📚 课程目录第3章最大回撤控制策略

3. 最大回撤控制策略

任务目标

设计并实现一个最大回撤控制规则：当组合净值从历史峰值回撤超过设定阈值时，自动降低仓位或暂停开仓，直到回撤恢复至安全区间。通过回测对比“无风控”与“有风控”两种策略的最终收益与最大回撤，验证风控规则的实际影响。

实现方案

使用Python实现一个简化但完整的回测框架。策略本身为固定比例仓位（如50%仓位买入沪深300指数），风控规则在每日收盘后检查组合净值回撤：若回撤超过阈值（如10%），则次日仓位降至原仓位的一半；若回撤继续扩大至硬性止损线（如15%），则次日完全空仓，直到净值创出新高后才恢复原仓位。为聚焦回撤控制逻辑，不考虑交易成本与滑点。

完整代码

import numpy as np
import pandas as pd

# ========== 参数设置 ==========
RISK_FREE = 0.0          # 无风险利率（简化）
INIT_CAPITAL = 1_000_000 # 初始资金
DRAWDOWN_SOFT = 0.10     # 软阈值：回撤超过10%减仓
DRAWDOWN_HARD = 0.15     # 硬阈值：回撤超过15%清仓
POSITION_BASE = 0.5      # 基础仓位比例
POSITION_REDUCED = 0.25  # 减仓后仓位比例

# ========== 生成模拟价格序列（可复现） ==========
np.random.seed(42)
n_days = 500
daily_ret = np.random.normal(0.0005, 0.012, n_days)
price = 100 * np.cumprod(1 + daily_ret)

# ========== 回测函数 ==========
def run_backtest(returns, use_risk_control=True):
    """returns: 资产日收益率序列; 返回策略净值序列"""
    equity = INIT_CAPITAL
    peak = INIT_CAPITAL
    position = POSITION_BASE
    nav_curve = []

    for r in returns:
        # 当日收益 = 仓位 * 资产收益率
        daily_pnl = equity * position * r
        equity += daily_pnl

        # 更新峰值与回撤
        peak = max(peak, equity)
        drawdown = (peak - equity) / peak

        # 次日仓位调整（基于今日收盘后状态）
        if use_risk_control:
            if drawdown >= DRAWDOWN_HARD:
                position = 0.0
            elif drawdown >= DRAWDOWN_SOFT:
                position = POSITION_REDUCED
            else:
                # 净值创新高时恢复基础仓位
                if equity >= peak * 0.9999:  # 浮点误差容忍
                    position = POSITION_BASE
        # 无风控时始终保持基础仓位
        nav_curve.append(equity)

    return np.array(nav_curve)

# ========== 运行对比 ==========
nav_no_risk = run_backtest(daily_ret, use_risk_control=False)
nav_with_risk = run_backtest(daily_ret, use_risk_control=True)

# ========== 计算绩效指标 ==========
def calc_metrics(nav):
    total_return = nav[-1] / INIT_CAPITAL - 1
    peak = np.maximum.accumulate(nav)
    max_dd = np.max((peak - nav) / peak)
    return total_return, max_dd

ret_no, dd_no = calc_metrics(nav_no_risk)
ret_with, dd_with = calc_metrics(nav_with_risk)

print(f"无风控:  总收益率 {ret_no:.2%}, 最大回撤 {dd_no:.2%}")
print(f"有风控:  总收益率 {ret_with:.2%}, 最大回撤 {dd_with:.2%}")
print(f"风控效果: 回撤降低 {(dd_no - dd_with) / dd_no:.1%}, 收益变化 {ret_with - ret_no:+.2%}")

运行方式

安装依赖：pip install numpy pandas
将上述代码保存为 drawdown_control.py，执行 python drawdown_control.py

验证方法与判定标准

程序输出两组绩效指标。判定风控策略有效的标准为：

最大回撤显著下降：有风控的最大回撤应明显低于无风控（通常降低30%以上）；
收益代价可控：有风控的总收益率不应大幅低于无风控（例如下降不超过5个百分点），或虽收益略降但回撤改善幅度更大；
逻辑自洽：观察净值曲线（可自行添加绘图代码），有风控的曲线在回撤期更平缓，且恢复创新高后仓位自动回到基础水平。

由于使用固定随机种子，两次运行结果完全一致，可直接对比。若修改阈值参数（如将软阈值调至5%），应观察到回撤进一步降低但收益也相应减少，这符合风控规则的设计预期。

关键说明

本案例使用模拟价格序列而非真实行情数据，目的是在完全可控的条件下验证风控逻辑的有效性。实际应用中，将 daily_ret 替换为真实资产收益率序列即可直接复用回测框架。仓位调整在每日收盘后计算、次日生效，符合程序化交易的常规执行方式。