利用VAR模型科学管理仓位，提升策略效率

更多精彩内容，欢迎关注公众号：数量技术宅，也可添加技术宅个人微信号：sljsz01，与我交流。

期货行情瞬息万变，保证金体系决定了期货交易的杠杆属性。保证金放多了，资金利用率低，放少了，可能在大幅度的行情波动中造成强平的结果，甚至成为最终盈利和亏损的界限。所以，需要有一个衡量标准，为我们的仓位设置提供参考，VaR模型是科学管理仓位，提升策略效率的一个不错的选择。

VaR模型简述

在我们决定仓位的时候，我们其实需要考虑两个重要变量，一个是可能发生的亏损金额，另一个是发生亏损的可能性。用通俗的语言来打个比方，在99%置信区间下，Var值为2w，那么意味着每次交易亏掉2w权益的可能性是1%。具体公式：

VaR风险度 = 一定置信度下的VaR值/权益 * 100%

VaR模型的计算方法

VaR计算方法很多，比如历史模拟法、蒙特卡洛模拟法、核函数法、半参数法、参数法等。

本次我们使用参数法中的Delta-正太模型：

在服从正态分布的假设下，资产Var值为：

式中，$\bar\mu$是资产期望收益，$\bar\sigma$为标准差，$\delta_t$是要计算的时间长度，$Z{1-\alpha}$是从正太分布表中查到的对应于置信度水平$1-\alpha$的Z值，比如$\alpha = 0.01$的$Z{1-\alpha}=2.326$。

在期货市场中，只要我们把保证金控制在Var最大亏损百分比以上，我们就可以认为在这一置信水平下，可以极大程度防范风险。

通过Var模型评估风险

数据选择

选取近两年的期货所有品种的连续合约价格，置信度的选择，我们选取了99%和95%两个。

核心代码模块

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

       #标准差
       std = data['d_return'].std()

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

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

部分品种VAR结果可视化

买入持有 + VAR

那么我们算出了var之后，仓位的变化是否能够改善投资组合的整体表现呢？

为了排除策略的影响，我们让所有品种都采用最简单的买入并持有策略，在这个策略下，使用所有品种平均持仓和根据var进行仓位微调之后，整个策略的表现是否会有影响。

由于我们使用了var1和var5，因此我们以var1的权重weight_var1，记为w1，同样还有w5，w0表示初始权重，所有仓位平均分配。

我们的目标是计算w0，w1，w5的夏普率的差别，看看通过权重的变化，夏普率是否有所改善。

核心代码模块：

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

最终我们计算得出：

	均值	标准差	夏普率
平均仓位	0.00064372690041408	0.01082542031323569	0.08409533179205349
根据var1调仓	0.00078209905493337	0.01147973020602057	0.09634852655560597
根据var5调仓	0.00078063238309689	0.01148086624921166	0.09615832807729695

可以看到，从夏普率的角度，不论是根据var1调仓还是根据var5调仓，两者数值都有所提高，提高幅度在14.2%。可见，通过VAR模型进行仓位控制，可以在很大程度上，改善投资组合的表现。

VAR仓位管理在量化策略中的表现

我们已经验证了仓位在投资组合当中不可替代的作用，那么在实际的应用表现中，整体仓位比例的变化对于组合的收益率曲线有什么影响。我们以均线策略模型为例，抽取部分策略品种进行体现。从收益率数据的表现看，不管是组合中的品种表现，还是整个组合的表现，var调仓的效果都要比平均仓位的表现要好一些。

部分品种比较曲线，w1代表原始策略表现，w0代表经VAR调整仓位后策略表现：

品种汇总曲线，同样的，w1代表原始策略表现，w0代表经VAR调整仓位后策略表现：

想要获取本次分享的完整代码，或是任何关于数据分析、量化投资的问题，欢迎添加技术宅微信：sljsz01，一起交流

往期干货分享推荐阅读

通过深度学习股价截面数据分析和预测股票价格

Omega System Trading and Development Club内部分享策略Easylanguage源码

一个真实数据集的完整机器学习解决方案（下）

一个真实数据集的完整机器学习解决方案（上）

如何使用交易开拓者（TB）开发数字货币策略

股指期货高频数据机器学习预测

如何使用TradingView（TV）回测数字货币交易策略

如何投资股票型基金？什么时间买？买什么？

【数量技术宅|量化投资策略系列分享】基于指数移动平均的股指期货交易策略

AMA指标原作者Perry Kaufman 100+套交易策略源码分享

【数量技术宅 | 期权系列分享】期权策略的“独孤九剑”

【数量技术宅|金融数据系列分享】套利策略的价差序列计算，恐怕没有你想的那么简单

【数量技术宅|量化投资策略系列分享】成熟交易者期货持仓跟随策略

如何获取免费的数字货币历史数据

【数量技术宅|量化投资策略系列分享】多周期共振交易策略

【数量技术宅|金融数据分析系列分享】为什么中证500（IC）是最适合长期做多的指数

商品现货数据不好拿？商品季节性难跟踪？一键解决没烦恼的Python爬虫分享

【数量技术宅|金融数据分析系列分享】如何正确抄底商品期货、大宗商品

【数量技术宅|量化投资策略系列分享】股指期货IF分钟波动率统计策略

【数量技术宅 | Python爬虫系列分享】实时监控股市重大公告的Python爬虫