##研究对象： [【量化课堂】股指期货对冲策略][1] ##研究目的： 1. 寻求一套通用的对冲例程，以期望用于各种资产组合。 2. 学习大神编程经验，提高自己的python语言水平。 ##研究过程： ###一、重写原版 1. 发现get_next_month_future函数逻辑有些乱，改写了该函数。 ``` # 进入本月第三周即切换到下月合约，而不等第三周的周五本月合约结束 def get_next_month_future(context, symbol): dt = context.current_dt month_begin_day = datetime.date(dt.year, dt.month, 1).isoweekday() # 本月1号是星期几(1-7) third_monday_date = 16 - month_begin_day + 7*(month_begin_day>5) #本月的第三个星期一是几号 # 如果今天没过第三个星期一 if dt.day < third_monday_date: next_dt = dt #本月合约 else: next_dt = dt + relativedelta(months=1) #切换至下月合约 year = str(next_dt.year)[2:] month = ('0' + str(next_dt.month))[-2:] return (symbol+year+month+'.CCFX') ``` 2. 重写compute_hedge_ratio函数 计算资产组合及沪深300指数的日收益率： 原算法： ``` # 取股票在样本时间内的价格 prices = history(g.yb, '1d', 'close', in_position_stocks) # 取指数在样本时间内的价格 index_prices = list(attribute_history('000300.XSHG', g.yb, '1d', 'close').close) # 计算股票在样本时间内的日收益率 rets = [(prices.iloc[i+1,:]-prices.iloc[i,:])/prices.iloc[i,:] for i in range(g.yb-1)] # 计算日收益率平均 mean_rets = [np.mean(x) for x in rets] # 计算指数的日收益率 index_rets = [(y-x)/x for (x,y) in zip(index_prices[:-1],index_prices[1:])] ``` 修改后简洁地表达： ``` prices = history(g.yb, '1d', 'close', in_position_stocks) index_prices = attribute_history('000300.XSHG', g.yb, '1d', 'close') # prices 行:日期,列:各只股票 =>pct_change():dataframe, 结构不变，值为日收益率=>[1:] drop first row # =>mean(axis=1)横向平均,Series=>.values:array mean_rets = prices.pct_change()[1:].mean(axis=1).values # pct_change():dataframe, 结构不变，值为日收益率=>[1:] drop first row=>.close:Series =>values:array index_rets = index_prices.pct_change()[1:].close.values ``` 并对beta计算过程进行了注释： ``` # 计算组合和指数的协方差矩阵cov_mat # Rp | Rm # Rp Rp.Var | cov(Rp,Rm) # Rm cov(Rm,Rp) | Rm.Var cov_mat = np.cov(mean_rets, index_rets) # 计算组合的系统性风险beta beta = cov_mat[0,1]/cov_mat[1,1] ''' # 另一种算法 index_rets = sm.add_constant(index_rets) # 常数用来拟合alpha，系数用来拟合beta model = regression.linear_model.OLS(mean_rets, index_rets).fit() #线性回归，OLS普通最小二乘法ordinary least square alpha, beta = model.params[0], model.params[1] ''' ``` 本函数返回对冲比例和beta值，其中对冲比例hedge_ratio的表达式`1+beta*g.futures_margin_rate+beta/5` 这个对冲比例hedge_ratio怎么来的？有什么用？请看下面的“研究” 3. 重写initialize函数： 原表达： ``` set_subportfolios([SubPortfolioConfig(cash=context.portfolio.starting_cash*(1/1.3) ,type='stock'),SubPortfolioConfig(cash=context.portfolio.starting_cash*0.3/1.3,type='index_futures')]) ``` 现表达： ``` # 分仓 stock_cash = np.round(context.portfolio.starting_cash*(1/1.3),0) future_cash = context.portfolio.starting_cash - stock_cash set_subportfolios( [ SubPortfolioConfig(cash=stock_cash, type='stock'), SubPortfolioConfig(cash=future_cash,type='index_futures') ] ) ``` 4. 重写before_trading_start函数 注释掉了如下一条语句，并将之移到compute_signals函数里： ``` g.all_stocks = set_feasible_stocks(get_all_securities(['stock']).index,g.yb,context) ``` 理由是:每天计算g.all_stocks计算量极大。实际上只有在compute_signals才能用上g.all_stocks， 而compute_signals函数20个交易日才执行一次（g.tc=20 #调仓频率），所以每天都计算g.all_stocks是无用功。 5. 重写compute_signals函数： 原写法： ``` if g.t%g.tc==0: # 获取所有股票的财务数据总负债和总资产 q = query(balance.code, balance.total_liability, balance.total_assets).filter(balance.code.in_(g.all_stocks)) data = get_fundamentals(q) # 计算资产负债比 data['ALR'] = data['total_liability']/data['total_assets'] # 资产负债比从大到小排列 data = data.sort('ALR', ascending=False) # 输出最靠前的 3% return list(data.code)[:int(float(len(g.all_stocks))*g.percentile)] ``` 修改后： ``` if g.t%g.tc==0: # 获取可行股票池 all_stocks = set_feasible_stocks(get_all_securities(['stock']).index,g.yb,context) # 获取所有股票的财务数据总负债和总资产 q = query( balance.code, balance.total_liability, balance.total_assets, (balance.total_liability/balance.total_assets).label('ALR') ).filter( balance.code.in_(all_stocks) ).order_by( (balance.total_liability/balance.total_assets).desc() #按资产负债率降序 ) data = get_fundamentals(q) stock_list = data['code'].tolist() # 输出最靠前的 3% return stock_list[:int(len(all_stocks)*g.percentile)] ``` 修改后的代码试图用一条sql查询语句找出想要的答案。 修改时发现了一个问题，就是“资产负债率”按大到小排列？ 一般地，资产负债率越高，表明该企业已经陷入或即将陷入财务困境，这样的股票表现能好么？ 为忠实再现原作，先不改，保持降序。策略不是重点,重点是对冲效果。 6. 修改rebalance函数 原作183-186行 ``` for stock in g.in_position_stocks: order_target_value(stock, stock_value/len(g.in_position_stocks), pindex=0) for stock in g.in_position_stocks: order_target_value(stock, stock_value/len(g.in_position_stocks), pindex=0) ``` 明显重复了，但却不是疏忽。原作想做什么？是要保持等权！ 要保持等权，就得削高填低，第一遍贴权的没有钱买，因为超权的还可能没有卖出钱来， 所以第一遍把高的削了，第二遍就有钱把低洼地带填平了。效果是这个效果，但得仔细揣摩才能读懂。 改改，虽然效果一样，语句还多了不少，但浅显些。同时增加了过滤停牌股票的功能： ``` curr_data = get_current_data() target_stocks = [stock for stock in g.in_position_stocks if not curr_data[stock].paused ] #过滤掉今日停牌的 per_value = stock_value/len(g.in_position_stocks) #每只股票应该达到的权值 over_weight_list = [stock for stock in target_stocks if \ context.subportfolios[0].long_positions[stock].value > per_value] #现持仓中超权的 under_weight_list = [stock for stock in target_stocks if \ stock not in over_weight_list] #剩余的，就是贴权的，应该补权 for stock in over_weight_list: # 超权的先减仓，削高 order_target_value(stock, per_value, pindex=0) for stock in under_weight_list: # 贴权的再加仓，填低 order_target_value(stock, per_value, pindex=0) ``` 为更精准地对冲，从获取沪深300价格改为获取股指期货价格，原因： （1）股指期货与现货相比，存在升水或贴水 （2）对冲的不限于IF,也可能是IH,IC ``` # 获取沪深300价格 # index_price = attribute_history('000300.XSHG',1, '1d', 'close').close.iloc[0] # log.info('HS300 index_price: %.2f' % index_price) # 获取期货指数价格 index_price = attribute_history(current_future, 1, '1d', 'close').close.iloc[0] log.info('Index futures: %s, Price: %.2f' % (current_future, index_price)) ``` rebalance函数中还有几处费解的地方，如何去理解，请看下面的“研究” 另外，对rebalance函数进行了详尽的log，以解释各个变量的含义，并可以借此检验是否达到对冲要求。 一个教学策略，我花了2天的时间来学习，受益匪浅。原作水平很高，尤其是rebalance函数，写的很精彩！ 回测的时候发现，起始资金2个亿，有些多了，即使一次买N多只股票，依旧有超出该股全天成交量的。故把起始资金调整为2千万。 资金量小了，股指期货对冲的精度就下降了，所以，回测的结果与原作会有不同。 先改到这里，看看回测效果再说。嗯,回测速度快了很多！ [1]: https://www.joinquant.com/post/3793?tag=algorithm