溃疡指数与痛苦指数：把回撤的深度和时长一起计入风险

先说结论：最大回撤是一个单点统计量——它只记录整段历史里最深的一次下潜，完全无视你在水下待了多久；溃疡指数（UI）对整条水下曲线求均方根、痛苦指数（PI）求算术平均，把”回撤的时长”第一次正式请进了风险度量。两条 MDD 同为 -30% 的曲线，UI 可以差出 60%——而那 60% 正是持有人真实体感的差距，也是产品清盘概率的差距。

一、MDD 的盲区：摔多深它知道，泡多久它不管#

最大回撤（Maximum Drawdown）是资管行业曝光率最高的风险指标，但它的信息含量低得和曝光率不成比例。定义决定了这一点：

$\text{MDD} = \min_t \frac{V_t - \max_{s \le t} V_s}{\max_{s \le t} V_s}$

整条净值曲线成千上万个观测，最后浓缩成一个时点上的一个数。它回答”历史上最惨的时候亏了多少”，但对下面三个持有人真正关心的问题保持沉默：

• 回撤持续了多久？
• 深度回撤是一次性的还是反复出现？
• 全程有多大比例的时间泡在水下？

构造一个具体的对照。两条五年（1260 交易日）的净值曲线：

import numpy as np
rng = np.random.default_rng(42)
T = 1260

# 策略A：V 型急跌——30 天暴跌，60 天修复
rA = rng.normal(0.0006, 0.009, T)
rA[300:330] = rng.normal(-0.012, 0.008, 30)   # 急跌段
rA[330:390] = rng.normal(0.007, 0.007, 60)    # 快速修复段

# 策略B：绵长阴跌——500 天缓慢失血（深度经缩放对齐 A 的 MDD）
rB = rng.normal(0.0006, 0.009, T)
rB[300:800] = 阴跌段  # 日均约 -8.5bp，缓慢但持续

navA, navB = np.cumprod(1 + rA), np.cumprod(1 + rB)

我刻意把 B 的阴跌深度缩放到两者最大回撤几乎相同：A 是 -30.4%，B 是 -30.2%。在任何用 MDD 排序的尽调表格里，这两个策略并列。

但看水下曲线（drawdown curve，即每一天距离历史峰值的百分比距离）：A 的水下面积是一个窄而深的尖钉，跌下去 90 天内爬回来；B 是一片宽阔的浅海，在水下连续泡了 500 多天。任何真实持有过产品的人都知道这两种体验的区别：前者是一次心脏骤停后的快速抢救，后者是长达两年的慢性消耗——赎回、清盘、职业风险，绝大多数发生在后者的场景里。行为金融的证据也一致：投资者对”长期看不到新高”的忍耐远差于对”单次深跌但快速修复”的忍耐。

二、溃疡指数：对水下曲线求均方根#

Peter Martin 在 1987 年提出溃疡指数（Ulcer Index），名字直白——衡量这条曲线给你胃部造成的损伤。定义是水下曲线的均方根：

$\text{UI} = \sqrt{\frac{1}{T}\sum_{t=1}^{T} D_t^2}, \quad D_t = \frac{V_t - \max_{s\le t} V_s}{\max_{s\le t} V_s} \times 100$

def drawdown(nav):
    peak = np.maximum.accumulate(nav)
    return (nav - peak) / peak

def ulcer_index(nav):
    dd = drawdown(nav) * 100        # 百分比水下深度
    return np.sqrt((dd ** 2).mean())  # 均方根：每一天都计入

def pain_index(nav):
    return -drawdown(nav).mean() * 100  # 算术平均：线性计重

两个设计选择值得注意：

1. 每一天都计入。不再是单点统计量，回撤持续 500 天就贡献 500 个平方项——时长直接进入公式。
2. 平方计重。-20% 那天的贡献是 -10% 那天的 4 倍。深回撤被超线性惩罚，这与投资者效用的凸性损失厌恶一致。

痛苦指数（Pain Index）是它的线性版本：直接取水下深度的算术平均，等价于水下曲线与零轴围成的面积除以时间。平方与否的区别：UI 更怕深，PI 对深和久一视同仁。

对照两条曲线的实测值：

MDD 判平局，UI/PI 判 B 显著更差——差距的来源全部是时长。这正是这对指标存在的意义：它们不是 MDD 的替代品，是 MDD 丢失维度的补全。

三、Martin 比率：把 Sharpe 的分母换成 UI#

有了 UI，自然可以构造风险调整收益：Martin 比率（也叫 Ulcer Performance Index）= 超额年化收益 / UI。它与 Sharpe 的结构完全平行，区别只在分母的风险定义：

• Sharpe 的分母是波动率：上涨的抖动和下跌的抖动同罪。一个每天 +2%/-1% 交替、一路创新高的策略，波动率很大，Sharpe 被压低——但它根本没让你痛苦过。
• Martin 的分母是 UI：只有水下的日子才计入风险。在峰值之上的任何波动，惩罚为零。

40 个随机策略（一半被植入了随机长度的阴跌段）的散点：

横轴 Sharpe、纵轴 Martin、颜色为 UI。关键读法：取任何一条竖直切片（Sharpe 相近的策略），纵向的散布可以差好几倍——同样的均值方差特征，回撤形态可以完全不同。反过来，Martin 高的策略几乎都落在 UI 小（深蓝）的区域，这不是巧合，是分母的直接后果。

实务上我的用法是把两者当作互补的过滤器：Sharpe 负责收益质量的第一轮筛选，Martin 负责淘汰那些”Sharpe 靠牛市段撑起来、熊市段在水下躺平”的策略。两个指标排名分歧最大的策略，恰恰是最值得人工看一眼净值曲线的。

四、三个实务陷阱#

陷阱一：UI 对数据频率不中性#

用月频净值算 UI，会系统性低于日频 UI——月末采样会跳过月中的回撤深点，水下曲线被平滑。同一个基金，日频 UI 可以是月频 UI 的 1.3~1.8 倍。跨策略比较 UI 时必须锁定同一采样频率，尤其警惕基金材料里用月频 UI 与你自己日频回测的 UI 直接对表——那不是同一个量纲的数字。（对比之下，年化波动率虽然也有频率效应，但√t 缩放大体可比；UI 没有类似的标准化缩放。）

陷阱二：峰值锚定与”永远在水下”的策略#

UI 的每一项都以历史最高点为锚。对一个高波动、新高稀疏的策略（比如深度价值或长周期 CTA），净值可能 80% 的时间在水下，UI 天然巨大——即便它的长期复合收益不错。这不是 bug，是特性的两面：UI 忠实反映了”持有体验差”，但如果你的资金久期真的很长、且不受路径中间的心理和赎回压力影响，UI 会让你系统性错过这类策略。锚也可以换：把 peak 换成滚动一年峰值，得到的”滚动 UI”对远古高点不再记仇，更适合评估近期状态。

陷阱三：拿 UI 当优化目标时的路径依赖#

把 Martin 比率直接放进组合优化器是危险的。UI 是路径依赖的统计量——它依赖净值序列的顺序，不像方差那样可以从收益的协方差矩阵解析合成。后果有二：一是组合的 UI 不能由成分的 UI 加权得到，必须逐条路径模拟；二是目标函数非凸且对样本路径高度敏感，样本内 UI 最优的权重换一段样本可以完全失效。可行的折中是：仍用凸框架（均值方差或 CVaR）做优化，UI/Martin 只做事后评估与否决——这是它们最稳健的岗位。

五、给回撤指标一个完整的座次#

把常见的回撤类指标按信息维度排一下：

我的实际习惯：尽调看板上 MDD、UI、水下时间占比三个一起放。MDD 回答极端情形，UI 回答日常体感，水下时间占比（PI 的近亲）回答”持有人多大比例的日子在忍耐”。三个数字里任何一个单独出现，都在讲一个不完整的故事——而策略 B 那种”MDD 及格、UI 爆表”的形态，正是只看单一指标时最容易漏掉的清盘候选人。

参考文献#

1. Martin, P. G., & McCann, B. (1989). The Investor’s Guide to Fidelity Funds. Wiley.（溃疡指数原始出处）
2. Becker, T. (2006). The Pain Index and Pain Ratio. Zephyr Associates Technical Note.
3. Bacon, C. R. (2008). Practical Portfolio Performance Measurement and Attribution (2nd ed.). Wiley. Chapter 4: Risk.
4. Chekhlov, A., Uryasev, S., & Zabarankin, M. (2005). Drawdown Measure in Portfolio Optimization. International Journal of Theoretical and Applied Finance, 8(1), 13-58.