【量化交易日记0172】波动率的故事

今天和同学出去玩了，决定摸鱼一天。分享一个简单的idea。

之前测出来一个策略，利用滚动回测的方法，测了19年年初至今的净值曲线，大概是这样的。

标的是ETH，纯择时，也没有加多币种仓位管理。就其本身而言，已经相当不错了。在ETH行情没什么波动的情况下，并没有亏损太严重，等到波动率上升了之后，果断起飞。

根据我们昨天的文章【量化交易日记0171】变异系数的预言，CTA策略其实本质上是在做long volatility，而学术界也有证明，CTA基金的大部分收益都可以由回望式跨式期权组合的收益来解释。所以，在波动率如此低迷的年初，能长期空仓防止打脸，5月之后能抓住波动，我们其实相当满意了。

但是后来我们又看了策略每个月的净值曲线，发现并不是特别美丽。

没有多少回撤？都是骗人的，一月直接回撤了40%，只是在图里没看出来。3月也有20%的回撤，直到4月才开始有起色，5月6月都相当不错，但走了前半段的7月也相当菜鸡。

这让我们感到蕉绿。

这真的拿得住么...CTA策略最重要的就是规避常态化行情的风险，但这也过于难受了。一方面我们只能承认这个策略其实比较菜，抗风险能力不行；另一方面，我们准备对波动率进行建模，试图预测之——相比一阶矩，二阶矩的预测难度会小很多，而且工具多。

如果对波动率有比较靠谱的预测，那么未来在波动率偏小的时候，建仓的比例就要适当调低；波动率高的时候，可以加大力度。

附上这个短小的代码，结束今天的摸鱼日报。

import pandas as pd

复制代码

from matplotlib import pyplot as plt

复制代码

[/code][code]df = pd.read_csv(r'equity_curve.csv')

复制代码

[/code][code]df['month'] = df['candle_begin_time'].dt.month

复制代码

[/code][code]fig = plt.figure(figsize=[14, 7])

复制代码

[/code][code]for i in range(7):

复制代码

[/code][code] draw_df = df[df['month'] == i + 1].copy()

复制代码

draw_df.reset_index(inplace=True, drop=True)

复制代码

plt.subplot(2, 4, i + 1)

复制代码

draw_df['cur'] = draw_df['close'] / draw_df['close'].iloc[0]

复制代码

draw_df['eq'] = draw_df['equity_curve'] / draw_df['equity_curve'].iloc[0]

复制代码

cur, = plt.plot(draw_df['cur'])

复制代码

[/code][code] eq, = plt.plot(draw_df['eq'])

复制代码

plt.title('month %s' % (i + 1))

复制代码

plt.legend([cur, eq], ['ETH', 'eq'])

复制代码

plt.show()

复制代码

[code][/code]

题图

图源：bing图片