DataWhale—量化金融（task8 最大回撤和仓位管理）

说实话，写这一章之前，我一直觉得量化金融就是"找规律、写策略、自动赚钱"。但当我真正把数据拉下来，看到那条从山顶一路跌到半山腰的曲线时，我才意识到------策略赚不赚钱是一回事，你能不能拿得住是另一回事。就像你写了一个很牛的算法，但线上挂了三天你都不敢部署，那再好的算法也是白搭。

一、今年以来兆易创新的最大回撤

1.1 数据概览

先用 AkShare 把数据拉下来：

python 复制代码

import akshare as ak

df = ak.stock_zh_a_hist(
    symbol="603986", 
    period="daily", 
    start_date="20260101", 
    end_date="20260726", 
    adjust="qfq"   # 前复权，消除分红送股影响
)

拿到 134 个交易日 的数据。兆易创新今年从 235 元附近起步，最高冲到 846.66 元 ，然后最近跌回 457 元 。这走势，用我们程序员的话说就是------指数级增长之后接了段指数级回调。

1.2 最大回撤计算

最大回撤的公式很简单，但背后的含义很扎心：

对买入持有策略（首日净值归一化为 1）跑一遍：

表格

指标	数值
峰值日期	2026-06-29
峰值净值	3.5693
谷值日期	2026-07-20
谷值净值	1.8369
最大回撤	-48.54%
回撤持续天数	21 天

如果你在 6 月 29 日最高点买了 100 万，到 7 月 20 日只剩 51.5 万，三周亏掉将近一半。

二、水下曲线------ 回撤的可视化

2.1 什么是水下曲线

水下曲线就是把每一天的回撤画出来，0 轴以上表示"还在水面上"（没亏），0 轴以下表示"在水下"（亏了）。整个曲线始终 ≤ 0，最深的那一点就是最大回撤。

我画出来一看，好家伙------今年以来几乎有一半的时间都在水下 。最深的地方直接扎到了 -48.54%，而且截至最新数据（7 月 24 日），还在水下 45.6% 的位置，远没爬出来。

2.2 回撤信息

-15% 的线被反复击穿：如果你只能承受 -15% 的回撤，那今年以来你至少会被迫止损三次。
6 月底到 7 月的这波下杀极其陡峭：21 天从山顶到半山腰，斜率堪比瀑布。
水下曲线越宽，说明恢复时间越长：目前这个"水坑"又深又宽，短期内看不到上岸的希望。

💡 我的理解：水下曲线就像系统的内存泄漏图。平时小波动是正常 GC，但一旦出现深 V 且长时间不恢复，说明系统有结构性问题------要么策略失效，要么仓位太重扛不住波动。

三、仓位管理：同样的策略，不同的结果

3.1 双均线策略（MA5/MA20）

策略逻辑很简单，跟写个 if-else 差不多：

python 复制代码

# 短均线上穿长均线 → 满仓做多
# 短均线下穿长均线 → 空仓观望
signal = 1 if ma5 > ma20 else 0
position = signal * 仓位比例  # 1.0=满仓, 0.5=半仓

我分别跑了 满仓（100%） 和 半仓（50%） 两种情况，同时用买入持有作为基准。

3.2 三条净值曲线对比

策略	总收益率	最大回撤	年化波动率	夏普比率
买入持有	+45.35%	-48.54%	83.97%	1.40
双均线满仓	+53.57%	-29.97%	66.04%	2.13
双均线半仓	+27.08%	-16.15%	33.02%	2.13

对照三个问题读图：

谁涨得最高？（最终收益）

双均线满仓（53.57%）> 买入持有（45.35%）> 双均线半仓（27.08%）。

这很好理解------满仓吃到了最多的上涨。但注意，半仓虽然只有一半收益，夏普比率却和满仓一样，说明它用更小的波动换来了同等的单位风险收益。

谁跌得最惨？（最大回撤）

买入持有（-48.54%）>> 双均线满仓（-29.97%）> 双均线半仓（-16.15%）。

买入持有直接腰斩，双均线策略因为有止损机制，躲掉了部分下跌。半仓更是把回撤砍到了 -16%，不到买入持有的三分之一。

曲线是否更「平滑」？

半仓的绿色曲线像一条缓坡，满仓的红色曲线像过山车，买入持有的灰色曲线像跳楼机。半仓的波动率只有满仓的一半，持有体验好太多了。

3.3 我的思考

作为一个写过后端高并发系统的人，我把仓位管理类比成了流量削峰：

满仓 = 系统直接扛全部流量，峰值高但容易被打挂；
半仓 = 加了限流和熔断，峰值低了但稳定性强；
买入持有 = 完全不做限流，靠硬件硬扛，扛不住就宕机。

量化交易里，"宕机"的意思就是心态崩了割肉，或者被迫平仓。半仓虽然赚得少，但它让你能睡个好觉，而睡个好觉在长期投资里值多少钱？无法估量。

四、作业：换参数 MA10/30，满仓 vs 30% 仓位

4.1 实验设计

把均线参数从 MA5/20 改成 MA10/30（周期更长，信号更少，更"迟钝"），然后对比：

策略	总收益率	最大回撤	年化波动率	夏普比率
MA10/30 满仓	+50.50%	-38.74%	72.91%	1.58
MA10/30 30%仓位	+15.63%	-13.11%	21.87%	1.58
买入持有	+45.35%	-48.54%	83.97%	1.40

4.2 观察结论

参数变了，半仓（30%仓位）是否仍然明显「减坑」？

答案是：非常明显，而且效果更好了。

MA10/30 满仓的回撤是 -38.74%，比 MA5/20 满仓的 -29.97% 还要大。这说明参数变迟钝后，策略反应慢了，躲下跌的能力反而下降了。
但 30% 仓位的回撤只有 -13.11% ，稳稳地守住了 -15% 的承受线。
夏普比率满仓和 30% 仓位一样（1.58），再次验证了降低仓位不改变单位风险收益，只改变绝对波动。

这就像是把系统的并发度从 100% 降到 30%。虽然总吞吐量（总收益）下降了，但系统的 P99 延迟（最大回撤）和错误率（爆仓风险）大幅改善。对于不能承受高抖动的业务（比如你的心态），这是必须的 trade-off。

五、算恢复时间：多久能爬出坑？

5.1 计算方法

找到最大回撤发生的日期，然后看之后 60 个交易日内，净值能不能回到前高。用代码说就是：

python 复制代码

# 找到最大回撤的谷值索引
max_dd_idx = drawdown.idxmin()
peak_value = running_peak[max_dd_idx]

# 检查之后60个交易日
for i in range(1, 61):
    if equity[max_dd_idx + i] >= peak_value:
        recovery_days = i
        break

5.2 结果

策略	最大回撤日	前高净值	截至最新	是否恢复	距离前高
买入持有	2026-07-20	3.5693	1.9419	❌ 未恢复	还差 45.6%
MA5/20 满仓	2026-03-23	1.9443	1.5357	❌ 未恢复	还差 21.0%
MA5/20 半仓	2026-03-23	1.4246	1.2708	❌ 未恢复	还差 10.8%

残酷的现实 ：截至最新数据（7 月 24 日），没有任何一个策略在 60 个交易日内恢复到前高。

买入持有最惨，最大回撤发生在 7 月 20 日，距今只有 4 个交易日，净值还在谷底附近徘徊。
双均线策略的最大回撤发生在 3 月 23 日，距今已经 84 个交易日，满仓还差 21%，半仓还差 10.8%。

5.3 从水下曲线宽度看恢复

水下曲线越宽，说明"在水下的时间"越长。买入持有的水下曲线在 7 月之后形成了一个巨大的深坑，宽度目测要 几个月甚至半年以上 才能填平。而半仓的水下曲线虽然也有坑，但深度和宽度都小得多，理论上恢复会更快。

写代码的时候，我们总说"快速失败、快速恢复"（Fail Fast, Recover Fast）。但在金融市场，失败可以很快，恢复却可能很慢。最大回撤不只是数字，它代表的是你需要用多长时间、多少涨幅才能回到原点。而时间，本身就是成本。

六、思考题：如果只能承受 -15% 回撤

6.1 本章实验里哪种仓位更合适？

策略	最大回撤	是否在 -15% 以内？
买入持有	-48.54%	❌ 严重超标
MA5/20 满仓	-29.97%	❌ 超标
MA5/20 半仓	-16.15%	❌ 略超
MA10/30 满仓	-38.74%	❌ 严重超标
MA10/30 30%仓位	-13.11%	✅ 符合

结论：在本章实验的所有组合中，只有 MA10/30 的 30% 仓位能把回撤控制在 -15% 以内。

6.2 若都不合适，你会怎么调整？

如果 MA5/20 半仓的 -16.15% 还是让你睡不着觉，我有两个调整方向：

方向一：继续降仓位

从半仓降到 30% 甚至 20%。根据实验结果，30% 仓位的回撤已经降到了 -13%（MA10/30）或更低。理论上，仓位和回撤近似线性关系------半仓的回撤大约是满仓的一半，所以降到 30% 应该能稳稳守住 -15%。

代价是收益也同比例下降。但记住：活着才有输出，爆仓了连输出的机会都没有。

方向二：换策略

如果降仓位导致收益低到无法接受，可以考虑：

加止损线：比如固定 -10% 强制平仓，不让回撤扩大到 -15% 以上。
多因子策略：不只看均线，加入波动率过滤（比如 VIX 太高就降仓）、趋势强度确认等。
分散标的：不把鸡蛋放一个篮子里。兆易创新是半导体龙头，波动天然大。如果组合里加入低波动的标的（比如红利股、债券），整体回撤会平滑很多。
择时+择仓结合：趋势强的时候满仓，趋势弱的时候自动降到 30%，而不是固定仓位。

如果是我，我会先降仓位到 30%，同时优化策略加入波动率过滤。就像做系统架构，先保证服务不挂（降仓位），再逐步优化性能（换策略）。你不能在一个随时会 OOM 的系统上谈性能优化。

七、本章小结

7.1 从代码视角理解回撤

最大回撤就是投资组合的 P99 错误率------它告诉你最坏情况下系统会崩成什么样。而仓位管理，就是限流和熔断。

满仓 = 不做限流，赌的就是不出峰值流量；
半仓 = 加了 Rate Limiter，峰值来了能扛住；
动态仓位 = 自适应限流，根据系统负载自动调节。

7.2 夏普比率的启示

本章最反直觉的发现是：满仓和半仓的夏普比率居然一样（MA5/20 都是 2.13，MA10/30 都是 1.58）。

这说明什么？说明降低仓位并没有降低"单位风险带来的收益"，它只是把收益的绝对值和风险的绝对值同比例缩小了。就像你把一个系统的 QPS 和延迟同时除以 2，用户体验（夏普比率）不变，但服务器压力（心态压力）小了一半。

7.3 量化金融的本质

以前我觉得量化是用数学和代码"战胜市场"。现在我觉得，量化更像是在市场的不确定性中，用系统和纪律保护自己的人性弱点。

最大回撤让你知道"最坏情况"，避免盲目乐观；
仓位管理让你"即使最坏情况发生，也能活下来"；
回测让你"在历史数据上先死一遍"，避免真金白银去交学费。

就像做单元测试------不是为了让代码不出 bug，而是为了在 bug 出现的时候，知道它会怎么炸、炸多严重、怎么兜底。

7.4 给同样初学者的建议

不要只看收益率，回撤和波动率才是决定你能不能拿住的关键；
仓位是你唯一能 100% 控制的东西，标的选择和入场时机都有运气成分，但仓位是你鼠标一点就能决定的；
夏普比率比收益率更重要，因为它衡量的是"睡得着觉的程度"；
回测是历史，不是未来，但历史能帮你建立对"最坏情况"的体感；
永远给自己留后路，满仓梭哈不是勇气，是赌博

附图：

DataWhale—量化金融（task8 最大回撤 和 仓位管理）

一、今年以来兆易创新的最大回撤

1.1 数据概览

1.2 最大回撤计算

二、水下曲线------ 回撤的可视化

2.1 什么是水下曲线

2.2 回撤信息

三、仓位管理：同样的策略，不同的结果

3.1 双均线策略（MA5/MA20）

3.2 三条净值曲线对比

对照三个问题读图：

3.3 我的思考

四、作业：换参数 MA10/30，满仓 vs 30% 仓位

4.1 实验设计

4.2 观察结论

五、算恢复时间：多久能爬出坑？

5.1 计算方法

5.2 结果

5.3 从水下曲线宽度看恢复

六、思考题：如果只能承受 -15% 回撤

6.1 本章实验里哪种仓位更合适？

6.2 若都不合适，你会怎么调整？

七、本章小结

7.1 从代码视角理解回撤

7.2 夏普比率的启示

7.3 量化金融的本质

7.4 给同样初学者的建议

DataWhale—量化金融（task8 最大回撤和仓位管理）