Alpha对冲策略

1. 策略原理

何为alpha？

什么是alpha对冲策略？

怎么对冲？

策略收益情况

策略要点

2. 策略实现

3. 策略代码

4. 回测结果与稳健性分析

1. 策略原理

2. 策略实现

第一步：制定一个选股策略，构建投资组合，使其同时拥有alpha和beta收益。
（本策略选取过去一天EV/EBITDA值并选取30只EV/EBITDA值最小且大于零的股票）
第二步：做空股指期货，将投资组合的beta抵消，只剩alpha部分。
第三步：进行回测。

股票池：沪深300指数
期货标的：CFFEX.IF对应的真实合约
回测时间：2017-07-01 08:00:00 至 2017-10-01 16:00:00
回测初始资金：1000万

3. 策略代码

# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *
'''
本策略每隔1个月定时触发计算SHSE.000300成份股的过去一天EV/EBITDA值并选取30只EV/EBITDA值最小且大于零的股票
对不在股票池的股票平仓并等权配置股票池的标的
并用相应的CFFEX.IF对应的真实合约等额对冲
回测数据为:SHSE.000300和他们的成份股和CFFEX.IF对应的真实合约
回测时间为:2017-07-01 08:00:00到2017-10-01 16:00:00
注意：本策略仅供参考，实际使用中要考虑到期货和股票处于两个不同的账户，需要人为的保证两个账户的资金相同。
'''
def init(context):# 每月第一个交易日09:40:00的定时执行algo任务（仿真和实盘时不支持该频率）schedule(schedule_func=algo, date_rule='1m', time_rule='09:40:00')# 设置开仓在股票和期货的资金百分比(期货在后面自动进行杠杆相关的调整)context.percentage_stock = 0.4context.percentage_futures = 0.4
def algo(context):# 获取当前时刻now = context.now# 获取上一个交易日last_day = get_previous_trading_date(exchange='SHSE', date=now)# 获取沪深300成份股的股票代码stock300 = get_history_constituents(index='SHSE.000300', start_date=last_day,end_date=last_day)[0]['constituents'].keys()# 获取上一个工作日的CFFEX.IF对应的合约index_futures = get_continuous_contracts(csymbol='CFFEX.IF', start_date=last_day, end_date=last_day)[-1]['symbol']# 获取当天有交易的股票not_suspended_info = get_history_instruments(symbols=stock300, start_date=now, end_date=now)not_suspended_symbols = [item['symbol'] for item in not_suspended_info if not item['is_suspended']]# 获取成份股EV/EBITDA大于0并为最小的30个fin = get_fundamentals(table='trading_derivative_indicator', symbols=not_suspended_symbols,start_date=now, end_date=now, fields='EVEBITDA',filter='EVEBITDA>0', order_by='EVEBITDA', limit=30, df=True)fin.index = fin.symbol# 获取当前仓位positions = context.account().positions()# 平不在标的池或不为当前股指期货主力合约对应真实合约的标的for position in positions:symbol = position['symbol']sec_type = get_instrumentinfos(symbols=symbol)[0]['sec_type']# 若类型为期货且不在标的池则平仓if sec_type == SEC_TYPE_FUTURE and symbol != index_futures:order_target_percent(symbol=symbol, percent=0, order_type=OrderType_Market,position_side=PositionSide_Short)print('市价单平不在标的池的', symbol)elif symbol not in fin.index:order_target_percent(symbol=symbol, percent=0, order_type=OrderType_Market,position_side=PositionSide_Long)print('市价单平不在标的池的', symbol)# 获取股票的权重percent = context.percentage_stock / len(fin.index)# 买在标的池中的股票for symbol in fin.index:order_target_percent(symbol=symbol, percent=percent, order_type=OrderType_Market,position_side=PositionSide_Long)print(symbol, '以市价单调多仓到仓位', percent)# 获取股指期货的保证金比率ratio = get_history_instruments(symbols=index_futures, start_date=last_day, end_date=last_day)[0]['margin_ratio']# 更新股指期货的权重percent = context.percentage_futures * ratio# 买入股指期货对冲# 注意：股指期货的percent参数是按照期货的保证金来算比例，不是按照合约价值， 比如说0.1就是用0.1的仓位的资金全部买入期货。order_target_percent(symbol=index_futures, percent=percent, order_type=OrderType_Market,position_side=PositionSide_Short)print(index_futures, '以市价单调空仓到仓位', percent)
if __name__ == '__main__':'''strategy_id策略ID,由系统生成filename文件名,请与本文件名保持一致mode实时模式:MODE_LIVE回测模式:MODE_BACKTESTtoken绑定计算机的ID,可在系统设置-密钥管理中生成backtest_start_time回测开始时间backtest_end_time回测结束时间backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POSTbacktest_initial_cash回测初始资金backtest_commission_ratio回测佣金比例backtest_slippage_ratio回测滑点比例'''run(strategy_id='strategy_id',filename='main.py',mode=MODE_BACKTEST,token='token_id',backtest_start_time='2017-07-01 08:00:00',backtest_end_time='2017-10-01 16:00:00',backtest_adjust=ADJUST_PREV,backtest_initial_cash=10000000,backtest_commission_ratio=0.0001,backtest_slippage_ratio=0.0001)

4. 回测结果与稳健性分析

设定初始资金1000万，手续费率为0.01%，滑点比率为0.01%。策略回测结果如下图所示。

回测期累计收益率为0.32%，年化收益率为1.32%，沪深300指数收益率为5.09%，策略整体跑输指数。最大回撤为1.17%，胜率为74.29%。

以同样的策略进行选股，不对冲beta时回测结果如下图所示。

对比可以看出，利用alpha对冲策略比未对冲策略收益低，但胜率高于普通策略，最大回撤低于未对冲策略。这也说明了alpha对冲策略能够规避一部分由市场带来的风险。

改变回测期，观察策略收益情况如下表所示（以2020年10月30日为结束期）。

由上表可知，近几年该策略的整体收益为负，只有近六月的收益率为正。策略最大回撤一直维持在相对较低的水平上，随着时间周期拉长，最大回撤不断增加，胜率不断下降。

注：来自掘金量化

alpha对冲(股票+期货)——Python量化相关推荐

双均线策略(期货)——Python量化
双均线策略目录双均线策略 1. 原理均线的"前世今生" 均线理论为什么有效? 均线理论的缺陷均线理论的改进 2. 策略逻辑 3. 策略代码 4. 回测结果与稳健性分析 1. ...
基于EVEBITDA倍数估法Alpha对冲策略（源码）
原基于EV/EBITDA倍数估值法的Alpha对冲策略(附源代码) Alpha对冲策略简介什么是Alpha对冲策略? 投资者在市场交易中面临着系统性风险(即Beta风险)和非系统性风险(即Al ...
python量化交易教程-Python 量化交易教程.pdf
目录 Python量化交易教程第一部分新手入门一量化投资视频学习课程二Python手把手教学量化分析师的Python日记 [第1天 :谁来给我讲讲Python ?] 量化分析师的Python日 ...
python量化策略—— alpha 策略股票-融资融券对冲（3）
将反向操作由1.python量化--alpha股票-指数期货对冲策略的股指期货,换成筛选的后T只股票的做空(融资融券业务). 大概思路就是选择排名前T只股票做多,后T只做空. 所用库 # coding ...
python量化策略——Fama-French三因子模型（回归获取alpha）阿尔法α策略。
简单的alpha策略, 选取某一时间点所有股票的相关信息ps.pb.pe等. 用三因子回归获取alpha,分别用每只股票计算. 选取排名靠前的n只股票计算组合净值计算结果和画图注:代码运行需安装 ...
Python量化投资——股票择时到底能否赚钱？ADX指标的有效性回测
ADX指标的有效性回测 Python量化投资--`ADX`技术指标的有效性研究背景介绍技术指标介绍指标用法建议 `qteasy`中的ADX内置策略 433支股票五年回测结果 12.45% --该 ...
指数增强(股票)——Python量化
指数增强策略目录指数增强策略 1. 策略原理 2. 策略步骤 3. 策略代码 4. 回测结果和稳健性分析 1. 策略原理说到指数增强,就不得不说指数. 在进行股票投资时,有一种分类方式是将投资分 ...
Python量化投资——股票择时到底能否赚钱？技术指标大比拼——AROON指标
技术指标大比拼--AROON指标的有效性回测 Python量化投资--`AROON`技术指标的有效性研究背景介绍技术指标介绍指标用法建议 `qteasy`中的AROON内置策略 433支股票五年 ...
Python量化交易实战：获取股票数据并做分析处理
量化交易(也称自动化交易)是一种应用数学模型帮助投资者进行判断,并且根据计算机程序发送的指令进行交易的投资方式,它极大地减少了投资者情绪波动的影响.量化交易的主要优势如下: 快速检测客观.理性自动 ...
【python量化交易学习】从tushare获取股票交易数据，存入后再从mysql或excel读取数据，筛选股票，用pyecharts画出K线图。
选定日期,筛选涨幅达到10%的股票,并画出K线图.观察涨停后股票走势. 由于创业板涨停板为20%,科创板20%,北交所30%.因此筛选出的涨停股票不完全准确.考虑到目前市场打板主要集中在10%的主板股 ...

alpha对冲(股票+期货)——Python量化

Alpha对冲策略

1. 策略原理

何为alpha？

什么是alpha对冲策略？

怎么对冲？

策略收益情况

策略要点

2. 策略实现

3. 策略代码

4. 回测结果与稳健性分析

alpha对冲(股票+期货)——Python量化相关推荐

最新文章

热门文章