JoinQuant 高级风控：如何根据投资组合历史波动率动态调整仓位？

这是一个基于**目标波动率（Target Volatility）**的动态仓位管理策略。

策略逻辑

该策略的核心思想是：当市场波动加剧时降低仓位以控制风险，当市场波动平缓时增加仓位以获取收益。

1. 标的：以沪深300 ETF（510300.XSHG）为例。
2. 波动率计算：使用过去 N 天（如20天）的日收益率标准差并年化。
3. 仓位调整公式：
   $$ \text{目标仓位} = \frac{\text{预设目标波动率}}{\text{当前实际波动率}} $$
4. 风控限制：最大仓位限制为 100%（不加杠杆）。

策略代码

# -*- coding: utf-8 -*-
import numpy as np
import pandas as pd

def initialize(context):
    """
    初始化函数，设定基准、手续费、全局变量等
    """
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 设定股票交易手续费：买入万三，卖出万三加千一印花税，最低5元
    set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')
    
    # --- 策略参数设置 ---
    # 操作标的：沪深300ETF
    g.security = '510300.XSHG'
    
    # 目标年化波动率 (例如 15%)
    g.target_volatility = 0.15
    
    # 计算波动率的回看窗口 (例如 20个交易日)
    g.lookback_window = 20
    
    # 每年交易日数量估算，用于年化计算
    g.annual_days = 252
    
    # 设定定时运行：每天收盘前10分钟运行
    run_daily(adjust_position, time='14:50')

def adjust_position(context):
    """
    每日调仓逻辑
    """
    security = g.security
    
    # 1. 获取历史收盘价数据
    # 我们需要 lookback_window + 1 天的价格来计算 lookback_window 个收益率
    hist_data = attribute_history(security, g.lookback_window + 1, '1d', ['close'])
    
    # 如果数据不足（例如刚上市），则不操作
    if len(hist_data) < g.lookback_window + 1:
        return

    # 2. 计算日收益率
    # pct_change() 计算 (今天-昨天)/昨天
    daily_returns = hist_data['close'].pct_change().dropna()
    
    # 3. 计算当前实现的年化波动率
    # 标准差 * sqrt(252)
    current_volatility = daily_returns.std() * np.sqrt(g.annual_days)
    
    # 防止波动率为0导致除零错误（极少见，但需防御）
    if current_volatility == 0:
        log.warn("当前波动率为0，跳过本次调仓")
        return

    # 4. 计算目标仓位比例
    # 公式：目标仓位 = 目标波动率 / 当前波动率
    target_weight = g.target_volatility / current_volatility
    
    # 5. 仓位限制
    # 如果计算出的仓位大于1（即需要加杠杆），这里限制为100%仓位（不融资）
    # 如果你希望策略更保守，可以设置更低的上限，比如 0.8
    if target_weight > 1.0:
        target_weight = 1.0
    elif target_weight < 0.0:
        target_weight = 0.0
        
    # 6. 执行交易
    # 获取当前账户总资产
    total_value = context.portfolio.total_value
    # 计算目标持仓价值
    target_value = total_value * target_weight
    
    # 打印日志方便回测观察
    log.info("日期: %s, 当前年化波动率: %.2f%%, 目标仓位: %.2f%%" % (
        context.current_dt.date(), 
        current_volatility * 100, 
        target_weight * 100
    ))
    
    # 调整标的至目标价值
    order_target_value(security, target_value)

代码关键点解析

1. 数据获取 (attribute_history):

   • 我们获取了 g.lookback_window + 1 天的数据。这是因为计算收益率会损失一个数据点（第一天没有前一天的价格来计算涨跌幅）。

2. 波动率计算:

   • daily_returns.std() 计算的是日波动率。
   • 乘以 np.sqrt(252) 是为了将其转换为年化波动率，以便与我们设定的 g.target_volatility (0.15，即15%) 进行比较。

3. 仓位计算逻辑:

   • 假设目标波动率是 15%。
   • 如果当前市场很平稳，实际波动率只有 7.5%，那么 15% / 7.5% = 2.0。理论上应该上2倍杠杆，但代码中限制了 target_weight <= 1.0，所以会满仓。
   • 如果当前市场很动荡（如股灾期间），实际波动率达到 30%，那么 15% / 30% = 0.5。策略会自动减仓到 50%，持有更多现金避险。

4. 交易执行 (order_target_value):

   • 这个函数非常方便，它会自动计算需要买入还是卖出多少金额，直接将持仓调整到我们计算出的 target_value。

常见问题 (Q&A)

Q: 这个策略适合什么市场环境？
A: 适合长牛慢牛或震荡市。在暴跌来临初期，由于波动率迅速放大，策略会快速减仓，起到止损作用。但在单边暴涨行情中，如果波动率也随之放大，策略可能会过早减仓，导致跑输基准。

Q: 如何引入杠杆？
A: 如果你的账户支持融资融券，可以将代码中的 if target_weight > 1.0: target_weight = 1.0 这一行修改或删除，并确保 set_subportfolios 设置了融资融券账户类型。

Q: 为什么选择 20 天作为回看窗口？
A: 20天大约是一个月的交易日，是一个常用的短期趋势参数。窗口越短，对市场变化反应越快，但交易频率和滑点成本越高；窗口越长，信号越稳定，但对风险的反应会滞后。