风险管理基础

风险管理是量化交易的生命线，良好的风险管理能够在不利市场环境中保护资金安全，确保策略长期稳定运行。本章将介绍风险管理的核心概念和实用方法。

风险管理的重要性

在量化交易中，风险管理的地位不亚于策略研发本身。许多优秀的策略最终失败，不是因为策略逻辑有问题，而是因为风险管理不当导致资金链断裂。

风险管理的核心目标不是避免亏损，而是将亏损控制在可承受范围内。任何交易策略都会经历亏损期，关键是在亏损期存活下来，等待盈利期的到来。

风险管理的三大原则：

生存优先：在任何情况下都要确保账户不会爆仓，保留继续交易的能力。这意味着要严格控制单笔风险和总风险敞口。

风险可量化：所有风险都应该能够被量化计算，而不是凭感觉估计。只有量化的风险才能被有效管理。

动态调整：风险管理不是一成不变的，需要根据市场环境和策略表现动态调整。

常用风险指标

最大回撤

最大回撤（Maximum Drawdown）衡量策略从峰值到谷底的最大跌幅，是最直观的风险指标。

公式： $MDD = \max_{t} \frac{V_{peak} - V_t}{V_{peak}}$

其中 $V_{peak}$ 是历史最高净值， $V_t$ 是当前净值。

import numpy as np
import pandas as pd

def calculate_max_drawdown(returns):
    """
    计算最大回撤
    
    参数:
        returns: 收益率序列
    
    返回:
        最大回撤值（正数）
    """
    # 计算累计净值
    cumulative = (1 + returns).cumprod()
    
    # 计算历史最高点
    running_max = cumulative.cummax()
    
    # 计算回撤
    drawdown = (cumulative - running_max) / running_max
    
    # 返回最大回撤
    return abs(drawdown.min())

# 使用示例
returns = pd.Series([0.01, -0.02, 0.03, -0.05, 0.02, -0.03, 0.04])
max_dd = calculate_max_drawdown(returns)
print(f"最大回撤: {max_dd * 100:.2f}%")

最大回撤的缺点是只关注最坏情况，没有考虑回撤发生的频率和持续时间。一个策略可能最大回撤较小，但频繁出现中等幅度的回撤，实际风险并不低。

波动率

波动率（Volatility）衡量收益率的离散程度，是最常用的风险度量指标。通常使用收益率的标准差来表示。

年化波动率公式： $\sigma_{annual} = \sigma_{daily} \times \sqrt{252}$

def calculate_volatility(returns, annualize=True, periods=252):
    """
    计算波动率
    
    参数:
        returns: 收益率序列
        annualize: 是否年化
        periods: 年化因子（日线数据用252，周线用52）
    
    返回:
        波动率
    """
    vol = returns.std()
    
    if annualize:
        vol = vol * np.sqrt(periods)
    
    return vol

波动率假设收益率服从正态分布，但实际金融收益率往往具有"尖峰厚尾"特征，极端事件发生的概率比正态分布预测的要高。

夏普比率

夏普比率（Sharpe Ratio）衡量风险调整后的收益，是最重要的绩效评估指标之一。

公式： $Sharpe = \frac{R_p - R_f}{\sigma_p}$

其中 $R_p$ 是策略收益率， $R_f$ 是无风险收益率， $\sigma_p$ 是策略波动率。

def calculate_sharpe_ratio(returns, risk_free_rate=0.02, periods=252):
    """
    计算夏普比率
    
    参数:
        returns: 日收益率序列
        risk_free_rate: 年化无风险利率
        periods: 年化因子
    
    返回:
        夏普比率
    """
    # 年化收益率
    annual_return = (1 + returns.mean()) ** periods - 1
    
    # 年化波动率
    annual_vol = returns.std() * np.sqrt(periods)
    
    # 夏普比率
    excess_return = annual_return - risk_free_rate
    sharpe = excess_return / annual_vol
    
    return sharpe

夏普比率的解读：

小于1：风险调整后收益较差
1-2：良好
2-3：优秀
大于3：卓越（但也可能存在问题，如数据错误或过拟合）

夏普比率的局限性：

假设收益率正态分布
对上行波动和下行波动一视同仁（投资者只关心下行风险）
可能被操纵（如通过增加尾部风险来平滑收益）

索提诺比率

索提诺比率（Sortino Ratio）是夏普比率的改进版，只考虑下行波动率，更符合投资者的实际感受。

公式： $Sortino = \frac{R_p - R_f}{\sigma_{down}}$

其中 $\sigma_{down}$ 是下行波动率，只计算负收益的标准差。

def calculate_sortino_ratio(returns, risk_free_rate=0.02, periods=252):
    """
    计算索提诺比率
    
    参数:
        returns: 日收益率序列
        risk_free_rate: 年化无风险利率
        periods: 年化因子
    
    返回:
        索提诺比率
    """
    # 年化收益率
    annual_return = (1 + returns.mean()) ** periods - 1
    
    # 下行波动率
    negative_returns = returns[returns < 0]
    downside_vol = negative_returns.std() * np.sqrt(periods)
    
    # 索提诺比率
    excess_return = annual_return - risk_free_rate
    sortino = excess_return / downside_vol
    
    return sortino

卡玛比率

卡玛比率（Calmar Ratio）是年化收益率与最大回撤的比值，直观反映收益与风险的平衡。

公式： $Calmar = \frac{R_{annual}}{MDD}$

def calculate_calmar_ratio(returns, periods=252):
    """
    计算卡玛比率
    
    参数:
        returns: 日收益率序列
        periods: 年化因子
    
    返回:
        卡玛比率
    """
    # 年化收益率
    annual_return = (1 + returns.mean()) ** periods - 1
    
    # 最大回撤
    max_dd = calculate_max_drawdown(returns)
    
    # 卡玛比率
    calmar = annual_return / max_dd
    
    return calmar

VaR和CVaR

VaR（Value at Risk，在险价值）是在给定置信水平下的最大可能损失。

例如，95% VaR表示有95%的概率损失不会超过这个值。

def calculate_var(returns, confidence=0.95):
    """
    计算VaR（历史模拟法）
    
    参数:
        returns: 收益率序列
        confidence: 置信水平
    
    返回:
        VaR值（正数表示损失）
    """
    return abs(np.percentile(returns, (1 - confidence) * 100))

def calculate_cvar(returns, confidence=0.95):
    """
    计算CVaR（条件VaR，也称Expected Shortfall）
    CVaR是超过VaR的平均损失
    
    参数:
        returns: 收益率序列
        confidence: 置信水平
    
    返回:
        CVaR值（正数表示损失）
    """
    var = calculate_var(returns, confidence)
    return abs(returns[returns < -var].mean())

CVaR比VaR更能反映尾部风险，因为VaR只告诉我们损失不会超过某个值，但没有告诉我们一旦超过会损失多少。

仓位管理

仓位管理是风险管理的核心，决定了每次交易投入多少资金。

固定金额法

每次交易投入固定金额，最简单但不够灵活。

def fixed_amount_position(total_capital, fixed_amount):
    """固定金额仓位"""
    return fixed_amount

固定比例法

每次交易投入总资金的固定比例。

def fixed_fraction_position(total_capital, fraction=0.1):
    """固定比例仓位"""
    return total_capital * fraction

凯利公式

凯利公式根据胜率和盈亏比计算最优仓位比例，理论上能最大化长期增长率。

公式： $f^* = \frac{p \times b - q}{b}$

其中 $p$ 是胜率， $q = 1-p$ 是败率， $b$ 是盈亏比（平均盈利/平均亏损）。

def kelly_criterion(win_rate, avg_win, avg_loss):
    """
    凯利公式计算最优仓位
    
    参数:
        win_rate: 胜率
        avg_win: 平均盈利
        avg_loss: 平均亏损
    
    返回:
        最优仓位比例
    """
    b = avg_win / abs(avg_loss)  # 盈亏比
    p = win_rate
    q = 1 - p
    
    kelly = (p * b - q) / b
    
    # 限制在0-1之间
    kelly = max(0, min(kelly, 1))
    
    return kelly

# 实际应用中通常使用半凯利或四分之一凯利
def half_kelly(win_rate, avg_win, avg_loss):
    """半凯利，更保守"""
    return kelly_criterion(win_rate, avg_win, avg_loss) * 0.5

凯利公式的局限性：

假设胜率和盈亏比稳定，但实际市场是变化的
完全凯利仓位波动很大，实际中通常使用半凯利或更保守的比例
没有考虑连续亏损的影响

波动率倒数法

根据资产波动率调整仓位，波动大的资产配置较少，波动小的资产配置较多。

def volatility_scaled_position(total_capital, target_vol, asset_vol):
    """
    波动率倒数仓位
    
    参数:
        total_capital: 总资金
        target_vol: 目标波动率
        asset_vol: 资产波动率
    
    返回:
        仓位金额
    """
    # 仓位比例 = 目标波动率 / 资产波动率
    position_ratio = target_vol / asset_vol
    
    # 限制最大比例
    position_ratio = min(position_ratio, 1.0)
    
    return total_capital * position_ratio

ATR仓位管理

使用ATR（平均真实波幅）来调整仓位，确保每笔交易的风险金额相同。

def atr_position_sizing(total_capital, risk_per_trade, atr, price):
    """
    基于ATR的仓位管理
    
    参数:
        total_capital: 总资金
        risk_per_trade: 每笔交易风险比例（如0.02表示2%）
        atr: 当前ATR值
        price: 当前价格
    
    返回:
        交易股数
    """
    # 风险金额
    risk_amount = total_capital * risk_per_trade
    
    # 每股风险（假设止损距离为2倍ATR）
    stop_distance = 2 * atr
    
    # 计算股数
    shares = int(risk_amount / stop_distance)
    
    return shares

止损止盈

止损止盈是风险管理的具体执行手段。

固定点数止损

def fixed_stop_loss(entry_price, stop_points):
    """固定点数止损"""
    return entry_price - stop_points

def fixed_take_profit(entry_price, profit_points):
    """固定点数止盈"""
    return entry_price + profit_points

百分比止损

def percentage_stop_loss(entry_price, stop_pct):
    """百分比止损"""
    return entry_price * (1 - stop_pct)

def percentage_take_profit(entry_price, profit_pct):
    """百分比止盈"""
    return entry_price * (1 + profit_pct)

ATR止损

def atr_stop_loss(entry_price, atr, multiplier=2):
    """ATR止损"""
    return entry_price - multiplier * atr

移动止损

移动止损（Trailing Stop）随着价格上涨而上移，但不会下降，可以锁定部分利润。

class TrailingStop:
    """移动止损管理器"""
    
    def __init__(self, initial_price, trail_pct=0.1):
        self.highest_price = initial_price
        self.trail_pct = trail_pct
        self.stop_price = initial_price * (1 - trail_pct)
    
    def update(self, current_price):
        """更新止损价格"""
        if current_price > self.highest_price:
            self.highest_price = current_price
            self.stop_price = current_price * (1 - self.trail_pct)
        return self.stop_price
    
    def should_stop(self, current_price):
        """判断是否触发止损"""
        return current_price <= self.stop_price

# 使用示例
trailing_stop = TrailingStop(entry_price=100, trail_pct=0.05)

prices = [102, 105, 103, 108, 106, 104, 102]
for price in prices:
    stop = trailing_stop.update(price)
    print(f"价格: {price}, 止损价: {stop:.2f}, 触发: {trailing_stop.should_stop(price)}")

风险预算

风险预算是将总风险分配到各个策略或资产上。

def risk_parity_allocation(volatilities):
    """
    风险平价配置
    每个资产贡献相同的风险
    
    参数:
        volatilities: 各资产波动率列表
    
    返回:
        各资产权重
    """
    # 风险倒数
    inv_vols = [1 / v for v in volatilities]
    
    # 归一化
    total = sum(inv_vols)
    weights = [v / total for v in inv_vols]
    
    return weights

# 使用示例
volatilities = [0.15, 0.20, 0.25, 0.30]  # 四个资产的波动率
weights = risk_parity_allocation(volatilities)
print(f"风险平价权重: {[f'{w:.2%}' for w in weights]}")

风险监控指标

单笔风险控制

def check_single_trade_risk(position_value, total_capital, max_risk_pct=0.02):
    """检查单笔交易风险"""
    risk_pct = position_value / total_capital
    if risk_pct > max_risk_pct:
        print(f"警告: 单笔风险 {risk_pct:.2%} 超过限制 {max_risk_pct:.2%}")
        return False
    return True

总风险敞口控制

def check_total_exposure(positions, total_capital, max_exposure=1.0):
    """检查总风险敞口"""
    total_exposure = sum(abs(p) for p in positions.values()) / total_capital
    if total_exposure > max_exposure:
        print(f"警告: 总敞口 {total_exposure:.2%} 超过限制 {max_exposure:.2%}")
        return False
    return True

回撤预警

class DrawdownMonitor:
    """回撤监控器"""
    
    def __init__(self, warning_level=0.1, critical_level=0.2):
        self.warning_level = warning_level    # 警告级别
        self.critical_level = critical_level  # 危险级别
        self.peak_value = None
    
    def update(self, current_value):
        """更新并检查回撤"""
        if self.peak_value is None or current_value > self.peak_value:
            self.peak_value = current_value
        
        drawdown = (self.peak_value - current_value) / self.peak_value
        
        if drawdown >= self.critical_level:
            print(f"严重警告: 回撤 {drawdown:.2%} 达到危险级别！")
            return 'critical'
        elif drawdown >= self.warning_level:
            print(f"警告: 回撤 {drawdown:.2%} 达到警告级别")
            return 'warning'
        
        return 'normal'

小结

风险管理是量化交易成功的关键因素。本章介绍了常用的风险指标（最大回撤、夏普比率、VaR等）、仓位管理方法（凯利公式、波动率倒数法等）、止损止盈策略和风险监控方法。

风险管理的核心原则是：

永远不要把所有资金押在单一交易上
预先设定止损点，严格执行
根据市场波动动态调整仓位
持续监控风险指标，及时预警

下一章将学习因子投资的基础知识。

风险管理的重要性​

常用风险指标​

最大回撤​

波动率​

夏普比率​

索提诺比率​

卡玛比率​

VaR和CVaR​

仓位管理​

固定金额法​

固定比例法​

凯利公式​

波动率倒数法​

ATR仓位管理​

止损止盈​

固定点数止损​

百分比止损​

ATR止损​

移动止损​

风险预算​

风险监控指标​

单笔风险控制​

总风险敞口控制​

回撤预警​

小结​