【python量化策略】应用股指期货对投资组合进行β风险管理

↑关注【天择君】微信公众号，回复“入群”，加入“量化策略交流群”
导读：本文根据国信证券的研报向大家系统阐述“正Alpha行业配置策略（多头策略）”和“股指期货进行β风险管理”，具体研报：《数量化投资技术系列报告之二十四：应用股指期货对量化投资组合进行β风险管理的流程范例》
1.量化策略+股指期货——剥离α和β的绝佳组合
众所周知，资产的收益理论上可以分为两个部分：来自市场风险的期望收益称为Beta，而与市场风险无关的，超越市场表现的超额收益称作Alpha。利用股指期货合约，实现Alpha收益的移植，是对冲基金普遍采用的运营模式之一。
对于Alpha，可以从各种因子分析及投资方法入手去寻找其来源，设计出各种投资策略来实现这部分收益，但策略的投资组合仍然承担着市场风险，即Beta，这时就需要依靠衍生品去对冲，将这部分风险降到最低，目前，沪深300、上证50、中证500股指期货成为理想的对冲工具。使得我们可以进一步完善量化策略，实现 Alpha和Beta的分离，将投资组合的风险降到最低，最大限度地实现量化策略的效果。

图1：运用股指期货对量化增强指数资产组合进行β风险管理的示意图
2.正Alpha行业配置策略（多头策略）
1. 核心逻辑
正Alpha行业配置策略将行业分为长期Alpha距离最远的两类，这一分类的结论详见《国信证券-数量化投资系列之7：基于Alpha的行业配置方法和投资策略－总是获得正Alpha》。基于这一行业分类方法，根据Alpha收益的动量效应进行择时，在增强部分每次触发某类资产Alpha进入正值区间，买入该类资产（并卖出另一侧资产）
2.增强原理
运用上述思路，将沪深300指数成份股按照行业的属性分成A和B两类，根据A和B组合资产相对于沪深300指数的Alpha值轮动，进行超配和低配操作，获得正的Alpha，从而达到增强效果。
4.策略参数
1. 所谓增强即超配强势行业股票，设置配置比例为50/50，即50%的股票仓位复制指数，另外50%的股票仓位超额配置增强行业2. Alpha指数增强是根据两类行业Alpha的切换来进行仓位配置，这里Alpha的回归系数为250日3. 增强的标的指数为沪深300，配置的股票为沪深300成分股4. 初始资金为1千万

首日建仓设置
5. 初始股票仓位为95%，持仓过程中，仓位上限为95%，仓位下限为90%，回补仓位为92.5%，即仓位跌破下限后，补回到该仓位6. 重新调整投资比例的调整期限为10天，即股票仓位超过95%或者低于90%的时间超过10天时，重新按持仓股票市值权重调整投资比例，超过95%时使仓位回到95%，跌破90%时使仓位补回到92.5%

持仓过程中仓位控制规则
7. 初始配置及重新调整时，依据沪深300成分股的自由流通权重
5.策略增强步骤
利用正Alpha行业配置进行指数增强的交易步骤
6.根据alpha区分增强和非增强行业
国信证券将24个行业分为两类一类行业包括：采掘行业、金融行业、房地产行业、有色金属、黑色金属和交运仓储，其余所有行业为二类行业。当一类行业的alpha从负转正时，即代表该行业增强，因此正Alpha行业配置策略每天监控两类行业的alpha，当触发行业增强时，即超配该类行业中的股票权重，低配另一类行业中的股票权重。
行业alpha = 行业内所有个股的alpha均值个股alpha均值 = 个股历史250的交易日的涨跌幅与沪深300指数的线性回归值

#获取时间

复制代码

date = get_last_datetime().strftime('%Y-%m-%d')

复制代码

#获取指数成分股

复制代码

stocklist = get_index_stocks(g.index,date)

复制代码

#获取权重

复制代码

df = get_index_weight(g.index,date)

复制代码

#获取行业

复制代码

dt2,dt = get_sfactor_industry(date,date,stocklist,industry='s_industryid1')

复制代码

#行业标签

复制代码

df['industry'] = df['symbol'].apply(lambda x:dt[date][x] if x in list(dt[date].index) else 'S11')

复制代码

#行业alpha计算

复制代码

data = history(stocklist+[g.index],['quote_rate'],250,'1d',skip_paused=False,fq='pre',is_panel=1)['quote_rate']

复制代码

alphadict = {}

复制代码

g.betadict = []

复制代码

x = list(data[g.index])

复制代码

X = sm.add_constant(x)

复制代码

for s in stocklist:

复制代码

y = list(data[s])

复制代码

model = sm.OLS(y,X)

复制代码

results = model.fit()

复制代码

alpha = results.params[0]

复制代码

beta = results.params[1]

复制代码

from math import isnan

复制代码

if isnan(beta) == False:

复制代码

g.betadict.append(beta)

复制代码

alphadict[s] = alpha

复制代码

行业alpha计算代码（文末获取完整代码）
7.正Alpha行业配置策略回测结果
根据研报中的策略思路，我们在MindGo量化平台上复现并回测，回测区间为2018年至今，正Alpha行业配置策略（纯多头策略）并未获取正收益，由于2018的系统性风险较大，我们并未引用股指期货工具来管理β风险，回测结果如下：

策略绝对收益图
从策略的相对收益率看，相对收益率达到3%+，小幅跑赢沪深300指数。

策略相对收益图
3.股指期货进行β风险管理
由于没有进行β风险管理，我们已经发现纯多头的策略无法规避系统性风险，因此我们需要引进沪深300股指期货，将alpha与β分离，使得策略能获取到alpha收益。
利用股指期货管理β的相关参数：
1. 初始保证金比例：15%，即等于股票账户总资产的15%作为期货账户资金（MindGo暂时无法对两类账户进行资金转移）2. 根据现货市值及Beta系数，判断合约空头的持有上限，保证合约持仓数量不超过这一上限，并根据每日结算数据及持仓安全边界决定是否进行部分平仓或回补。
空单合约数 = （上一日股票市值*Beta）/（昨日合约收盘价*合约乘数）

#期货对冲部分

复制代码

#获取当前IF交易合约

复制代码

code = get_futures_dominate('IF')

复制代码

#订阅IF品种

复制代码

subscribe(code)

复制代码

date = get_last_datetime().strftime('%Y-%m-%d')

复制代码

#当前点位

复制代码

indexnum = get_price_future(code,date,date,'1d',['close']).close.values

复制代码

#beta计算

复制代码

beta = 1

复制代码

#计算需开空数量

复制代码

num = int(market_value*beta/(indexnum*300))

复制代码

#查询当前空单数量

复制代码

future_key = list(context.portfolio.future_account.positions.keys())

复制代码

if len(future_key)==0:

复制代码

renum =0

复制代码

else:

复制代码

for d in future_key:

复制代码

renum = context.portfolio.future_account.positions[d].short_amount

复制代码

future_account = renum - num

复制代码

空头合约计算代码（文末获取完整代码）
3. 我们采用仿真交易的前收盘价作为成交价，收盘价作为当天结算价。4.交割日合约转移，每当账户中的持仓合约临近交割时，将临近到期的合约平仓，在下月合约进行开仓。

利用股指期货进行β管理的流程
在正Alpha行业配置策略的基础上，我们补充股指期货部分，进行β风险管理，即获取alpha收益。β风险管理下的正Alpha行业配置策略回测结果如下：

β风险管理下的正Alpha行业配置策略（2018-01-01至2019-03-12）

β风险管理下的正Alpha行业配置策略（2018-01-01至2018-11-01）

β风险管理下的正Alpha行业配置策略（2018-11-01至2019-03-12）
结束语：根据最终复现结果看，我们认为正Alpha行业配置策略在市场行情较差时，并不能产生正Alpha，而市场行情较好时，配置正alpha的行业可以获取到正Alpha。因此正Alpha行业并无法持续带来正alpha收益，其跟市场环境具有较强关联。本文结论与研报结论恰恰相反，但研报研究的环境在2014年前，本文主要研究的是近一年情况，因此随着市场不变演化，我们认为正Alpha行业配置策略已经失效，当然如果能判断出市场偏向正Alpha行业时，您依旧可以通过β风险管理下的正Alpha行业配置策略来获取到市场的正Alpha。
ps：关注微信公众号"天择君"，回台回复"干货2"，领取本文研报、PPT、python源代码
关注【天择君】微信公众号，回复“入群”，一起交流
汇聚各路英雄，一同探讨“量化金融与交易策略”

期待您的加入~