如何在 QMT 平台实现风险平价 (Risk Parity) 投资组合策略？

这是一个基于 QMT 平台的股票债券风险平价（Risk Parity）策略实现。

策略逻辑说明

1. 核心思想：风险平价策略的核心不是让资产金额相等，而是让资产对组合的风险贡献相等。通常波动率高的资产（如股票）配置权重低，波动率低的资产（如债券）配置权重高。
2. 标的选择：
   • 股票端：使用 510300.SH (沪深300ETF) 代表权益类资产。
   • 债券端：使用 511010.SH (国债ETF) 代表债券类资产。
3. 计算方法：
   • 获取过去 N 天（如 60 天）的历史收盘价。
   • 计算日收益率序列的标准差（即波动率）。
   • 权重计算公式：$w_i = \frac{1/\sigma_i}{\sum (1/\sigma_j)}$。
4. 调仓机制：按月调仓（每月第一个交易日进行再平衡）。

QMT 策略代码

# -*- coding: gbk -*-
import pandas as pd
import numpy as np
import datetime

def init(ContextInfo):
    """
    初始化函数，设定策略参数和标的
    """
    # 1. 设定标的：股票ETF(沪深300) 和 债券ETF(国债ETF)
    # 注意：实盘请确保这两个标的在您的交易权限内，且有足够的流动性
    ContextInfo.stock_code = '510300.SH' 
    ContextInfo.bond_code = '511010.SH'
    ContextInfo.assets = [ContextInfo.stock_code, ContextInfo.bond_code]
    
    # 2. 设定资金账号 (请修改为您自己的资金账号)
    ContextInfo.account_id = 'YOUR_ACCOUNT_ID' 
    ContextInfo.set_account(ContextInfo.account_id)
    
    # 3. 策略参数
    ContextInfo.lookback_window = 60  # 回看窗口，用于计算波动率 (天)
    ContextInfo.rebalance_period = 'monthly' # 调仓周期
    
    # 4. 记录上一次调仓的月份，用于判断是否跨月
    ContextInfo.last_month = -1
    
    print("风险平价策略初始化完成")

def handlebar(ContextInfo):
    """
    K线周期运行函数
    """
    # 获取当前K线的时间
    bar_index = ContextInfo.barpos
    current_timetag = ContextInfo.get_bar_timetag(bar_index)
    # 将时间戳转换为 datetime 对象以便提取月份
    current_date_str = timetag_to_datetime(current_timetag, '%Y%m%d')
    current_date = datetime.datetime.strptime(current_date_str, '%Y%m%d')
    current_month = current_date.month

    # 判断是否需要调仓：
    # 如果是回测的第一根K线，或者当前月份与上一次记录的月份不同，则触发调仓
    is_rebalance_time = False
    if ContextInfo.last_month == -1:
        is_rebalance_time = True
    elif current_month != ContextInfo.last_month:
        is_rebalance_time = True
    
    # 更新月份记录
    ContextInfo.last_month = current_month

    # 执行调仓逻辑
    if is_rebalance_time:
        print(f"日期: {current_date_str}, 触发调仓...")
        rebalance(ContextInfo)

def rebalance(ContextInfo):
    """
    计算风险平价权重并执行调仓
    """
    # 1. 获取历史数据
    # 使用 get_market_data_ex 获取多只股票的历史数据
    # count 设置为 lookback_window + 1 是为了计算收益率时不会少数据
    market_data = ContextInfo.get_market_data_ex(
        ['close'], 
        ContextInfo.assets, 
        period='1d', 
        count=ContextInfo.lookback_window + 1,
        dividend_type='front', # 前复权
        subscribe=True
    )
    
    volatilities = {}
    
    # 2. 计算波动率
    for code in ContextInfo.assets:
        df = market_data.get(code)
        
        # 数据校验
        if df is None or df.empty or len(df) < 20:
            print(f"警告: {code} 数据不足，跳过本次调仓")
            return

        # 计算日收益率
        returns = df['close'].pct_change().dropna()
        
        # 计算标准差 (波动率)
        vol = returns.std()
        
        # 防止波动率为0导致除零错误
        if vol == 0:
            vol = 0.0001
            
        volatilities[code] = vol
        print(f"标的: {code}, 历史波动率: {vol:.6f}")

    # 3. 计算风险平价权重
    # 倒数波动率
    inv_vols = {k: 1.0 / v for k, v in volatilities.items()}
    sum_inv_vol = sum(inv_vols.values())
    
    # 归一化权重
    target_weights = {k: v / sum_inv_vol for k, v in inv_vols.items()}
    
    print("目标权重计算结果:", target_weights)

    # 4. 执行交易
    for code, weight in target_weights.items():
        # 使用 order_target_percent 自动调整仓位到目标比例
        # 注意：实盘中 order_target_percent 需要配合正确的账号类型和资产查询才能精确运作
        # 回测模式下该函数非常准确
        order_target_percent(code, weight, ContextInfo, ContextInfo.account_id)
        print(f"下单: 调整 {code} 仓位至 {weight*100:.2f}%")

代码关键点解析

1. # -*- coding: gbk -*-:

   • QMT 的 Python 编辑器默认编码通常是 GBK，加上这行代码可以防止中文注释乱码或运行报错。

2. get_market_data_ex:

   • 这是 QMT 获取历史行情推荐使用的接口。
   • dividend_type='front'：计算策略收益率和波动率时，必须使用前复权数据，否则分红派息造成的缺口会被误判为大幅波动。

3. 波动率倒数加权:

   • 代码中 inv_vols = {k: 1.0 / v ...} 实现了风险平价的核心逻辑。如果股票波动率是债券的 3 倍，那么债券的配置权重将大约是股票的 3 倍，从而使得两者对组合的风险贡献接近。

4. order_target_percent:

   • 这是一个非常方便的交易函数，它会自动计算当前持仓与目标持仓的差额，并进行买入或卖出操作。例如，如果目标权重是 20%，当前持仓是 0%，它会买入 20%；如果当前是 30%，它会卖出 10%。

使用建议

1. 回测设置:

   • 在 QMT 界面点击“模型回测”。
   • 主图指标：随便选一个，例如 510300.SH。
   • 周期：选择 日线 (1d)。
   • 初始资金：建议设置 100万 以上，因为债券ETF价格通常较高或波动小，资金太少可能无法精确分配仓位。

2. 实盘注意:

   • 请务必将 ContextInfo.account_id 修改为您真实的资金账号。
   • 实盘运行时，建议将 handlebar 中的打印语句保留，以便在日志中监控调仓行为。
   • ETF 交易通常有最小单位（100股/份），order_target_percent 会自动向下取整到整手。

Q&A

Q: 为什么选择 ETF 而不是具体的股票和国债？
A: ETF（交易型开放式指数基金）具有流动性好、费率低、自动分散个股风险的特点，非常适合作为资产配置策略的底层工具。

Q: 如何调整调仓频率？
A: 代码中通过 current_month != ContextInfo.last_month 实现了月度调仓。如果需要周度调仓，可以利用 ContextInfo.get_bar_timetag 获取时间后，计算周数变化。

Q: 波动率计算窗口（Lookback Window）设为多少合适？
A: 代码中默认为 60 天（约一个季度）。窗口越短，对近期市场变化越敏感，但换手率会变高；窗口越长，权重变化越平滑。通常 60-120 天是比较常用的参数。