最大回撤控制与 CPPI：把下行约束写进仓位管理

「我想赚上涨的钱，但最多只亏 20%。」这句话听起来像一句愿望，但在组合保险（Portfolio Insurance）的框架里，它可以被写成一个可执行的仓位公式。最经典的实现之一就是 CPPI（Constant Proportion Portfolio Insurance，恒定比例投资组合保险）。

它的核心思想朴素到一句话就能说清：先划出一条绝不让组合跌破的「底线」（floor），把「当前资产 − 底线」当成缓冲垫，只拿缓冲垫的一个倍数去买风险资产。 市场涨，资产离底线远，缓冲垫厚，自动加仓；市场跌，缓冲垫被吃掉，自动减仓。下行约束就这样被「焊」进了每一天的仓位里。

本文用一段带两次崩盘的 6 年日度行情演示 CPPI 的真实表现，并诚实指出它最大的几个陷阱——尤其是一个教科书经常轻描淡写、实盘却要命的 gap risk（跳空风险）。

一、CPPI 的数学：把约束变成仓位#

设第 $t$ 日组合净值为 $A_t$ ，你设定的保护底线（floor）为 $F_t$ 。CPPI 定义三个量：

缓冲垫（cushion）： $C_t = A_t - F_t$ —— 你「亏得起」的空间。
风险敞口（exposure）： $E_t = m \cdot C_t$ —— 拿缓冲垫的 $m$ 倍去买股票/风险资产。 $m$ 叫乘数（multiplier），通常取 3~5。
安全资产（bond）： $B_t = A_t - E_t$ —— 剩下的钱买债券（无风险或低波动）。

下一日的净值更新为：

$A_{t+1} = E_t(1+r^{\text{risky}}_t) + B_t(1+r^{\text{safe}}_t)$

其中 $E_t$ 必须 clamp 到 $[0, A_t]$ ：当缓冲垫耗尽（ $C_t\le 0$ ），风险敞口直接归零，全部转债券，组合停在底线附近。

直觉上：乘数 $m$ 越大，越激进——同样的缓冲垫撬动更多股票，上涨时弹性更大，但下跌时 cushion 被吞噬得更快、减仓更剧烈。

CPPI 与买入持有的权益曲线对比

二、Python：一个可直接跑的 CPPI 引擎#

下面这段代码就是生成上方图表的同一套逻辑，去掉了绘图、只留核心。注意 clamp——它保证崩盘时不会出现「负敞口」这种无意义状态。

import numpy as np

def run_cppi(r_risky, r_safe, m, floor_level, rebalance=True):
    """
    r_risky, r_safe : 长度 T 的日收益序列
    m               : 乘数
    floor_level     : 保护底线（占初始财富比例，如 0.80 = 最多亏 20%）
    返回 A(净值), E(风险敞口), C(缓冲垫)，长度 T+1
    """
    A = np.empty(len(r_risky) + 1)
    E = np.empty(len(r_risky) + 1)
    C = np.empty(len(r_risky) + 1)
    A[0] = 1.0
    for t in range(len(r_risky)):
        C[t] = A[t] - floor_level
        E_t = m * C[t]
        E_t = min(max(E_t, 0.0), A[t])          # clamp 到 [0, A_t]
        bond = A[t] - E_t
        A[t + 1] = E_t * (1 + r_risky[t]) + bond * (1 + r_safe[t])
        E[t], C[t] = E_t, C[t]
    E[-1], C[-1] = E[-2], C[-2]
    return A, E, C

# ---- 示例：带一次 -38% 崩盘 + 一次 -18% 熊市的 GBM 市场 ----
def simulate_market(T=252*6, seed=2026):
    rng = np.random.default_rng(seed)
    mu_d, sig_d = 0.09/252, 0.17/np.sqrt(252)
    r = rng.normal(mu_d, sig_d, size=T)
    crash = int(T*0.60);  r[crash] += -0.38
    for k in range(1,6):  r[crash+k] += -0.05*np.exp(-k/2.0)
    bear = int(T*0.85);   r[bear]   += -0.18
    return r

r_risky = simulate_market()
r_safe = np.random.default_rng(11).normal(0.025/252, 0.01/np.sqrt(252), len(r_risky))
A3, E3, C3 = run_cppi(r_risky, r_safe, m=3.0, floor_level=0.80)
print("CPPI(m=3) 终值=%.3f" % A3[-1])

python

三、缓冲垫如何变成「自动止损」#

把资产、底线、缓冲垫画在同一张图上，CPPI 的机制就一目了然：

资产价值、底线与缓冲垫的结构

崩盘那天（图中红点），风险资产暴跌，资产净值 $A_t$ 下坠；但因为它已经把一部分钱放在债券里，下坠的幅度被缓冲垫吸收了一大部分。更关键的是第二天：新的 cushion 变薄，公式自动把风险敞口 $E_t$ 调小，相当于「被动止损减仓」。你不需要手动设止损线——仓位公式替你做了。

这里有一个和「固定比例仓位」的本质区别：普通「永远 60% 股票」在崩盘里照跌 60% 的比例；CPPI 的仓位随 cushion 缩放，跌得越多、仓位越轻，天然带一个加速去杠杆的机制。

四、真实计算结果（6 年，含两次崩盘）#

我跑了一段 1512 个交易日（约 6 年）的行情：风险资产年化 9%、波动 17%，债券年化 2.5%，在第 60% 处注入 −38% 崩盘、第 85% 处注入 −18% 熊市。floor 固定为 0.80。结果：

策略	终值	最大回撤
买入持有（全仓风险）	0.539	−72.3%
CPPI m=2	0.853	−45.3%
CPPI m=3	0.834	−53.8%
CPPI m=5	0.812	−58.3%

CPPI 确实把回撤从 −72% 拉到了 −45%~−58% 区间——但注意：它没有把回撤锁死在 20%。这就是下一节的陷阱。

CPPI 与买入持有的回撤对比

五、乘数 $m$ 的权衡：收益与 cushion 侵蚀#

固定 floor=0.80，扫描乘数 $m\in\{1,2,3,4,5,6\}$ ：

终值： $m=1\to0.970,\;2\to0.853,\;3\to0.834,\;4\to0.819,\;5\to0.812,\;6\to0.809$
最大回撤： $m=1\to-25.8\%,\;2\to-45.3\%,\;3\to-53.8\%,\;4\to-57.3\%,\;5\to-58.3\%,\;6\to-58.8\%$

乘数 m 对终值与最大回撤的影响

规律很清楚： $m$ 越大，上行参与度越高，但回撤也越深、cushion 被吞噬得越快。而且这个市场里 $m$ 超过 2 之后终值反而下降——因为崩盘太多，更大的敞口只是多吃了跌幅。这告诉我们一个朴素的道理：CPPI 不是「无脑加 $m$ 就能多赚」，乘数是对「我愿意为上行放弃多少下行保护」的定价。

六、真实陷阱（务必知道）#

Gap risk（跳空风险）——最致命的坑。 CPPI 是「今天看 cushion、明天调仓位」，中间隔着一个交易日。如果风险资产单日暴跌（比如 −38%），当天你还是满敞口，这一天的亏损会直接穿透 floor。这就是为什么上面 $m=2$ 、floor=0.80 的理论最大单日亏损约 $m\cdot(1-F)=2\times0.2=40\%$ ，实测 −45.3%——它必然会阶段性跌破底线。教科书说「CPPI 保证不破 floor」，前提是你盘中能连续再平衡且资产不跳空；真实股票/期货做不到。
乘数是双刃剑，且上限受监管/券商约束。 机构 CPPI 的 $m$ 往往被合规上限卡住（如 ≤5），否则 cushion 归零时一次反弹也救不回来。
floor 的设置是信仰问题。 floor 设太高（如 0.95），cushion 永远薄，几乎全仓债券，等于放弃了大部分上涨；设太低（如 0.5），回撤保护形同虚设。floor 该多高，取决于你的「最大可忍亏损」，不是拍脑袋。
再平衡摩擦与税费。 每天调仓、且 cushion 薄时频繁加减仓，交易成本会啃掉本就不多的超额。实盘要用阈值带（cushion 变化超 x% 才调）压低换手。
债券端并非真·无风险。 上面用 2.5% 短债近似安全资产；若 floor 用长债或信用债对冲，安全资产自己也会跌，floor 保护被打折扣。

七、小结#

CPPI 的价值不在于「保证不亏」，而在于把一句模糊的「我不想亏太多」翻译成每天自动执行的仓位纪律：缓冲垫厚就进攻、薄就防守，下行约束内嵌在公式里，不靠人盯盘、不靠意志力。但它有三个必须正视的前提——跳空会击穿 floor、乘数要匹配你的风险预算、再平衡有成本。把它当「带保护的可变仓位策略」而非「保本神器」，才算用对了。

本文行情为带崩盘的 GBM 合成数据，仅用于演示 CPPI 机制；实盘落地请用真实标的收益序列，并把 gap risk、交易成本、floor 路径（通常用现值折现而非常数）一并建模。CPPI 仅做多头研究示例，不构成任何投资建议。