在第2章对量化交易策略的研发流程进行介绍时，作者说明了收益和风险这两个特征对于策略构建的重要作用与意义。第4~ 8章则给出了若干交易策略的实例，但是这些策略的构建基本上仅由收益特征所推动。在这一章中作者将在量化交易策略的背景下阐述与风险相关的内容,从而为后面的章节做出基础性的铺垫。
不同于收益，风险实际上是一个较为抽象的概念，学术界和业界对它都缺乏一个约定俗成、统的定义， 而对于单个的个人而言，对风险的理解更可能千差万别。好在存在一个笼统但是涵盖较广的风险定义，可以包容大部分人对于风险的认识，即风险是事件未来可能结果的不确定性。本书将从这一内涵出发，尝试梳理一下量化交易策略研发下的风险特征以及相应的度量方法。
在量化交易策略的研发过程中，我们所关注的事件是运行策略所形成的净值走势情况，而更进一步分解时间序列上的净值走势，实际上我们关注的结果正是策略所带来的收益。在这样的背景下，收益的不确定性是可以用来描述交易策略所固有的风险特征的。
从前面的内容中可以发现，对收益本身的追求与优化可以形成量化交易策略，收益在这个层面上是有益的、正面的。但是收益的不确定性则相反，当这种不确定性的程度增加时，量化交易策略的最终结果会呈现出不稳定的特征，这种不稳定性也就是风险所带来的缺陷。同时，由于量化交易策略中优化行为的存在，因此这种不确定性会导致优化等数学处理的失效，也就是第3章所提到过的过度拟合等问题，这也是风险的负面效应在量化交易策略下的一个实际体现。
在研发量化交易策略时，由于要使用各种数量化手段来进行模型构建和策略描述，因此选定一个精准的风险度量方式是必须进行的工作。而度量收益不确定性的方式多种多样，因此在实际的研发过程中，往往要根据实际情况进行合理的选择。
对收益不确定性描述最为清晰的应该是收益率的概率分布，其在数学定义上包含了可能的结果以及概率，虽然较为复杂但是细节丰富，用来是现收益的不确定性十分合适。图9-1 是一个实际的例子，展示了推进分析下自回归策略也就是第7章7.4节中的交易策略的日收益率分布情况，其中柱状图反映了日收益率的经验分布。观察图9-1.可以了解到策略收益率的大部分可能情况以及相应的概率。
然而有一个问题需要注意，虽然收益率的分布可以完整地描述收益的不确定性，但是由于其表现过于细致，往往并不能很好地运用于量化交易策略研发的数学处理过程中。例如，当使用收益分布作为风险度量运用于策略目标最优化时，这种过于细节化的处理会使得优化问题的复杂程度大大增加甚至无法实现。
因此，分布情况这种风险度量方式虽然具有自身的优点，但是一般不作为优化数之类的表现形式，而仅仅出现在策略结果事后的风险分析中。更多时候，量化交易策略的整个研发过程需要使用-种简洁但有效的风险度量，从而使得风险度量能够同时能够满足实现风险特征表现和事后风险描述两种使用形式的要求。
方差正是这样的一种风险度量方式,其刻画了随机变量的取值对于其数学期望的离散程度。实际上，方差本是一个概率统计上的概念，马科维茨在1952年的开创性论文中使用了这一统计量作为投资组合风险的度量形式，其在金融研究中的应用也随之越来越多。仍以推进分析下的自回归策略为例，设推进分析中模线分别标明了最大回撒的起点和终点位置。
需要注意的是，最大回撤率这一指标存在一个特殊的属性，那就是其计算依赖于样本长度的选择。如果假设一个量化交易策略的风险程度不随时间的推移而发生变化，那么其10年的收益率标准差和5年的收益率标准差应该是相同的，但是10年的最大回撤率和5年的最大回撤率可能就不尽相同，前者大概率大于后者。为了使得风险度量不仅能够横向对比，同时也能够更直接地推广到对未来预期并保持一致，可以使用诸如年化最大回撤率之类的标准化度量形式。
年化最大回撒率的计算方式依赖于对最大回撤率的计算。仍然用第7章7.4节中的自回归策略举例，如图9-3所示，将原来完整的模拟交易期分隔为若干个以一年为长度的新样本期，即图中的一个灰色框，每个样本期较上一个向前推进一天。分别计算每个灰色框期间下的策略最大回撒率，最后将所有的最大回撤率综合并求取平均值，即为该策略的年化最大回撤率。经过这样的处理，使得最大回撤率这一指标也具有了由历史向未来推算时的普适性。
从另一个角度看，最大回撤率与年化最大回撤率在设置上的区别也使得它们分别适用于不同的现实情况。如果一个交易员从2012年年初开始使用该自回归策略，并一直持续到2015年6月，那么最大回撤也就是该交易者在这段时期内所承受的最大风险。但是如果将该自回归策略作为一个产品进行售卖，而该产品的用户可能在这段时期内的各个时点进行购买，那么每个用户所承受的最大回撤也不尽相同，这时使用用户群体最大回撤率的均值来刻画策略所具有风险，就更有实际意义一些，这也是年化最大回撤率的一个贴合现实的含义。
可以看到，最大回撤率、年化最大回撤率对于量化交易策略风险的描述直接构筑在策略净值的基础上,接近实际表现，更为直观也更容易理解。因此许多实战派的交易员更喜欢使用这一指标，而且往往不仅用其来进行事后的风险描述，也会将其作为风险特征的度量加入策略模型中进行优化或者其他数学处理。
但是遗憾的是，最大回撤类指标的数学性质并不突出，会增加最优化等数学过程的复杂程度。与此同时，最大回撤类指标对数据样本选取的依赖程度较高，有可能因为变更了部分数据或者调整了样本期而产生较大的变化，因而更有可能产生过度拟合的问题。
相比较而言，方差、标准差就具有更好的数学性质，可以有效降低策略模型的求解难度。方差、标准差也更为稳定，由于其针对收益率时间序列做出统计,因此部分数据的变化对其最终结果的影响往往较小。基于这一类风险指标构造出的交易策略，在推进分析乃至实际使用中也因此会具有更好的稳定性。
还可以从另一个角度理解这种稳定性的差别。当我们根据样本数据测算出一段时间内的最大回撤水平之后，只要未来的策略运行时间足够长，最大回撤率一定会超过这一水平。而方差、标准差就不存在这个问题，而且测算时间越长，统计得出的方差、标准差往往就越接近真实的风险水平。
就作者自已的研发心得而言，最大回撤类的指标更适用于对策略交易(包括回溯测试下的模拟交易)进行事后风险措述，方差、标准差之类的指标则更适合在构建量化交易策略的研究过程中使用。当然，这也是一家之言,没有一定之规，具体问题还应具体分析。
在我们看来，研究人员使用某个风险度量的前提，应该是在逻辑和内涵上尽可能地理解该风险度量，也只有熟悉了各种风险度量形式的含义和运用范围，才能根据具体的情况选择合适的度量指标，并且合理地使用它。
