4. 跨板块对冲策略设计

任务目标

设计一个跨板块对冲策略：选取两个历史收益呈负相关或低正相关的板块指数，按固定比例构建多空组合，使组合净值波动率显著低于单一板块，从而降低整体组合风险。本案例以沪深300（金融消费为主）与中证500（周期成长为主）为例，实现相关性计算、对冲比例求解与组合风险回测。

实现方案

策略核心分三步：
1. 计算两板块指数日收益率序列的相关系数，确认对冲可行性；
2. 通过最小化组合方差求解最优对冲比例（即空头仓位权重）；
3. 回测对冲组合净值，对比单一板块的波动率与最大回撤。

依赖仅需 numpy 与 pandas。数据使用内置随机生成的两组价格序列（含固定随机种子保证可复现），实际使用时替换为真实行情数据即可。

关键完整代码

import numpy as np
import pandas as pd

# ---------- 1. 生成可复现的模拟价格数据（实际使用时替换为真实行情） ----------
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=500, freq='D')
# 板块A：金融消费（沪深300近似），板块B：周期成长（中证500近似）
# 构造负相关收益：A的随机项与B的随机项符号相反
common = np.random.normal(0, 0.01, 500)
noise_a = np.random.normal(0, 0.005, 500)
noise_b = np.random.normal(0, 0.005, 500)
ret_a = 0.0003 + common + noise_a
ret_b = 0.0003 - 0.8 * common + noise_b  # 负相关结构

price_a = 100 * np.exp(np.cumsum(ret_a))
price_b = 100 * np.exp(np.cumsum(ret_b))
df = pd.DataFrame({'A': price_a, 'B': price_b}, index=dates)

# ---------- 2. 计算日收益率与相关系数 ----------
ret = df.pct_change().dropna()
corr = ret['A'].corr(ret['B'])
print(f"板块A与板块B日收益相关系数: {corr:.4f}")

# ---------- 3. 最小方差对冲比例求解 ----------
# 组合收益 = w_A * r_A + w_B * r_B，约束 w_A + w_B = 1
# 最小化 Var(w_A*r_A + w_B*r_B)，解析解：
cov_aa = ret['A'].var()
cov_bb = ret['B'].var()
cov_ab = ret['A'].cov(ret['B'])

# 最优权重（无做空限制，允许负权重即对冲）
w_A = (cov_bb - cov_ab) / (cov_aa + cov_bb - 2 * cov_ab)
w_B = 1 - w_A
print(f"最优权重: 板块A={w_A:.4f}, 板块B={w_B:.4f}")

# ---------- 4. 组合风险对比 ----------
port_ret = w_A * ret['A'] + w_B * ret['B']
port_vol = port_ret.std() * np.sqrt(252)
vol_a = ret['A'].std() * np.sqrt(252)
vol_b = ret['B'].std() * np.sqrt(252)

# 最大回撤计算
def max_drawdown(equity_curve):
    cum_max = np.maximum.accumulate(equity_curve)
    drawdown = (equity_curve - cum_max) / cum_max
    return drawdown.min()

port_nav = (1 + port_ret).cumprod()
nav_a = (1 + ret['A']).cumprod()
nav_b = (1 + ret['B']).cumprod()

print(f"年化波动率: 板块A={vol_a:.4f}, 板块B={vol_b:.4f}, 对冲组合={port_vol:.4f}")
print(f"最大回撤: 板块A={max_drawdown(nav_a):.4f}, 板块B={max_drawdown(nav_b):.4f}, 对冲组合={max_drawdown(port_nav):.4f}")
print(f"风险降低幅度: {(1 - port_vol / min(vol_a, vol_b)) * 100:.2f}%")

运行与验证

运行方式：将上述代码保存为 hedge_strategy.py，在已安装 numpy 和 pandas 的环境中执行 python hedge_strategy.py。

验证判定标准：
1. 输出的相关系数应为负值（本模拟数据约 -0.6 至 -0.8），证明两板块存在对冲基础；
2. 最优权重中板块B权重为负（即做空B），且组合年化波动率低于任一单一板块；
3. 组合最大回撤值小于单一板块最大回撤值。
满足以上三点即证明跨板块对冲有效降低了组合风险。

常见问题

相关系数不为负怎么办？说明所选板块间缺乏天然对冲关系，应更换标的或引入第三板块。真实数据中权重可能极端（如>1或<-1），可加入权重约束（如限制在[-0.5, 1.5]区间）重新求解，但会牺牲部分风险降低效果。本策略为静态对冲，实际应用中需定期（如每月）重新计算相关系数与最优权重，以应对板块联动关系的时变特征。