波动率倒数（负相关）资金管理的意义与实测

　　无论是用标准差还是ATR度量波动幅度，我们都应该清楚得到的结果不仅是价格最近的波动程度，更意味着风险。一个较小波动区间环境，如果你的系统开始买入股票或者建立期货头寸，意味着无论盈亏的结果都可能是较小的，而一个较大的环境则相反。

　　从几十年前的海龟交易系统（Turtle Trading Rules），到大部分资产配置模型如风险平价（Risk Parity）的目标，都是追求较高的收益/风险比率，而不是仅追求高回报，我们可以用夏普比率作为建模测试时的目标函数来分析不同资金管理方案的特点。

如图：股债60/40方案和股债风险平价的对比

　　今天此文仅在商品期货内部，通过一个多品种的日频动量模型，来体现将波动率（如ATR）指标和交易头寸负相关后的性能改进效果。需要注意的是，我们并为涉及到如何在多个品种之间分配资金，仅是固定每个商品期货的额定资金量，然后寻求在开仓交易时变化头寸。

　　等资金量头寸和ATR倒数头寸的差异

　　首先我们计算了几个品种的20周期移动平均ATR值，并价格归一化（除以同样窗口期内的价格均值），得到各自的volatility波动率值。并绘制如下：

　　直观的感觉是波动率在一个固定的区间内均值回复性变化，而价格容易走出一波趋势行情。波动率还有一个特性是，其高低点，往往对应着价格的拐点。

再看一个价格和波动率绘制在一起的效果

　　这里可以利用波动率非常棒的一个特性，如果我们每次的开仓区域都是低波动，那么可以开出比较大的仓位，而价格经过一轮大幅度涨跌到了高波动区域，我们由于不知道接下来如何变化，谨慎地开出一个较小的仓位，这简直太棒了。虽然实际上波动率不会永远都是均值回复的，但是它只要大概率回复，即可帮助我们自适应地调节头寸。

　　分品种测试波动率调节效果

　　我们在动量类模型中，将头寸设定为：
　　头寸 = 单品种资金量 / (ATR * ContractUnit()*BigPointValue());
　　这里交易开拓者程序的ContractUnit()*BigPointValue()含义是：每张合约的单位数量 * 波动一个整数点的价值，两者相乘的意义是该合约最小波动的名义价值。

　　这样把ATR放在分母上，它和头寸实现了负相关。

　　而如果等资金分配，代码是：
　　头寸 = 单品种资金量 / (保证金比率 * ContractUnit()*BigPointValue());
　　

　　以突破模型为例，在波动率负相关情况下，显然在高波动后，开仓头寸都比较小，系统体现出谨慎的态度。恰巧在此图中，两次盈利较大的交易开仓点位，都出现在低波动率环境下，所以这种头寸利用了波动率均值回复的特性，有效帮助我们应对了趋势类交易的“低胜率”特性。

　　它是否大概率都能这样优秀地保护交易头寸？直接用测试数据说话。

　　我们选择了8个品种，让模型参数在一个合理区域内变化，以避免单独参数引发的拟合特性，丰富我们的统计样本，得到如下结果：

　　在每个品种不同的参数面上，ATR头寸都带来了显著夏普比率提升，如果统计参数面性能均值，分别是这样：

　　可见这种头寸管理方式的性能优势。各品种平均性能获得27.79%幅度提升。

　　随后我们对投资组合改进前后做了性能测试：

　　在投资组合中，长达8年的运行显示，24个品种中只有5个品种出现夏普比率降低，其中SM由于上市时间较短，测试数据集不足，结果可信度较低，其他品种都获得显著提升。

　　波动率倒数（负相关）资金管理的一个弊端是，它要求交易者资金量较大，才能和波动率挂钩，开仓头寸时变。预计配置30个品种，需要至少100~200万元保证金消耗，账户内应该有大致300~500万元资金才能保证较好的杠杆比率。

　　但是相比单品种目标波动率和组合目标波动率，它显然还有提升空间，所以说资金管理，及时将资金分配在热门品种上，是一门学问，是需要很长时间测试和钻研的。毕竟资产配置的重要性远大于用具体的某个方法去应对某种资产波动。

　　顶级的交易者选择市场，
　　优秀的交易者选择品种，
　　努力的交易者选择模型。

　　这个话题值得持续测试和探讨，欢迎大家提出观点。

波动率倒数（负相关）资金管理的意义与实测

浏览过的版块