ஆசிரியர் Maximum Drawdown: ஆழம் மற்றும் மீட்பு காலம்
Maximum drawdown என்பது value series-இன் உச்சநிலையிலிருந்து அடிநிலைக்கு ஏற்பட்ட மிகப்பெரிய வீழ்ச்சி. அதன் ஆழம், நீடிப்பு, புதிய உச்சத்திற்கான மீட்பு காலத்தை அறிக.
Maximum drawdown என்பது ஒரு value series-இல், தொடர்ச்சியாகப் பதிவான உச்சநிலையிலிருந்து அடிநிலைக்கு ஏற்பட்ட மிகப்பெரிய வீழ்ச்சியாகும். இது அந்த running peak-ன் சதவீதமாக அளவிடப்படுகிறது. ஒரு கணக்கு $120,000 வரை உயர்ந்து, பின்னர் $84,000 ஆகக் குறைந்து, அதன்பின் மீண்டால், அதன் maximum drawdown 30% ஆகும். பின்னர் கணக்கு மீண்டாலும், இந்த எண்ணிக்கை மாறாது. ஏனெனில் இந்த statistic இன்றைய நிலையை அல்ல, வரலாற்றில் ஏற்பட்ட மிக மோசமான வீழ்ச்சிக் காலத்தைப் பதிவு செய்கிறது.
பெரும்பாலானோர் வீழ்ச்சியின் ஆழத்தை மட்டும் குறிப்பிடுகின்றனர். ஆனால் இதே statistic-இல் மேலும் இரண்டு முக்கியமான அளவுகள் உள்ளன. ஒன்று, உச்சநிலையிலிருந்து குறைந்தநிலைக்கு செல்ல எடுத்துக்கொண்ட காலம். மற்றொன்று, அந்தக் குறைந்தநிலையிலிருந்து மீண்டு புதிய உச்சத்தை எட்ட எடுத்துக்கொண்ட, பொதுவாக மிகவும் நீண்ட காலம்.
அதிகபட்ச drawdown எவ்வாறு கணக்கிடப்படுகிறது?
முழுக் கணக்கீடும் series-ஐ ஒரே முறை கடந்து செல்கிறது. ஒவ்வொரு observation-இலும் running maximum-ஐப் புதுப்பிக்கிறீர்கள். தற்போதைய மதிப்பை அதனுடன் ஒப்பிடுகிறீர்கள். இதுவரை பதிவான மிக மோசமான மதிப்பைத் தக்கவைத்துக்கொள்கிறீர்கள்.
- Running peak-ஐ முதல் மதிப்பாக அமைக்கவும்.
- ஒவ்வொரு புதிய மதிப்பிலும், அந்த மதிப்பு அதிகமாக இருந்தால் peak-ஐ உயர்த்தவும்.
- அந்த இடத்திற்கான drawdown-ஐ கணக்கிடவும்: value-ஐ peak-ஆல் வகுத்து, அதிலிருந்து one-ஐக் கழிக்கவும்.
- மிகவும் எதிர்மறையான மதிப்பைத் தக்கவைக்கவும். அதுவே maximum drawdown.
இதில் returns series, volatility estimate அல்லது distribution assumption எதுவும் பயன்படுத்தப்படுவதில்லை. Python standard library-யைப் பயன்படுத்தி, எளிய எண்களின் பட்டியலில் இந்த loop இயங்குகிறது. புதிதாக அமைக்கப்பட்ட Ubuntu கணினியில் முதலில் interpreter-ஐ நிறுவவும்:
apt-get update && apt-get install -y python3இந்த loop-ஐ maxdd.py ஆகச் சேமிக்கவும். கீழே உள்ள prices, கையால் சரிபார்க்கும் வகையில் சிறியதாக வைக்கப்பட்டுள்ள பத்து மதிப்புகளைக் கொண்ட கற்பனை series ஆகும்:
prices = [100.0, 104.0, 98.0, 92.0, 95.0, 88.0, 90.0, 101.0, 99.0, 106.0]
peak = prices[0]
max_dd = 0.0
for price in prices:
if price > peak:
peak = price
drawdown = price / peak - 1.0
if drawdown < max_dd:
max_dd = drawdown
print(f"maximum drawdown: {max_dd * 100:.1f}%")python3 maxdd.py-ஐ இயக்கினால், அது maximum drawdown: -15.4%-ஐ அச்சிடும். இதைக் கையால் சரிபார்க்கலாம்: குறைந்த மதிப்புக்கு முன் இருந்த peak 104; குறைந்த மதிப்பு 88. 88-ஐ 104-ஆல் வகுத்தால் 0.846 கிடைக்கும். பின்னர் series 106-ல் முடிகிறது; அது all time high ஆகும். இருந்தபோதும் 15.4% என்ற maximum drawdown மாறாது. Maximum drawdown என்பது sample-இல் பதிவான மிக மோசமான தருணத்தின் நிரந்தரப் பதிவாகும். Series தற்போது எந்த நிலையில் உள்ளது என்பதை அது காட்டாது. இதே loop-இல் மேலும் இரண்டு variables சேர்த்தால் timing-ஐப் பதிவு செய்யலாம்: peak அமைக்கப்பட்ட index மற்றும் மிக மோசமான மதிப்பு பதிவான index.
Drawdown curve எப்படி இருக்கும்
Drawdown curve, ஒவ்வொரு கட்டத்திலும் step 3-ஐ கணக்கில் வைத்திருக்கும்; அதனை மிக மோசமான ஒரே மதிப்பாகக் குறைக்காது. Series புதிய உச்சத்தைப் பதிவு செய்யும் ஒவ்வொரு முறையும் கோடு zero-வில் இருக்கும். இடைப்பட்ட காலங்களில் அது zero-க்கு கீழே காணப்படும். அதனால் இந்த இடைவெளி “underwater” எனப்படுகிறது. ஜனவரி 2016 முதல் மாத இறுதி closing அடிப்படையில், S&P 500-ஐப் பின்தொடரும் exchange traded fund ஆன SPY-க்கான அந்த curve கீழே கொடுக்கப்பட்டுள்ளது.
ஒவ்வொரு எண்ணின் பின்னணியில் உள்ள துல்லியமான SQL
WITH monthly AS (
SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
argMax(toFloat64(close), window_start) AS close_px
FROM global_markets.delayed_stocks_minute_aggs
WHERE ticker = 'SPY'
AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2016-01-01')
AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-07-31')
AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
+ toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
GROUP BY month_start
),
runs AS (
SELECT month_start,
close_px,
max(close_px) OVER (ORDER BY month_start
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS running_peak
FROM monthly
)
SELECT formatDateTime(month_start, '%Y-%m') AS month,
round(100 * (close_px / running_peak - 1), 2) AS drawdown_pct
FROM runs
ORDER BY month_start127 மாத இறுதி readings-இல், கோடு நீண்ட காலத்திற்கு zero-க்கு அருகில் நிலைத்திருக்கும். பின்னர் சில ஆழமான பள்ளங்களாகக் கீழிறங்கும். பதிவில் உள்ள இறுதி மாத மதிப்பு, நடப்பு உச்சத்துடன் ஒப்பிடும்போது -1.27% ஆக உள்ளது. இந்த வடிவத்தின் இரண்டு அம்சங்கள் முக்கியமான பாடத்தை அளிக்கின்றன. மீட்பு வேகமான துள்ளலாக இல்லாமல், மெதுவான ஏற்றமாக அமைகிறது. ஒவ்வொரு புதிய உச்சமும் curve-ஐ மீண்டும் zero-க்கு அமைக்கிறது. இதனால் அதற்கு முன் ஏற்பட்ட சரிவுகளின் காட்சித் தடம் அழிக்கப்படுகிறது.
Drawdown-இலிருந்து மீள எவ்வளவு காலம் ஆகும்?
ஒரே drawdown-க்குள் மூன்று தனித்தனி அளவுகள் உள்ளன. அவற்றை ஒன்றாகக் கருதுவது performance table-ஐப் புரிந்துகொள்ளும்போது ஏற்படும் பொதுவான தவறாகும்:
- ஆழம்: உச்ச மதிப்பிலிருந்து மதிப்பு எத்தனை சதவீதம் குறைந்தது.
- குறைந்தபட்ச நிலையை அடைய எடுத்த காலம்: உச்சநிலையிலிருந்து அடிநிலையை அடையும் வரை உள்ள calendar days.
- மீட்பு காலம்: அந்த அடிநிலையிலிருந்து புதிய உச்சத்தை அடையும் வரை உள்ள calendar days.
பொதுவாக மூன்றாவது அளவே நீண்டதாக இருக்கும். தலைப்பில் காட்டப்படும் ஒரே எண்ணில் இது ஒருபோதும் தெரியாது. கீழுள்ள panel, 2016 முதல் SPY-யில் daily closes அடிப்படையில் முழுமையாக முடிவடைந்த ஒவ்வொரு underwater காலத்தையும் மீண்டும் கணக்கிடுகிறது. ஒரு உச்சநிலை பதிவாகும் நாளில் ஒரு காலம் தொடங்குகிறது. Fund முதன்முறையாக அந்த உச்சத்தைத் தாண்டி close ஆகும் நாளில் அது முடிவடைகிறது.
ஒவ்வொரு எண்ணின் பின்னணியில் உள்ள துல்லியமான SQL
WITH daily AS (
SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS session_date,
argMax(toFloat64(close), window_start) AS close_px
FROM global_markets.delayed_stocks_minute_aggs
WHERE ticker = 'SPY'
AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2016-01-01')
AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-07-31')
AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
+ toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
GROUP BY session_date
),
runs AS (
SELECT session_date,
close_px,
max(close_px) OVER (ORDER BY session_date
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS running_peak
FROM daily
),
episodes AS (
SELECT running_peak AS peak_px,
min(session_date) AS peak_date,
argMin(session_date, close_px) AS trough_date,
min(close_px) AS trough_px
FROM runs
GROUP BY running_peak
),
sequenced AS (
SELECT peak_px,
peak_date,
trough_date,
trough_px,
leadInFrame(peak_date, 1) OVER (ORDER BY peak_date
ROWS BETWEEN CURRENT ROW AND UNBOUNDED FOLLOWING) AS recovery_date
FROM episodes
)
SELECT formatDateTime(peak_date, '%b %Y') AS episode_label,
round(100 * (1 - trough_px / peak_px), 1) AS fall_from_peak_pct,
dateDiff('day', peak_date, trough_date) AS days_to_trough,
dateDiff('day', trough_date, recovery_date) AS days_to_new_high,
dateDiff('day', peak_date, recovery_date) AS days_underwater
FROM sequenced
WHERE recovery_date > trough_date
AND round(100 * (1 - trough_px / peak_px), 1) >= 5
ORDER BY fall_from_peak_pct DESC
LIMIT 8பட்டியலில் உள்ள மிக ஆழமான முழுமையான காலம் Feb 2020-ல் தொடங்கி, முந்தைய உச்சத்தைவிட 34.2% கீழே சென்றது. அது குறைவடைந்துகொண்டிருந்த காலம் 33 calendar days. மீண்டும் உச்சத்தை அடைய 148 calendar days எடுத்தது. மொத்தம் 181 நாட்கள் underwater நிலையில் இருந்தது. அடுத்த பதிவு Jan 2022-ஐச் சேர்ந்தது. அது 25.4% என்ற அளவில் குறைவான drawdown ஆக இருந்தாலும், fund-ஐ அதன் முந்தைய உச்சத்திற்குக் கீழே 746 நாட்கள் வைத்திருந்தது.
ஆழமும் கால அளவும் முற்றிலும் வேறுபட்டவை. வேகமான சரிவுக்குப் பிறகு விரைவான மீட்பு ஏற்பட்டாலும், பல ஆண்டுகள் நீடிக்கும் சிறிய சரிவாக இருந்தாலும், இரண்டையும் ஒரே சதவீத எண்ணாகச் சுருக்கிவிடலாம். March 2020 crash என்பது முதல் வடிவத்திற்கான textbook உதாரணம். சந்தைகள் crash-களிலிருந்து எவ்வாறு மீள்கின்றன என்பது அந்தப் பயணத்தின் இரண்டாவது கட்டத்தை விளக்குகிறது.
நீண்ட காலத்தை அளவிடும்போது maximum drawdown ஏன் மோசமாகிறது
Maximum drawdown என்பது ஒரு அதிகபட்ச அளவாகும். எனவே வரலாற்றுத் தரவைச் சேர்ப்பது, அந்த அளவை மாற்றமின்றி வைத்திருக்கலாம் அல்லது மேலும் ஆழமாக்கலாம். நீண்ட காலச் சாளரத்தில் காணப்படும் running peak, ஒவ்வொரு கட்டத்திலும் குறுகிய சாளரத்தில் காணப்படும் peak-க்கு குறையாது. இதுவே கணித ரீதியான காரணம். 2026 ஜூலை 31 அன்று முடியும் ஐந்து சாளரங்களில் ஒரே fund-ஐ அளவிடுவது இந்த விளைவைத் தெளிவாகக் காட்டுகிறது.
ஒவ்வொரு எண்ணின் பின்னணியில் உள்ள துல்லியமான SQL
WITH daily AS (
SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS session_date,
argMax(toFloat64(close), window_start) AS close_px
FROM global_markets.delayed_stocks_minute_aggs
WHERE ticker = 'SPY'
AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2016-07-01')
AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-07-31')
AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
+ toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
GROUP BY session_date
),
scoped AS (
SELECT arrayJoin([1, 2, 3, 5, 10]) AS lookback_years,
session_date,
close_px
FROM daily
),
windowed AS (
SELECT lookback_years, session_date, close_px
FROM scoped
WHERE session_date >= subtractYears(toDate('2026-07-31'), lookback_years)
),
runs AS (
SELECT lookback_years,
session_date,
close_px,
max(close_px) OVER (PARTITION BY lookback_years ORDER BY session_date
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS running_peak
FROM windowed
)
SELECT concat(toString(lookback_years), if(lookback_years = 1, ' year', ' years')) AS lookback,
round(100 * max(1 - close_px / running_peak), 1) AS max_drawdown_pct,
formatDateTime(argMax(session_date, 1 - close_px / running_peak), '%b %Y') AS worst_point
FROM runs
GROUP BY lookback_years
ORDER BY lookback_yearsகடந்த 1 year காலச் சாளரத்தில் அளவிடப்பட்ட மிகப் பெரிய வீழ்ச்சி 9.1% ஆக இருந்தது. அதே series-ஐ 10 years காலத்திற்கு நீட்டித்தால், அளவு 34.2% ஆகிறது; மிக மோசமான நிலை Mar 2020 அன்று பதிவாகிறது. Fund-ன் ஆபத்து அதிகரிக்கவில்லை. மாதிரி காலம் நீண்டது.
இதே கணிதம் strategy ஒப்பீடுகளையும் சிதைக்கிறது. மூன்று ஆண்டு backtest-மும் இருபது ஆண்டு backtest-மும் ஒரே மாதிரியான செயல்பாட்டை விவரித்தாலும், மிகவும் மாறுபட்ட drawdown அளவுகளைத் தெரிவிக்கலாம். எனவே, எந்த காலச் சாளரத்தை அடிப்படையாகக் கொண்டது என்பதைக் குறிப்பிடாமல் இந்த எண்ணுக்கு அதிக அர்த்தமில்லை. Backtesting-இல் எதிர்காலத் தகவல் சார்பு என்பது தோற்றத்தில் சுத்தமாகத் தெரியும் backtest தன்னைச் சாதகமாகக் காட்டிக்கொள்ளும் மற்றொரு முறையை விளக்குகிறது.
Maximum drawdown மற்றும் volatility
Volatility என்பது தினசரி விலை எந்தத் திசையிலும் பொதுவாக எவ்வளவு நகர்கிறது என்பதை அளவிடுகிறது. Maximum drawdown என்பது குறிப்பிட்ட ஒரு கீழ்நோக்கிய விலைப் பாதையை அளவிடுகிறது. இரண்டும் risk அளவீடுகள்; ஆனால் அவை வெவ்வேறு கேள்விகளுக்குப் பதிலளிக்கின்றன. 2026 ஜூலை 31-ஆம் தேதி வரையிலான ஐந்து ஆண்டுகளில், எட்டு பரவலாக அறியப்பட்ட நிறுவனங்களுக்கான இந்த இரண்டு அளவீடுகளையும் panel அருகருகே காட்டுகிறது. Volatility, தினசரி closing prices அடிப்படையில் annualized செய்யப்பட்டுள்ளது.
ஒவ்வொரு எண்ணின் பின்னணியில் உள்ள துல்லியமான SQL
WITH daily AS (
SELECT ticker,
toDate(toTimeZone(window_start, 'America/New_York')) AS session_date,
argMax(toFloat64(close), window_start) AS close_px
FROM global_markets.delayed_stocks_minute_aggs
WHERE ticker IN ('SPY', 'AAPL', 'MSFT', 'KO', 'JNJ', 'CVX', 'VZ', 'PG')
AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2021-08-01')
AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-07-31')
AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
+ toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
GROUP BY ticker, session_date
),
runs AS (
SELECT ticker,
session_date,
close_px,
max(close_px) OVER (PARTITION BY ticker ORDER BY session_date
ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS running_peak,
lagInFrame(close_px, 1) OVER (PARTITION BY ticker ORDER BY session_date
ROWS BETWEEN 1 PRECEDING AND CURRENT ROW) AS prev_close
FROM daily
)
SELECT ticker,
round(100 * max(1 - close_px / running_peak), 1) AS max_drawdown_pct,
round(100 * sqrt(252) * stddevSampIf(close_px / prev_close - 1, prev_close > 0), 1) AS annualized_volatility_pct
FROM runs
GROUP BY ticker
HAVING countIf(prev_close > 0) > 20
ORDER BY max_drawdown_pct DESCஇரண்டு columns-ஐ ஒன்றாகப் பாருங்கள். VZ குழுவிலேயே மிக ஆழமான சரிவை 45.4% என்ற அளவில் பதிவு செய்தது; அதற்கான annualized volatility 22.6% ஆகும். குறைந்த சரிவு கொண்ட நிலையில், KO, 20.9% அளவுக்குச் சரிந்தது; அதன் volatility 16.7% ஆகும். Volatility என்பது அந்தக் காலப்பகுதியில் உள்ள ஒவ்வொரு நாளையும் அடிப்படையாகக் கொண்ட சராசரி அளவீடு. நீண்டகால மெதுவான சரிவை சராசரிகள் மறைத்துவிடலாம். Drawdown என்பது விலை உண்மையில் கடந்து சென்ற மிக மோசமான ஒரே பாதையாகும். இரண்டு ஆண்டுகள் மெதுவாகக் குறையும் அமைதியான holding, குறிப்பிடத்தக்கதாகத் தெரியாத volatility இருந்தபோதும் ஆழமான drawdown-ஐ பதிவு செய்யலாம்.
குறைந்த volatility anomaly நீண்ட காலங்களில் அமைதியான பெயர்கள் எவ்வாறு செயல்படுகின்றன என்பதைப் பார்க்கிறது; Kelly criterion position sizing என்பது drawdown-ஐத் தாங்கும் திறன் எவ்வாறு position size-ஆக மாற்றப்படுகிறது என்பதைக் காட்டுகிறது.
எண்ணிக்கை தெரிவிக்க முடியாதவை
நான்கு வரம்புகளை நினைவில் கொள்ள வேண்டும்:
- இது ஏற்கனவே நிகழ்ந்த ஒரு பாதையை மட்டுமே பிரதிபலிக்கிறது. வேறொரு நிகழ்வுப்பாதையில் இதே செயல்முறை மிகவும் மோசமான எண்ணிக்கையை உருவாக்கியிருக்கலாம்.
- இது மாதிரிக் காலநீளத்தைப் பொறுத்தது. எனவே, இரண்டு drawdown-களையும் ஒரே காலச் சாளரங்களில் மட்டுமே ஒப்பிட வேண்டும்.
- இது sampling frequency-ஐப் பொறுத்தது. மாத இறுதி closing price-கள் intraday lows-ஐ மறைத்துவிடும். அதனால், அதே காலகட்டத்தில் daily closing price-களைப் பயன்படுத்துவதைவிட சிறிய எண்ணிக்கை கிடைக்கும்.
- இது எதிர்காலம் குறித்த எந்தத் தகவலையும் வழங்காது. ஒரு உச்சநிலையிலிருந்து 30% கீழே இருப்பது, 31வது புள்ளி நாளை வந்தடையுமா என்பதைச் சொல்லாது.
இந்த இறுதி வரம்பின் காரணமாக, ஒரு automated system-க்கு drawdown threshold-ஐவிட drawdown policy தேவைப்படுகிறது. “20%-இல் நிறுத்து” என்பது ஒரு கேள்விக்கு மட்டும் பதிலளிக்கிறது; மேலும் இரண்டு கேள்விகளுக்கு பதிலளிக்காமல் விடுகிறது: நிறுத்தும்போது open positions-க்கு என்ன நடக்கும், மேலும் system-ஐ மீண்டும் இயக்குவதற்கான ஆதாரம் என்ன. Trading bots-க்கான circuit breakers அந்தக் கொள்கையின் வடிவத்தை விளக்குகிறது. தன்னிச்சையான நிலையான விதியின் செலவு recovery leg-ல் வெளிப்படும். குறைந்தபட்ச நிலைக்கு அருகில் நிறுத்தப்பட்டு, தாமதமாக மீண்டும் தொடங்கும் system, மேலேறும் சந்தைப் பாதையைத் தவறவிடும். சிறந்த நாட்களைத் தவறவிடுதல் அந்தக் கணக்கீட்டிற்கு எண்களை வழங்குகிறது.
இரண்டு எண்ணிக்கைகளை ஒப்பிடுவதற்கு முன், ஒரு measurement detail முக்கியமானது: cash உள்ளே அல்லது வெளியே நகரும் போதும், dividends வரவு வைக்கப்படும் போதும், ஒரு fund-ன் price series-ஐ அடிப்படையாகக் கொண்ட drawdown மற்றும் உண்மையான account-ஐ அடிப்படையாகக் கொண்ட drawdown ஆகியவை வேறுபடும். மாதாந்திர returns எவ்வாறு அளவிடப்படுகின்றன இதை முழுமையாக விளக்குகிறது.
அதிகபட்ச drawdown குறித்த அடிக்கடி கேட்கப்படும் கேள்விகள்
நல்ல maximum drawdown என்றால் என்ன?
அனைவருக்கும் பொருந்தும் ஒரே அளவு இல்லை. ஒப்பிடுவதற்கான benchmark மற்றும் அளவிடும் காலப்பகுதி ஆகியவை அவசியம். 2026 ஜூலை 31-ஆம் தேதி வரை இருந்த பத்து ஆண்டுகளில், SPY-யின் உச்சத்திலிருந்து ஏற்பட்ட மிகப்பெரிய சரிவு, தினசரி closing விலைகளின் அடிப்படையில் 34.2% ஆக இருந்தது. குறுகிய காலப்பகுதியில் அதைவிடக் குறைந்த எண்ணிக்கையைத் தெரிவிக்கும் strategy, அவசியமாக அதிகப் பாதுகாப்பானதாக இருக்காது.
Maximum drawdown என்பது volatility-க்கு சமமா?
இல்லை. Volatility என்பது வழக்கமான தினசரி விலை மாற்றத்தை விவரிக்கிறது. Maximum drawdown என்பது உச்சத்திலிருந்து அடிமட்டம் வரை ஏற்பட்ட ஒரே மிகப்பெரிய சரிவுப் பாதையை விவரிக்கிறது. இரண்டு ஆண்டுகள் தொடர்ந்து சரியும் குறைந்த volatility கொண்ட holding, தொடர்ந்து புதிய உச்சங்களை உருவாக்கும், ஆனால் அதிக ஏற்ற இறக்கமுள்ள holding-ஐவிட ஆழமான drawdown-ஐ சந்திக்கலாம்.
Maximum drawdown-இலிருந்து மீள எவ்வளவு காலம் ஆகும்?
அது மாறுபடும். மீண்டும் முந்தைய உச்சத்தை அடையும் ஏற்றம், பெரும்பாலும் மொத்த காலத்தின் நீண்ட பகுதியைக் கொண்டிருக்கும். 2016 முதல் SPY-யில், முந்தைய உச்சத்திற்குக் கீழே இருந்தும் பின்னர் புதிய உச்சத்தை எட்டிய மிக நீண்ட முழுமையான காலப்பகுதி, உச்சத்திலிருந்து புதிய உச்சம் வரை 181 calendar days நீடித்தது. அதில் 33 நாட்கள் சரிவில் கழிந்தன.
Maximum drawdown எதிர்கால இழப்புகளை முன்கூட்டியே கணிக்குமா?
இல்லை. அது ஏற்கனவே நிகழ்ந்த ஒரு விலைப்பாதையை மட்டுமே விவரிக்கிறது. மேலும், நீண்ட காலப்பகுதி பொதுவாக அதிகமான drawdown எண்ணிக்கையை உருவாக்கும். ஒரு strategy இதுவரை தாங்கிய சரிவை அது பதிவு செய்கிறது; அடுத்ததாக ஏற்படக்கூடிய இழப்புகளுக்கு எந்த வரம்பையும் அது நிர்ணயிக்காது.
மேலுள்ள ஒவ்வொரு panel-லும் அதற்குப் பின்னுள்ள SQL சேமிக்கப்பட்டுள்ளது. ஒன்றைத் திறந்து, ticker அல்லது காலப்பகுதியை மாற்றி, Strasmore terminal-ல் அதே drawdown கணக்கீட்டை இயக்குங்கள்.