利用VAR模型科学管理仓位，提升策略效率

控制技术宅

期货市场大盘变幻莫测，本息管理体系下定决心了期货市场合约的资本金成本特性。本息没味了，资本金借助效率低，放少了，可能将在大幅的大盘市场波动中导致固噜的结论，即使正式成为最后利润和净亏损的界线。因此，须要有三个评判标准，为他们的持仓增设提供更多参考，VaR数学模型是管理手段持仓，提高思路工作效率的三个极好的优先选择。

VaR数学模型详述

在他们下定决心持仓的这时候，他们只不过须要考量三个关键表达式，三个是可能将出现的净亏损数额，另三个是出现净亏损的几率。用浅显的词汇来维米县，在99%置信区间下，Var值为2w，因此意味著每天买卖properly2w合法权益的几率是1%。具体内容式子：

VaR信用风险度 = 很大概率密度下的VaR值/合法权益 * 100%

VaR数学模型计算结论

VaR计算结论许多，比如说发展史lussin、蒙地卡罗lussin、核表达式法、半模块法、模块法等。

此次他们采用模块刘弘威的Delta-萝莉数学模型：

在顺从概率密度表达式的假定下，资产Var值为：

式中，u是资产期望收益，sigma是标准差，t是要计算的时间长度，Z{1-alpha}是从萝莉分布表中查到的对应于概率密度水平1-alpha的Z值，比如说alpha = 0.01的Z{1-alpha}=2.326。

在期货市场市场中，只要他们把本息控制在Var最大净亏损百分比以上，他们就可以认为在这一置信水平下，可以极大程度防范信用风险。

VaR数学模型评估信用风险

数据优先选择

选取近两年的期货市场所有品种的连续合约价格，概率密度的优先选择，他们选取了99%和95%三个。

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结论可视化

买入持有 + VaR

因此他们算出了var之后，持仓的变化是否能够改善投资组合的整体表现呢？

为了排除思路的影响，他们让所有品种都采用最简单的买入并持有思路，在这个思路下，采用所有品种平均持仓和根据var进行持仓微调之后，整个思路的表现是否会有影响。

由于他们采用了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，所有持仓平均分配。

他们的目标是计算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

最后他们计算得出：

均值标准差夏普率平均持仓 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数学模型进行持仓控制，可以在很大程度上，改善投资组合的表现。

VaR持仓管理在量化思路上的表现

他们已经验证了仓位在投资组合当中不可替代的作用，因此在实际的应用表现中，整体持仓比例的变化对于组合的收益率曲线有什么影响。他们以均线思路数学模型为例，抽取部分思路品种进行体现。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持仓的表现要好一些。

部分品种比较曲线，w0代表原始思路表现，w1代表经VAR调整持仓后思路表现：