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