利用VAR模型科學管理倉位，提升策略效率

更多精彩內容，歡迎關注公眾號：數量技術宅，也可新增技術宅個人微訊號：sljsz01，與我交流。

期貨行情瞬息萬變，保證金體系決定了期貨交易的槓桿屬性。保證金放多了，資金利用率低，放少了，可能在大幅度的行情波動中造成強平的結果，甚至成為最終盈利和虧損的界限。所以，需要有一個衡量標準，為我們的倉位設定提供參考，VaR模型是科學管理倉位，提升策略效率的一個不錯的選擇。

VaR模型簡述

在我們決定倉位的時候，我們其實需要考慮兩個重要變數，一個是可能發生的虧損金額，另一個是發生虧損的可能性。用通俗的語言來打個比方，在99%置信區間下，Var值為2w，那麼意味著每次交易虧掉2w權益的可能性是1%。具體公式：

VaR風險度 = 一定置信度下的VaR值/權益 * 100%

VaR模型的計算方法

VaR計算方法很多，比如歷史模擬法、蒙特卡洛模擬法、核函式法、半引數法、引數法等。

本次我們使用引數法中的Delta-正太模型：

在服從正態分佈的假設下，資產Var值為：

式中，$\bar\mu$是資產期望收益，$\bar\sigma$為標準差，$\delta_t$是要計算的時間長度，$Z{1-\alpha}$是從正太分佈表中查到的對應於置信度水平$1-\alpha$的Z值，比如$\alpha = 0.01$的$Z{1-\alpha}=2.326$。

在期貨市場中，只要我們把保證金控制在Var最大虧損百分比以上，我們就可以認為在這一置信水平下，可以極大程度防範風險。

通過Var模型評估風險

資料選擇

選取近兩年的期貨所有品種的連續合約價格，置信度的選擇，我們選取了99%和95%兩個。

核心程式碼模組

   if len(data[price].dropna()) != 0:
       #日收益率 收盤價
       data['d_return'] = data[price].pct_change()
       print(code)
       #收益率均值
       mean_return = data['d_return'].mean()

       #標準差
       std = data['d_return'].std()

       #VAR值
       var1 = mean_return - Z1 * std
       var5 = mean_return - Z5 * std

       #寫入表格
       dic = {'code': code,
              'var1': var1,
              'var5': var5}
       if len(table) == 0:
           table = pd.DataFrame([dic])
       else:
           table = table.append([dic])

部分品種VAR結果視覺化

買入持有 + VAR

那麼我們算出了var之後，倉位的變化是否能夠改善投資組合的整體表現呢？

為了排除策略的影響，我們讓所有品種都採用最簡單的買入並持有策略，在這個策略下，使用所有品種平均持倉和根據var進行倉位微調之後，整個策略的表現是否會有影響。

由於我們使用了var1和var5，因此我們以var1的權重weight_var1，記為w1，同樣還有w5，w0表示初始權重，所有倉位平均分配。

我們的目標是計算w0，w1，w5的夏普率的差別，看看通過權重的變化，夏普率是否有所改善。

核心程式碼模組：

for code in list['wind_code']:
    tmp[code] = data[code]*float(table[table['code'] == code]['w1'])
df['w1'] = tmp.sum(axis = 1)
df['w1_return'] = df['w1'].pct_change()
mean1 = df['w1_return'].mean()
std1 = df['w1_return'].std()
sharp1 = 2**0.5*mean1/std1

for code in list['wind_code']:
    tmp[code] = data[code]*float(table[table['code'] == code]['w5'])
df['w5'] = tmp.sum(axis = 1)
df['w5_return'] = df['w5'].pct_change()
mean5 = df['w5_return'].mean()
std5 = df['w5_return'].std()
sharp5 = 2**0.5*mean5/std5

最終我們計算得出：

	均值	標準差	夏普率
平均倉位	0.00064372690041408	0.01082542031323569	0.08409533179205349
根據var1調倉	0.00078209905493337	0.01147973020602057	0.09634852655560597
根據var5調倉	0.00078063238309689	0.01148086624921166	0.09615832807729695