什么用252？因为一年大概有252个交易日。这个数字是行业惯例，别问为什么不是365，问就是周末不开盘。
我自己的经验：
- 年化波动率 < 10%：低波动策略，适合大资金
- 年化波动率 10%-25%：中等波动，CTA策略常见
- 年化波动率 > 25%：高波动，小心脏慎入
注意：波动率只衡量「波动大小」，不区分上涨还是下跌。一个天天涨5%的策略，波动率也很高，但没人会嫌它风险大。所以，光看波动率是不够的——这就引出了下行波动率。
3.3 下行波动率（Downside Deviation）
下行波动率，说白了就是「只算亏钱时候的波动」。它把上涨的波动视为「好波动」，不纳入风险计算。这个指标比普通波动率更贴近真实风险感受。
计算方式：
下行波动率 = sqrt( (1/N) × Σ min(0, R_t - R_target)² )其中R_target通常设为0，或者无风险利率。我个人习惯设成0，因为亏钱就是亏钱，别找借口。
举个例子：
| 日期 | 收益率 | 是否计入下行波动 |
|---|---|---|
| 第1天 | +2% | 否 |
| 第2天 | -1% | 是 |
| 第3天 | +3% | 否 |
| 第4天 | -2% | 是 |
你看，只有亏损的日子才参与计算。这样算出来的风险指标，更能反映你真正担心的东西——亏钱。
3.4 VaR（在险价值）
VaR，全称Value at Risk，翻译过来就是「在某个置信水平下，未来一段时间内可能的最大亏损」。比如95%置信水平的日VaR是2%，意思就是：有95%的概率，明天最多亏2%。
计算VaR有三种主流方法：
- 参数法（方差-协方差法）：假设收益率服从正态分布，直接用均值和标准差算。简单，但正态分布假设在金融数据里基本不成立。
- 历史模拟法：直接用过去N天的收益率排序，取第5%分位数。不依赖分布假设，但历史会重演吗？不一定。
- 蒙特卡洛模拟法：随机生成大量路径，模拟未来可能的价格走势。计算量大，但最灵活。
代码示例（历史模拟法）：
import numpy as np
def calculate_var(returns, confidence_level=0.95):
"""
计算历史模拟法VaR
"""
sorted_returns = np.sort(returns)
index = int((1 - confidence_level) * len(sorted_returns))
var = -sorted_returns[index]
return var
# 示例
daily_returns = np.random.normal(0.001, 0.02, 1000)
var_95 = calculate_var(daily_returns, 0.95)
print(f"95%置信水平日VaR: {var_95:.4f}")
我踩过的坑：
VaR有个致命缺陷——它只告诉你「最多亏多少」，但不告诉你「亏超过这个数的时候，平均会亏多少」。换句话说，VaR忽略了尾部风险。2008年金融危机时，很多银行的VaR模型显示风险可控，结果一夜之间就崩了。为什么？因为VaR没告诉你，那5%的极端情况里，亏损可能大到无法想象。
3.5 CVaR（条件在险价值）
CVaR，也叫Expected Shortfall（期望损失），就是专门来补VaR的窟窿的。它计算的是：当亏损超过VaR阈值时，这些亏损的平均值是多少。
公式：
CVaR = E[ Loss | Loss > VaR ]说白了，VaR告诉你「最坏情况的下限」，CVaR告诉你「最坏情况的平均水平」。我个人更看重CVaR，因为它真正抓住了尾部风险。
代码示例：
def calculate_cvar(returns, confidence_level=0.95):
"""
计算历史模拟法CVaR
"""
sorted_returns = np.sort(returns)
index = int((1 - confidence_level) * len(sorted_returns))
tail_returns = sorted_returns[:index]
cvar = -np.mean(tail_returns)
return cvar
cvar_95 = calculate_cvar(daily_returns, 0.95)
print(f"95%置信水平日CVaR: {cvar_95:.4f}")
实战建议：
我一般同时看VaR和CVaR。如果两者差距很大，说明尾部风险很重，策略需要加保护。比如一个策略VaR是2%，CVaR是8%，那意味着一旦亏起来，平均要亏8%——这种策略我是不敢重仓的。
3.6 风险指标关系图
下面这张图，帮你理清这几个指标的关系：
从这张图可以看得很清楚：最大回撤和波动率是「粗粒度」的风险度量，VaR和CVaR是「细粒度」的。我个人建议，做策略评估时至少看三个：最大回撤（底线）、波动率（日常波动）、CVaR（尾部风险）。三者结合，基本能覆盖大部分风险场景。
最后提醒一句：所有风险指标都是基于历史数据的。市场会变，风格会变，相关性也会变。我见过太多人死磕回测指标，结果实盘一塌糊涂。记住：风险指标是工具，不是真理。用它们来约束自己，而不是欺骗自己。
公众号:蓝海资料掘金营，微信deep3321