حداکثر Drawdown قابل قبول در بک‌تست

تحلیل و ارزیابی عملکرد یک استراتژی معاملاتی در دنیای واقعی، فراتر از صرفاً مشاهده بازدهی (Return) نهایی است؛ درک عمیق از نوسانات و ریسک‌هایی که استراتژی در طول زمان متحمل شده، نقشی حیاتی در تصمیم‌گیری برای پیاده‌سازی آن ایفا می‌کند. محور اصلی این ارزیابی، معیار حداکثر افت سرمایه (Maximum Drawdown) یا به اختصار MDD است که نمایانگر بزرگترین نزولی است که ارزش حساب معاملاتی از یک قله تاریخی تا کف بعدی تجربه کرده است. این مفهوم تنها یک شاخص آماری صرف نیست، بلکه آینه‌ای از روانشناسی معامله‌گر، توانایی سیستم در تحمل شرایط سخت بازار و مهم‌تر از همه، میزان سازگاری آن با اهداف مدیریت ریسک (Risk Management) تعریف‌شده است. برای توسعه‌دهندگان سیستم‌های معاملاتی الگوریتمی و برنامه‌نویسان (Programmers) فعال در حوزه فین‌تک، درک دقیق مکانیسم‌ها و ملاحظات مرتبط با حداکثر Drawdown قابل قبول (Acceptable Maximum Drawdown) در بک‌تست (Backtest) امری اساسی است، زیرا این معیار اغلب تعیین‌کننده بقای استراتژی در محیط پرتلاطم بازار سرمایه است. نادیده گرفتن پتانسیل افت‌های شدید می‌تواند منجر به فروپاشی روانی معامله‌گر انسانی یا فعال شدن مکانیسم‌های خروج اضطراری در یک ربات معامله‌گر (Trading Bot) در زمان نامناسب شود.

تعریف دقیق مفاهیم بنیادین Drawdown

پیش از ورود به بحث حداکثر Drawdown قابل قبول، تفکیک دقیق انواع مختلف افت سرمایه (Drawdown) ضروری است. Drawdown به طور کلی به کاهش ارزش خالص حساب معاملاتی (Net Liquidation Value) از یک قله (Peak) تا یک کف (Trough) بعدی اطلاق می‌شود، صرف نظر از اینکه این کاهش ناشی از معاملات باز یا بسته شده باشد. این معیار اساساً نشان‌دهنده میزان سرمایه‌ای است که معامله‌گر برای مدت زمانی درگیر نوسان نزولی شده است.

Drawdown مطلق (Absolute Drawdown) ساده‌ترین شکل اندازه‌گیری است و به سادگی به درصد یا مقدار پولی کل سرمایه اولیه اشاره دارد که از دست رفته است، بدون در نظر گرفتن تاریخ وقوع یا عملکرد بازار در آن بازه زمانی. به عنوان مثال، اگر سرمایه اولیه ۱۰۰,۰۰۰ واحد باشد و حساب به ۹۰,۰۰۰ واحد برسد، Drawdown مطلق ۱۰٪ است. این معیار برای سنجش ریسک کل در برابر سرمایه اولیه مفید است.

در مقابل، Drawdown نسبی (Relative Drawdown) مقایسه ارزش فعلی اکوئیتی با بالاترین قله اکوئیتی ثبت شده تا آن لحظه است. اگر اکوئیتی از ۱۰۰,۰۰۰ به ۹۵,۰۰۰ سقوط کند (Drawdown مطلق ۵,۰۰۰ واحدی)، و سپس به ۹۸,۰۰۰ بازگردد و دوباره تا ۹۳,۰۰۰ سقوط کند، Drawdown نسبی در حالت اول ( \frac{100,000 – 95,000}{100,000} = 5% ) و در حالت دوم ( \frac{98,000 – 93,000}{98,000} \approx 5.1% ) است. این معیار مهم است زیرا نشان می‌دهد سیستم تا چه حد از اوج عملکرد خود فاصله گرفته است.

اما تمرکز اصلی ما بر حداکثر Drawdown (Maximum Drawdown – MDD) است. MDD در واقع بزرگترین Drawdown نسبی است که سیستم در کل دوره بک‌تست تجربه کرده است. این عدد، سناریوی بدترین حالت تاریخی (Worst-Case Scenario) را بر اساس داده‌های گذشته شبیه‌سازی می‌کند و حداکثر میزان سرمایه‌ای است که یک سرمایه‌گذار باید از نظر روانی و مالی آماده از دست دادن آن باشد تا بتواند استراتژی را ادامه دهد. درک تفاوت این سه مفهوم برای برنامه‌نویسان الگوریتمی حیاتی است؛ زیرا پارامترهای توقف ضرر (Stop Loss) و سطوح بحرانی مارجین اغلب باید بر اساس MDD تاریخی و مورد انتظار تنظیم شوند.

نقش بک‌تست در ارزیابی Drawdown و محدودیت‌های آن

بک‌تست ابزار اولیه و ضروری برای شبیه‌سازی عملکرد یک سیستم معاملاتی بر روی داده‌های تاریخی است. در این فرآیند، MDD به عنوان یک خروجی کلیدی محاسبه می‌شود تا پتانسیل ریسک سیستم در شرایط مختلف بازار تاریخی مشخص گردد. یک بک‌تست قوی باید نه تنها بازدهی تجمعی را نشان دهد، بلکه باید مسیر اکوئیتی (Equity Curve) را نیز به تفصیل ترسیم کند تا محل و شدت وقوع Drawdownها قابل مشاهده باشند.

با این حال، تکیه صرف بر MDD محاسبه شده از بک‌تست به شدت خطرناک است. محدودیت اساسی بک‌تست این است که عملکرد تاریخی تضمینی برای عملکرد آینده نیست. بازارهای مالی ساختارهای خودهمبسته (Autocorrelated) و غیر ایستا (Non-stationary) دارند. این بدان معناست که الگوهایی که در گذشته منجر به یک MDD خاص شده‌اند، ممکن است هرگز در آینده به همان شکل تکرار نشوند، یا بدتر، سناریوهایی که هرگز در داده‌های آموزشی رخ نداده‌اند (مانند بحران‌های اقتصادی ناگهانی یا شوک‌های ژئوپلیتیکی)، می‌توانند منجر به Drawdown بسیار بزرگتری شوند.

بنابراین، MDD در بک‌تست باید به عنوان یک معیار پایه و نه سقف مطلق در نظر گرفته شود. برنامه‌نویسان باید علاوه بر محاسبه MDD تاریخی، از تکنیک‌هایی مانند استرس تستینگ (Stress Testing) یا شبیه‌سازی مونت کارلو (Monte Carlo Simulation) استفاده کنند تا توزیع احتمالی Drawdownها را در هزاران سناریوی تصادفی شده از معاملات سیستم تخمین بزنند. این امر به درک عمق ریسک ذاتی سیستم کمک شایانی می‌کند و دامنه حداکثر Drawdown قابل قبول را واقع‌بینانه‌تر تعیین می‌نماید.

وابستگی حداکثر Drawdown قابل قبول به پارامترهای استراتژی و بازار

مفهوم حداکثر Drawdown قابل قبول یک عدد ثابت و جهانی نیست؛ بلکه یک مقدار کاملاً وابسته به زمینه است که تحت تأثیر سه عامل اصلی قرار می‌گیرد: نوع استراتژی، ماهیت بازار مورد معامله و ظرفیت مالی معامله‌گر.

برای مثال، یک استراتژی اسکالپ (Scalping) که با فرکانس بالا و لوریج (Leverage) نسبتاً بالا کار می‌کند، ممکن است انتظار Drawdownهای مکرر، اما کوتاه‌مدت را داشته باشد. اگرچه MDD تاریخی یک استراتژی اسکالپ ممکن است ۲۰٪ باشد، اما معامله‌گر باید آمادگی تحمل چند روز متوالی با Drawdownهای ۵٪ تا ۱۰٪ را داشته باشد. در مقابل، یک استراتژی پوزیشن تریدینگ (Position Trading) بلندمدت، ممکن است در سال یک یا دو Drawdown عمیق ۳۰٪ تا ۴۰٪ را تجربه کند، اما انتظار دارد که این دوره‌های افت به سرعت با صعودهای بزرگ جبران شوند و مدت زمان ماندگاری در Drawdownهای عمیق طولانی نباشد.

وابستگی به بازار نیز انکارناپذیر است. در بازارهای رونددار (Trending Markets)، استراتژی‌هایی که بر دنبال کردن روند متمرکز هستند (Trend Following)، معمولاً در دوره‌های رونق سودهای بزرگی کسب می‌کنند اما در بازارهای رنج (Range-Bound Markets) دچار افت عملکرد و Drawdownهای مکرر می‌شوند. برعکس، استراتژی‌های Mean Reversion در بازارهای رنج عملکرد بهتری دارند اما در روندهای قوی دچار افت شدید می‌شوند. حداکثر Drawdown قابل قبول باید بر اساس قابلیت سیستم در تحمل بدترین شرایط تاریخی آن بازار خاص تعیین گردد. برای بازارهای بسیار پرنوسان مانند ارزهای دیجیتال، پذیرش MDDهای بالای ۵۰٪ ممکن است اجتناب‌ناپذیر باشد، در حالی که در بازار سهام با نوسان پایین، یک MDD ۲۰٪ ممکن است غیرقابل قبول تلقی شود.

Drawdown از دیدگاه مدیریت ریسک

در چارچوب مدیریت ریسک، Drawdown مهم‌ترین سنجش برای ارزیابی انحراف از مسیر پیش‌بینی شده است. اگر مدیریت ریسک بر پایه توقف ضرر و کنترل سایز پوزیشن (Position Size) تعریف شود، MDD حاصل از بک‌تست باید به عنوان یک “نقطه شکست” (Breaking Point) برای آن چارچوب ریسک در نظر گرفته شود.

یک اصل اساسی در مدیریت ریسک این است که MDD نباید از حدی فراتر رود که توانایی بازگشت سرمایه را به خطر اندازد. اگر MDD استراتژی ۵۰٪ باشد، به این معنی است که برای بازگشت به نقطه سربه‌سر، سیستم نیاز به بازدهی ۱۰۰٪ دارد (( \frac{100}{100 – 50} \times 100 = 200% )). این نسبت تصاعدی بین زیان و سود مورد نیاز برای جبران، سنگ بنای درک ریسک است.

برنامه‌نویسان الگوریتمی باید قوانینی تعریف کنند که نه تنها در طول اجرای زنده، بلکه در بک‌تست نیز از وقوع MDD فراتر از حد مجاز جلوگیری کنند. این امر مستلزم تعیین سطوح توقف اضطراری (Hard Stop Loss) در سطح اکوئیتی است. به عنوان مثال، اگر حداکثر Drawdown قابل قبول برای سرمایه‌گذار ۳۰٪ تعریف شده باشد، سیستم باید طوری طراحی شود که در صورت رسیدن اکوئیتی به ۲۸٪ یا ۲۹٪، کلیه معاملات بسته شده و الگوریتم متوقف گردد تا از عبور از مرز روانی و مالی تعیین‌شده جلوگیری شود. این رویکرد سخت‌گیرانه، از تبدیل یک افت تاریخی قابل تحمل به یک شکست سیستمی غیرقابل جبران جلوگیری می‌کند.

ارتباط بین بازدهی و Drawdown: نقد سود بالا

یکی از بزرگترین تله‌های تحلیل بک‌تست، تمرکز بیش از حد بر بازدهی سالانه یا تجمعی است، بدون توجه کافی به MDD مرتبط با آن سود. این تصور رایج که “سود بالا همیشه به معنی استراتژی خوب است”، یک تفکر سطحی و خطرناک است. یک استراتژی ممکن است در طول ۵ سال، ۲۰۰٪ بازدهی کسب کند، اما اگر در سال سوم متحمل Drawdown ۷۵٪ شده باشد، ارزش MDD آن به مراتب از بازدهی کلی بیشتر است، زیرا بازگشت از آن سطح، نیازمند بازدهی ۳۰۰٪ است و احتمالاً سرمایه‌گذار در آن مرحله از معامله خارج شده است.

رابطه بین ریسک (که با MDD اندازه‌گیری می‌شود) و بازدهی باید از طریق معیارهای تعدیل‌شده بر اساس ریسک سنجیده شود. اینجاست که اهمیت شاخص‌هایی مانند Sharpe Ratio و Sortino Ratio نمایان می‌شود. Sharpe Ratio بازدهی اضافی کسب شده به ازای هر واحد نوسان (انحراف معیار) را می‌سنجد. اما حتی این معیار نیز ضعف‌هایی دارد زیرا نوسان صعودی را با نوسان نزولی یکسان در نظر می‌گیرد.

یک استراتژی با بازدهی سالانه ۱۵٪ و MDD ۱۰٪، اغلب بسیار قابل اعتمادتر و قابل قبول‌تر از استراتژی با بازدهی ۳۰٪ و MDD ۵۰٪ است. معامله‌گران حرفه‌ای به دنبال بهینه‌سازی سود به ازای ریسک هستند، نه صرفاً بهینه‌سازی سود. بنابراین، حداکثر Drawdown قابل قبول باید به عنوان یک محدودیت سختگیرانه در برابر هرگونه تلاش برای افزایش بازدهی تعریف شود.

استانداردهای رایج Drawdown در استراتژی‌های مختلف

سطح حداکثر Drawdown قابل قبول به شدت وابسته به سبک و افق زمانی استراتژی است:

۱. اسکالپینگ و معاملات با فرکانس بالا (HFT): این استراتژی‌ها به دلیل مدیریت لحظه‌ای ریسک و استفاده از توقف ضررهای بسیار نزدیک، معمولاً دارای MDD پایینی هستند. انتظار می‌رود که MDD این سیستم‌ها در محدوده ۵٪ تا ۱۵٪ باقی بماند. مشکل اصلی این سیستم‌ها، نه MDD بلندمدت، بلکه تعداد بالای معاملات زیان‌ده متوالی است که می‌تواند باعث فرسایش روانی شود.

۲. معاملات سوئینگ (Swing Trading): این استراتژی‌ها که چند روز تا چند هفته موقعیت‌ها را نگه می‌دارند، با نوسانات روزانه بیشتری روبرو هستند. MDD پذیرفته‌شده برای این سبک معمولاً بین ۲۰٪ تا ۳۰٪ در نظر گرفته می‌شود، با این فرض که این افت‌ها در دوره‌های زمانی کوتاه یا متوسط رخ می‌دهند و فرصت‌های بازیابی سریع فراهم می‌شود.

۳. پوزیشن تریدینگ و سرمایه‌گذاری بلندمدت: این سبک‌ها پتانسیل سوددهی بالا را در برابر نوسانات بلندمدت می‌پذیرند. در این حالت، MDD می‌تواند تا ۴۰٪ یا حتی ۵۰٪ نیز برسد، به خصوص اگر سیستم از دارایی‌های بسیار پرنوسان استفاده کند. نکته حیاتی در اینجا، مدت زمانی است که سیستم در آن افت باقی می‌ماند؛ باید تضمین شود که بازار بهبودی طولانی‌مدت خواهد داشت.

۴. ربات‌های گرید (Grid Bots) و مارتینگل (Martingale): این استراتژی‌ها عمداً ریسک Drawdown فاجعه‌بار را می‌پذیرند. در ربات‌های گرید استاندارد، MDD نسبتاً محدود است مگر اینکه بازار از محدوده از پیش تعیین شده خارج شود. اما سیستم‌های مارتینگل، که در آن‌ها سایز پوزیشن پس از هر ضرر افزایش می‌یابد، به گونه‌ای طراحی شده‌اند که ریسک Drawdown نامحدود (Ruin) را بپذیرند. برای این دسته از سیستم‌ها، MDD قابل قبول عملاً صفر است زیرا یک Drawdown بزرگ به معنای نابودی کامل حساب است. برنامه‌نویسان باید در پیاده‌سازی چنین الگوریتم‌هایی، لایه‌های حفاظتی سخت‌گیرانه‌ای برای جلوگیری از رسیدن به نقطه ورشکستگی تعبیه کنند، حتی اگر این به معنای قربانی کردن بخشی از پتانسیل سود باشد.

تفاوت تحمل Drawdown در معامله‌گر انسانی و ربات معامله‌گر

تحمل Drawdown یک پارامتر دوگانه است: جنبه فنی سیستم و جنبه روانشناختی مجری آن.

در مورد ربات معامله‌گر (Trading Bot)، تحمل Drawdown یک مقدار ثابت و از پیش برنامه‌ریزی شده است. سیستم‌های الگوریتمی فاقد ترس و طمع هستند؛ اگر پارامتر MDD سیستم روی ۳۵٪ تنظیم شده باشد، سیستم دقیقاً در ۳۵٪ اکوئیتی متوقف می‌شود، فارغ از اینکه ۳۵٪ در یک روز رخ دهد یا سه سال طول بکشد. این قطعیت، بزرگترین مزیت الگوریتم‌ها در حفظ انضباط مدیریت ریسک است.

اما معامله‌گر انسانی (Discretionary Trader) با چالش‌های روانی عظیمی مواجه است. یک معامله‌گر انسانی ممکن است در بک‌تست بپذیرد که ۳۰٪ MDD قابل قبول است، اما زمانی که در اجرای زنده با افت ۲۰٪ مواجه می‌شود، ترس از دست دادن آنچه باقی مانده است، او را وادار می‌کند تا زودتر از موعد توقف کند یا بدتر، برای جبران سریع زیان، استراتژی را نقض کند (Overtrading). این پدیده به “شکست روانی در تحمل Drawdown” معروف است.

به همین دلیل، برای سیستم‌های نیمه‌خودکار یا سیستم‌هایی که نیاز به نظارت دارند، حداکثر Drawdown قابل قبول برای معامله‌گر انسانی باید همیشه مقداری کمتر از MDD فنی سیستم در نظر گرفته شود (مثلاً اگر MDD فنی ۳۰٪ است، حداکثر Drawdown روانی قابل تحمل برای معامله‌گر ۲۵٪ باشد) تا فضای تنفس روانی فراهم شود.

بررسی Drawdown در شرایط مختلف بازار

رفتار Drawdown یک استراتژی بستگی زیادی به رژیم غالب بازار دارد:

۱. بازارهای رونددار (Trending Markets): استراتژی‌هایی که از روندها سود می‌برند، در این شرایط با Drawdownهای بسیار کوچک یا حتی سودهای پیوسته مواجه می‌شوند. با این حال، MDD در این فازها معمولاً زمانی رخ می‌دهد که روند ناگهان معکوس شود (Roll Reversal)، که این امر می‌تواند به شکل یک Drawdown عمیق اما کوتاه باشد.

۲. بازارهای رنج یا خنثی (Range-Bound Markets): این محیط‌ها کابوس استراتژی‌های دنبال‌کننده روند هستند. در این حالت، سیستم معاملاتی به طور مکرر سیگنال‌های غلط (Whipsaws) تولید می‌کند که منجر به مجموعه‌ای از معاملات کوچک زیان‌ده می‌شود. در نتیجه، Drawdown به جای یک سقوط بزرگ، به صورت یک “سایش آهسته” (Slow Bleeding) رخ می‌دهد که در نهایت به یک MDD متوسط اما بسیار خسته‌کننده ختم می‌شود.

۳. بازارهای پرنوسان و ناپایدار (Volatile Markets): بازارهایی مانند زمان اعلام نرخ بهره یا رویدادهای سیاسی غیرمنتظره، با اسپایک‌های قیمتی بزرگ مشخص می‌شوند. در این شرایط، اگر استراتژی از لوریج بالا استفاده کند یا فاقد توقف ضرر مؤثر باشد، می‌تواند مستقیماً با Drawdownهای شدید و سریع روبرو شود که اغلب منجر به Margin Call می‌شوند. Drawdown در این شرایط، بیشتر تابعی از میزان اهرم و سرعت اجرای الگوریتم است.

تأثیر لوریج و سایز پوزیشن بر Drawdown

لوریج (Leverage) اهرمی است که تأثیر مستقیمی بر دامنه‌ی نوسانات اکوئیتی دارد. استفاده از لوریج، سود را تقویت می‌کند، اما اثر آن بر زیان‌ها نیز دو برابر می‌شود. به زبان ساده، دو برابر کردن لوریج، ریسک Drawdown را به طور بالقوه دو برابر می‌کند، زیرا هر واحد حرکت بازار در جهت مخالف، تأثیر بزرگتری بر ارزش حساب می‌گذارد.

اگر یک استراتژی با سرمایه ۱۰۰ واحدی و لوریج ۱:۱ کار کند، یک حرکت ۵٪ بازار در جهت نامناسب، منجر به ۵ واحد ضرر یا ۵٪ Drawdown می‌شود. اما اگر همان استراتژی با لوریج ۱:۵ کار کند، همان حرکت ۵٪ بازار منجر به ۲۵ واحد ضرر یا ۲۵٪ Drawdown می‌شود.

سایز پوزیشن (Position Size) نیز نقش حیاتی دارد. مدیریت ریسک صحیح مبتنی بر سایز پوزیشن متغیر (مانند قانون کِلی یا درصد ریسک ثابت) تلاش می‌کند تا تأثیر لوریج را کنترل کند. به عنوان مثال، یک سیستم می‌تواند همیشه ریسک کند که در هر معامله تنها ۱٪ از اکوئیتی خود را از دست بدهد. در این حالت، اگرچه لوریج می‌تواند بالا باشد، اما Drawdown کل سیستم تحت کنترل پارامتر ۱٪ باقی می‌ماند، مگر اینکه تعداد زیادی معامله زیان‌ده متوالی رخ دهد. اگر MDD یک استراتژی ۴۰٪ باشد، این بدان معناست که سیستم به طور متوسط باید ۴۰ معامله متوالی ۱ درصدی را تجربه کند که احتمال وقوع آن، با در نظر گرفتن سودهای بینابینی، کم است. بنابراین، تنظیم دقیق سایز پوزیشن بر اساس فرمول‌های مدیریت ریسک، ابزار اصلی برنامه‌نویسان برای مدیریت حداکثر Drawdown قابل قبول است.

نسبت Drawdown به سرمایه اولیه و اکوئیتی

درک اینکه Drawdown چه نسبتی از سرمایه اولیه (Initial Capital) و چه نسبتی از اکوئیتی فعلی را شامل می‌شود، اهمیت استراتژیک دارد.

MDD محاسبه شده بر اساس سرمایه اولیه، سطح کلی ریسک را نشان می‌دهد. این معیار برای مقایسه استراتژی‌های مختلف در یک بازه زمانی ثابت مفید است. اما Drawdown بر اساس اکوئیتی (که همان Drawdown نسبی است) برای تصمیم‌گیری‌های لحظه‌ای در اجرای زنده حیاتی‌تر است.

تصور کنید سرمایه اولیه ۱۰۰,۰۰۰ واحد بوده است.
حالت الف: استراتژی سوددهی داشته و اکوئیتی به ۱۵۰,۰۰۰ واحد رسیده است. اگر Drawdown فعلی ۲۰,۰۰۰ واحد باشد، این ۲۰,۰۰۰ واحد تنها ۱۲٪ MDD نسبت به سرمایه اولیه است، اما ۳۳٪ افت از اوج اکوئیتی فعلی است (( \frac{20,000}{150,000} )). پذیرش ۲۰,۰۰۰ واحد زیان در این مرحله از نظر روانی بسیار آسان‌تر از پذیرش همان میزان زیان در ابتدای راه است، زیرا معامله‌گر قبلاً سودهای انباشته‌ای را تجربه کرده است.

حداکثر Drawdown قابل قبول باید همیشه در چارچوب اکوئیتی در لحظه تفسیر شود. اگر یک معامله‌گر تحمل MDD کلی ۳۰٪ را دارد، این یعنی نباید اجازه دهد که اکوئیتی‌اش از ۷۰٪ سطح قله تاریخی خود پایین‌تر بیاید، صرف نظر از اینکه آن قله چقدر دیر یا زود محقق شده باشد. این اصل، اساس تعیین حد توقف زیان اکوئیتی در سیستم‌های معاملاتی است.

اشتباهات رایج در تفسیر Drawdown در نتایج بک‌تست

برنامه‌نویسان و تحلیلگران اغلب دچار سوگیری‌هایی در تفسیر نتایج Drawdown می‌شوند:

۱. نادیده گرفتن طول دوره Drawdown (Duration of Drawdown): یک MDD برابر با ۳۰٪ که در طول دو ماه رخ داده، بسیار متفاوت از یک MDD ۳۰٪ است که طی سه سال به آرامی تجربه شده است. طول دوره Drawdown نشان‌دهنده نقدینگی مورد نیاز و صبر تحمیل شده بر سرمایه‌گذار است. سیستم‌هایی که Drawdownهای طولانی دارند، حتی اگر سودآور باشند، به دلیل قفل شدن سرمایه، از نظر فرصت‌های سرمایه‌گذاری (Opportunity Cost) ناکارآمد هستند.

۲. سوگیری تأیید (Confirmation Bias) با انتخاب داده‌ها: اگر بک‌تست فقط روی داده‌های بازاری که به نفع استراتژی بوده‌اند (مثلاً فقط بازارهای صعودی برای یک استراتژی خرید)، اجرا شود، MDD تاریخی به شدت دست کم گرفته می‌شود. یک بک‌تست معتبر باید شامل دوره‌های بحرانی بازار (مانند ۲۰۰۸، ۲۰۱۸، یا ۲۰۲۰) باشد.

۳. نادیده گرفتن هزینه‌های معاملاتی و لغزش قیمت (Slippage): MDD محاسبه شده در محیط‌های ایده آل بک‌تست، معمولاً هزینه‌های واقعی اجرای معاملات شامل کمیسیون‌ها و لغزش قیمت (Slippage) را لحاظ نمی‌کند. در استراتژی‌های با فرکانس بالا، این هزینه‌ها می‌توانند به طور چشمگیری Drawdown را تشدید کنند، زیرا هر معامله زیان‌ده کوچک، با هزینه‌های اضافی همراه می‌شود.

۴. عدم توجه به همبستگی (Correlation): اگر یک استراتژی با چند بخش مختلف کار کند، و تمام بخش‌ها در شرایط مشابه بازار دچار Drawdown شوند، Drawdown کل سیستم بسیار بزرگتر از مجموع MDDهای فردی خواهد بود. تحلیلگران اغلب این همبستگی پنهان را در نظر نمی‌گیرند و MDD کل را کمتر تخمین می‌زنند.

چرا Drawdown بک‌تست معمولاً کمتر از Drawdown واقعی است

همانطور که اشاره شد، MDD محاسبه شده در بک‌تست معمولاً خوش‌بینانه‌تر از واقعیت است. دلایل اصلی این امر عبارتند از:

الف. تغییرات ساختار بازار: داده‌های تاریخی فرض می‌کنند که بازار آینده مانند گذشته رفتار خواهد کرد. در دوره‌هایی که الگوهای بازار تغییر می‌کند (مثلاً یک بازار که قبلاً با نوسان کم بود ناگهان پرنوسان می‌شود)، سیستم‌های مبتنی بر داده‌های گذشته ممکن است نتوانند با دینامیک‌های جدید سازگار شوند و Drawdownهای غیرمنتظره‌ای رخ می‌دهد.

ب. تأثیر اجرای زنده (Live Execution Impact): در بک‌تست، فرض بر این است که تمام معاملات با قیمت‌های دقیق تاریخی انجام می‌شوند. در اجرای زنده، لغزش قیمت (Slippage)، تأخیر در اجرای دستورات (Latency) و اثرگذاری بر عمق بازار (Market Impact) در سایز پوزیشنهای بزرگ، باعث می‌شود قیمت اجرای واقعی بدتر از قیمت تاریخی باشد، که مستقیماً به Drawdown سریع‌تر و عمیق‌تر منجر می‌شود.

ج. خطای Overfitting: اگر پارامترهای یک استراتژی بیش از حد بر اساس داده‌های تاریخی بهینه‌سازی (Optimize) شده باشند، سیستم به نویزهای تاریخی وابسته می‌شود. این بهینه‌سازی بیش از حد باعث می‌شود که در داده‌های جدید (دنیای واقعی) عملکرد سیستم به شدت افت کند و MDD واقعی به طور قابل ملاحظه‌ای بالاتر از MDD بهینه‌سازی شده در بک‌تست باشد.

د. روانشناسی انسانی: همانطور که قبلاً ذکر شد، اگر معامله‌گر انسانی درگیر باشد، تصمیمات احساسی اغلب منجر به شکستن قوانین مدیریت ریسک شده و باعث تشدید Drawdown می‌شود.

روش‌های کاهش Drawdown بدون نابود کردن سوددهی

هدف نهایی برنامه‌نویسان کاهش MDD تا سطح حداکثر Drawdown قابل قبول تعیین شده، بدون قربانی کردن بیش از حد بازدهی است. این امر از طریق تکنیک‌های زیر محقق می‌شود:

۱. استفاده از فیلترهای بازار (Market Regime Filters): توسعه الگوریتم‌هایی که بتوانند تشخیص دهند بازار در چه فازی است (روند، رنج، پرنوسان) و بر اساس آن، ریسک و سایز پوزیشن را تنظیم کنند. در فازهای ناپایدار یا رنج که Drawdownهای سیستم افزایش می‌یابد، سیستم به طور خودکار وارد حالت کم‌ریسک‌تر شده یا کلاً متوقف می‌شود.

۲. کنترل سفت و سخت حجم معاملات: اجرای دقیق‌تر قوانین مدیریت ریسک بر اساس سایز پوزیشن متغیر، به ویژه روش‌های فیکسینگ سایز پوزیشن که ریسک هر معامله را به درصدی بسیار کم از اکوئیتی قفل می‌کند. این امر مانع از تبدیل یک سری ضرر کوچک به یک MDD بزرگ می‌شود.

۳. استفاده از استراتژی‌های ضد همبسته (Anti-correlated Strategies): به جای تکیه بر یک استراتژی واحد، ساخت پورتفولیویی از استراتژی‌های غیرمرتبط یا دارای همبستگی منفی. اگر یک استراتژی در شرایط رونددار عملکرد خوبی داشته باشد، استراتژی دیگر ممکن است در شرایط رنج سودآور باشد. ترکیب آن‌ها باعث کاهش نوسان کلی پورتفولیو و در نتیجه کاهش MDD کل می‌شود.

۴. توقف ضرر نرم (Soft Stop Loss) و توقف سود محافظتی: علاوه بر توقف ضررهای سخت، می‌توان از توقف ضررهای نرم (بر اساس اندیکاتورهای تکنیکال) و همچنین اجرای خودکار سود در صورت رسیدن به سطوح خاصی از اکوئیتی (برای حفظ سودهای کسب‌شده) استفاده کرد تا جلوی عقب‌نشینی‌های بزرگ گرفته شود.

معیارهای تکمیلی کنار Drawdown

برای ارزیابی جامع‌تر یک سیستم، MDD هرگز نباید به تنهایی استفاده شود. معیارهای زیر به درک کیفیت بازدهی در برابر ریسک کمک می‌کنند:

۱. Recovery Factor (عامل بازیابی): این معیار نسبت بازدهی تجمعی خالص به حداکثر Drawdown است. ( \text{Recovery Factor} = \frac{\text{Total Net Profit}}{\text{Maximum Drawdown}} ). یک Recovery Factor بزرگتر نشان می‌دهد که سیستم توانسته است پس از تحمل زیان، با قدرت بیشتری به رشد ادامه دهد. این معیار به طور مستقیم به زمان لازم برای بازیابی پس از MDD اشاره دارد.

۲. Profit Factor (عامل سوددهی): نسبت کل سود ناخالص به کل زیان ناخالص. ( \text{Profit Factor} = \frac{\text{Gross Profit}}{\text{Gross Loss}} ). این شاخص نشان می‌دهد که آیا سیستم به طور کلی سودده است یا خیر. اگر Profit Factor بزرگتر از ۱ باشد، استراتژی سودده است. یک سیستم با MDD قابل قبول اما Profit Factor کمتر از ۱، بی‌فایده است.

۳. Sharpe Ratio (نسبت شارپ): همانطور که پیش‌تر اشاره شد، این نسبت بازدهی تعدیل شده بر اساس نوسانات کل (انحراف معیار) را می‌سنجد. یک Sharpe Ratio بالا (معمولاً بالای ۱.۵ یا ۲) نشان‌دهنده عملکرد قوی با نوسانات نسبتاً کنترل‌شده است.

۴. Sortino Ratio: این معیار بهبودیافته Sharpe Ratio است که تنها نوسانات نزولی (Downside Deviation) را در مخرج کسر قرار می‌دهد. این برای ارزیابی ریسک واقعی معامله‌گران بسیار مهم است، زیرا نوسانات صعودی برای سرمایه‌گذار خوشایند است و نباید در اندازه‌گیری ریسک لحاظ شود.

مثال‌های مفهومی برای درک بهتر Drawdown قابل قبول

فرض کنید دو استراتژی الگوریتمی A و B را برای معاملات روزانه در بازار سهام آمریکا بک‌تست کرده‌ایم:

استراتژی A (استراتژی تهاجمی):

• بازدهی سالانه: ۴۵٪
• MDD تاریخی: ۳۸٪
• طول دوره MDD: ۸ ماه
• Recovery Factor: ۱.۱۹ (نسبتاً ضعیف)

استراتژی B (استراتژی محافظه‌کار):

• بازدهی سالانه: ۲۰٪
• MDD تاریخی: ۱۲٪
• طول دوره MDD: ۳ ماه
• Recovery Factor: ۱.۶۷ (قوی)

اگر حداکثر Drawdown قابل قبول برای سرمایه‌گذار ۳۰٪ باشد، استراتژی A اگرچه بازدهی بسیار بالاتری دارد، اما در بک‌تست از حد قابل قبول فراتر رفته است (۳۸٪ > ۳۰٪). علاوه بر این، زمان طولانی ۸ ماهه برای بازیابی نشان می‌دهد که این استراتژی نیاز به سرمایه در گردش بسیار زیادی دارد. حتی اگر در اجرای زنده با کاهش ریسک، MDD را به ۳۰٪ برسانیم، Recovery Factor ضعیف آن نشان می‌دهد که بازیابی سرمایه پس از آن افت، کند خواهد بود.

در مقابل، استراتژی B با بازدهی کمتر، از نظر ریسک بسیار مطلوب‌تر است. MDD آن (۱۲٪) به طور قابل توجهی کمتر از آستانه قابل قبول (۳۰٪) است و Recovery Factor آن بسیار قوی‌تر است. این نشان می‌دهد که استراتژی B، با وجود سود کمتر، از لحاظ قابلیت اطمینان و پایداری، احتمالاً برای اکثر سرمایه‌گذاران، به خصوص آنهایی که تحمل روانی کمتری دارند، انتخاب بهتری است. حداکثر Drawdown قابل قبول در این مثال، استراتژی A را به دلیل عدم انطباق با چارچوب ریسک، نامناسب می‌سازد، حتی با وجود سود بالاتر. تمرکز بر Recovery Factor و اطمینان از اینکه MDD در محدوده تحمل تعریف شده باقی بماند، کلید موفقیت بلندمدت در معامله‌گری الگوریتمی است.