回撤在险值 CDaR：把回撤分布的尾部写进优化目标

先说结论：方差惩罚所有偏离，最大回撤只看一个最坏点，两者都不是投资人真正在乎的东西。Chekhlov-Uryasev-Zabarankin（2005）的 CDaR（Conditional Drawdown-at-Risk）取中间路线：对回撤序列做 CVaR——CDaR₉₅ 就是”最差 5% 回撤日的平均深度”。它继承了 CVaR 的全部工程优点：凸、可以写成线性规划、优化时不用碰任何分布假设。我用三资产（股票/债券/趋势）两状态模拟实测：同一目标收益下，最小方差组合和最小 CDaR 组合的权重分道扬镳——趋势资产样本内年化 -1.6%，最小方差只给它 11%，最小 CDaR 给到 21%，几乎翻倍——因为它危机期年化收益 +75%，是全组合唯一的回撤对冲；代价是波动率反而更高（4.5% vs 4.1%）。CDaR 优化用更高的方差买更浅的回撤，这笔交易方差目标永远不会做。

这篇接在回撤主题的分数 Kelly 之后：那篇管”单资产给多少杠杆才不会疼死”，这篇管”多资产怎么配权重让回撤尾部最浅”。

四把尺子量同一条回撤#

先把度量对象定义清楚。给定组合的累计收益路径 $W_t$，回撤序列是：

$D_t = \max_{s \le t} W_s - W_t$

对这条序列，常见的四把尺子：

• 平均回撤 AvDD：$\frac{1}{T}\sum_t D_t$。太温和——大量接近零的日子把灾难稀释了。
• 回撤在险值 DaR_α：回撤序列的 α 分位数。和 VaR 一样的毛病：只看门槛，不管门槛后面有多深。
• 条件回撤在险值 CDaR_α：超过 DaR 门槛的那些回撤的平均值，即”最差 $(1-\alpha)$ 比例回撤日的平均深度”。
• 最大回撤 MaxDD：$\max_t D_t$。只由一个点决定，样本噪声极大——换一个种子它就换一个数。

在等权组合的 5 年样本内路径上，四把尺子给出四个数：AvDD = 1.8%、DaR₉₅ = 8.0%、CDaR₉₅ = 9.3%、MaxDD = 12.1%：

CDaR 的两个极限值得记住：$\alpha \to 0$ 时 CDaR 退化为平均回撤，$\alpha \to 1$ 时收敛到最大回撤。它是一个用 α 旋钮在”太温和”与”太噪声”之间连续插值的家族。α=0.95 是实务上最常用的档位：既让尾部主导目标函数，又平均了约 5% 的样本点、不至于被单个极值绑架。

为什么不直接优化 MaxDD？两个理由。统计上，MaxDD 是单点统计量，样本内优化它等于对一个噪声极大的数字过拟合——PBO 那篇的逻辑在这里完全适用。计算上，MaxDD 也能写成 LP，但目标函数只有一个有效约束点，解对数据扰动极不稳定。CDaR 对最差 5% 的日子取平均，等于给尾部目标加了天然的正则化。

关键一步：CDaR 是回撤的 CVaR，所以 LP 白拿#

Rockafellar-Uryasev 证明了 CVaR 优化可以线性化。CDaR 是同一批人把同一个技巧移植到回撤上——把”损失分布”替换成”回撤分布”，整套机器原封不动搬过来：

$\text{CDaR}_\alpha = \min_\zeta \left\{ \zeta + \frac{1}{(1-\alpha)T}\sum_t \big[D_t - \zeta\big]^+ \right\}$

回撤 $D_t$ 本身涉及 running max，处理方法是引入辅助变量 $u_t$ 表示历史峰值，用两条线性不等式把它压出来。完整的 LP：

$\min_{x, u, \zeta, z} \;\; \zeta + \frac{1}{(1-\alpha)T}\sum_t z_t$

$\text{s.t.}\quad u_t \ge u_{t-1}, \quad u_t \ge W_t(x), \quad z_t \ge u_t - W_t(x) - \zeta, \quad z_t \ge 0$

其中 $W_t(x) = \sum_{s\le t} r_s^\top x$ 是非复利累计收益（这是让问题保持线性的关键技巧，后面局限里会回来说它）。$u_t$ 在最优解处自动等于 running max——因为压低 $u_t$ 总能让目标变小，两条下界约束恰好把它钉在 $\max(u_{t-1}, W_t)$ 上。

import numpy as np
from scipy.optimize import linprog
from scipy.sparse import lil_matrix, csr_matrix

def min_cdar_portfolio(R, alpha=0.95, target_ann=None):
    """R: (T, n) 日收益矩阵。变量排布 [x(n), u(T), zeta, z(T)]"""
    T, n = R.shape
    C = np.cumsum(R, axis=0)                # C[t] @ x = W_t
    nv = n + T + 1 + T
    iu, iz0, izz = n, n + T, n + T + 1

    cost = np.zeros(nv)
    cost[iz0] = 1.0
    cost[izz:] = 1.0 / ((1 - alpha) * T)

    A = lil_matrix((3*T + (1 if target_ann else 0), nv))
    b = np.zeros(A.shape[0]); r = 0
    for t in range(T):
        A[r, iu+t] = -1.0                    # u_t >= u_{t-1}
        if t > 0: A[r, iu+t-1] = 1.0
        r += 1
        A[r, :n] = C[t]; A[r, iu+t] = -1.0   # u_t >= W_t
        r += 1
        A[r, :n] = -C[t]; A[r, iu+t] = 1.0   # z_t >= u_t - W_t - zeta
        A[r, iz0] = -1.0; A[r, izz+t] = -1.0
        r += 1
    if target_ann is not None:               # 目标收益约束
        A[r, :n] = -R.mean(axis=0) * 252
        b[r] = -target_ann

    Aeq = np.zeros((1, nv)); Aeq[0, :n] = 1.0
    bounds = [(0, None)]*n + [(None, None)]*T + [(None, None)] + [(0, None)]*T
    res = linprog(cost, A_ub=csr_matrix(A), b_ub=b,
                  A_eq=Aeq, b_eq=[1.0], bounds=bounds, method="highs")
    return res.x[:n], res.fun

1250 个交易日 × 3 资产的问题约 5000 个变量、3750 条约束，HiGHS 求解不到一秒。凸性是白拿的——不管收益是什么分布，全局最优保证找到。这是 CDaR 相对”直接优化经验 MaxDD”或任何非凸回撤指标的决定性工程优势。

实验：危机 alpha 资产的重新定价#

三资产、两状态马尔可夫模拟（平静期约 93% 的日子，危机期约 7%）：

*样本内实现值，该种子下危机日恰好较少。趋势资产是刻意设计的”危机 alpha”：平时几乎不赚钱（模拟里全样本甚至亏钱），只在股票崩盘时大赚——现实原型是长波动策略、尾部对冲基金、部分 CTA。

同一目标收益（年化 7%）下解两个优化：

**趋势资产的配置：最小方差 11% → 最小 CDaR 21%，几乎翻倍。**这是本文最核心的一个数字。方差目标看到的趋势资产：年化 -1.6%、波动 11.8%、和股票相关性平时还是正的——一个纯粹的拖油瓶，11% 的配置只是因为它和债券的低相关勉强有点分散化价值。CDaR 目标看到的是另一个东西：每次回撤加深的日子，恰好是它大涨的日子。它不是分散化工具，是回撤保险。

样本内的账目印证了这一点：最小 CDaR 组合的波动率更高（4.5% vs 4.1%），但 CDaR₉₅ 更低（4.0% vs 4.9%）、MaxDD 更低（5.2% vs 5.9%）。它用 0.4 个百分点的波动率买了 0.9 个百分点的尾部回撤——方差目标里这笔交易根本不成立，因为方差对”上涨的波动”和”下跌的波动”一视同仁，而危机 alpha 资产的波动几乎全是上涨波动。

两条前沿不重合#

把两族最优组合都画到收益-CDaR 平面上：

CDaR 前沿（直接优化 CDaR）处处不差于均值-方差前沿映射过来的曲线——这是定义使然，样本内直接优化谁谁赢。有信息量的是差距的形状：低收益端两条线几乎重合（都重仓债券，怎么优化都一样），目标收益越高差距越大——因为高收益逼着组合持有股票，这时”用什么给股票配对冲”的分歧才显现：方差目标选低波动资产，CDaR 目标选负共回撤资产。

教训：如果你的组合里没有危机 alpha 类资产，CDaR 优化和方差优化差别不大。CDaR 的价值恰恰在于它能给”平时难看、危机救命”的资产正确定价——这类资产在方差框架里永远被低估。

样本外：诚实的检验#

样本外 3 年（危机日占比 9.1%，比样本内的 6.7% 更险恶）：

最小 CDaR 组合样本外年化 7.5% vs 最小方差的 6.9%，MaxDD 3.3% vs 3.7%，CDaR₉₅ 基本打平（2.8% vs 2.9%）。方向对，但幅度远小于样本内的差距——这是预期之内的：样本内的 CDaR 优势有一部分是过拟合（优化器精确地记住了样本内每一段回撤的形状），样本外只剩下结构性的部分（危机 alpha 的对冲价值是真的，因为数据生成过程里危机 regime 真实存在）。

如果数据生成过程里没有稳定的危机结构——比如趋势资产的危机收益纯属样本内巧合——CDaR 优化的样本外表现会劣化得比方差优化更快，因为它对尾部样本更敏感、有效样本量更小。CDaR 优化值不值得用，取决于你信不信组合里存在结构性的负共回撤资产，这是一个经济判断，不是统计判断。

工程清单#

1. α 别贪高。CDaR₉₉ 在 1250 天样本里只由约 13 个最差回撤日决定，噪声接近 MaxDD。α=0.90~0.95 是样本量和尾部聚焦的平衡点。
2. 回撤观测不独立，惩罚是隐性的。一段深回撤会贡献几十个连续的高 $D_t$，在目标函数里天然占更大权重——持续时间长的回撤被罚得更重。这是特性不是 bug（投资人对”三年不创新高”的痛感确实高于”急跌急回”），但要知道你在优化的是深度×时间的混合物。
3. LP 口径是非复利累计。$W_t = \sum r_s^\top x$ 保持线性，但和复利净值的回撤有偏差——回撤越深偏差越大（非复利口径会高估深回撤）。求解后要用复利口径重算真实回撤报数，两个口径的数字不要混在一张表里。
4. 危机期定义要用样本外的逻辑检验。CDaR 给趋势资产加仓的理由是”它在回撤日涨”。上线前问一句：这个负共回撤是机制性的（长波动头寸、做空 beta）还是统计巧合？机制性的才敢给权重。

局限#

第一，非复利口径的近似在杠杆组合或长回测里恶化明显：非复利累计 -30% 对应复利约 -26%，优化器会把火力错配到”非复利口径最深、复利口径未必”的时段。严格处理要用对数收益近似或迭代校正，代价是丢掉部分线性结构。

第二，CDaR 是样本路径的函数而不仅是收益分布的函数——同一组日收益换个顺序，回撤完全不同。这让它比 CVaR 更依赖”历史路径会重演”的假设，重抽样（block bootstrap 保留自相关）做置信区间比 CVaR 更必要。

第三，本文没建模调仓成本和权重稳定性。CDaR 前沿上相邻目标收益的最优权重跳动比方差前沿更大（尾部目标的解本来就更敏感），实盘要加换手惩罚或权重区间约束。

第四，收益率约束用的是样本均值——所有组合优化的通病（垃圾进垃圾出），CDaR 不解决期望收益的估计问题，它只解决”给定观点后风险怎么度量”的问题。

一句话收尾：方差问”这个资产抖不抖”，CDaR 问”我最疼的那些日子它站在哪边”。第二个问题才是配置真正该回答的。