4. 多资产配对

任务目标

本案例针对多资产组合，使用最小方差法（Minimum Variance Hedging）计算对冲比率，构建市场中性组合。核心任务是：给定一组资产的历史价格序列，确定做多资产与做空资产之间的最优对冲比率，使得组合收益率的方差最小化，从而剥离市场风险，保留统计套利机会。

方法原理

最小方差对冲比率通过最小化组合方差来求解。设现货资产收益率为 r_s，对冲资产收益率为 r_f，对冲比率为 h（每单位现货对应 h 单位对冲资产），则组合收益率为 r_p = r_s - h × r_f。最小化 Var(r_p) 可得最优对冲比率：

h* = Cov(r_s, r_f) / Var(r_f)

对于多资产组合，我们将其拆分为多个单资产对冲对，分别计算每个资产相对于共同对冲工具（如指数ETF或期货）的最优对冲比率，然后按等权重或市值权重合成最终的市场中性组合。

环境依赖

本案例使用 Python 3.8+，依赖 numpy、pandas、matplotlib。安装命令：

pip install numpy pandas matplotlib

完整实现代码

import numpy as np
import pandas as pd

# ========== 1. 生成模拟价格数据（3个资产 + 1个对冲工具） ==========
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=500, freq='D')

# 对冲工具（如指数）：随机游走
index_ret = np.random.normal(0.0005, 0.01, 500)
index_price = 100 * np.exp(np.cumsum(index_ret))

# 三个资产：每个与指数有不同beta，并带有独立噪声
assets = {}
betas = {'Asset_A': 1.2, 'Asset_B': 0.8, 'Asset_C': 1.5}
for name, beta in betas.items():
    idio_noise = np.random.normal(0, 0.005, 500)  # 特质波动
    asset_ret = beta * index_ret + idio_noise
    assets[name] = 100 * np.exp(np.cumsum(asset_ret))

# 合并为DataFrame
price_df = pd.DataFrame(assets, index=dates)
price_df['Hedge_Index'] = index_price

# ========== 2. 计算日收益率 ==========
ret_df = price_df.pct_change().dropna()

# ========== 3. 最小方差对冲比率计算 ==========
def min_var_hedge_ratio(asset_ret, hedge_ret):
    """计算单资产相对于对冲工具的最小方差对冲比率"""
    cov = np.cov(asset_ret, hedge_ret)[0, 1]
    var_hedge = np.var(hedge_ret, ddof=1)
    return cov / var_hedge

hedge_ratios = {}
for asset_name in assets.keys():
    h = min_var_hedge_ratio(ret_df[asset_name], ret_df['Hedge_Index'])
    hedge_ratios[asset_name] = round(h, 4)

print("=== 最小方差对冲比率 ===")
for k, v in hedge_ratios.items():
    print(f"{k}: {v}")

# ========== 4. 构建市场中性组合 ==========
# 等权重配置：做多每个资产1单位，做空对应h单位对冲工具
# 组合日收益率 = (1/N) * Σ(r_asset_i - h_i * r_hedge)
N = len(assets)
portfolio_ret = pd.Series(0.0, index=ret_df.index)

for asset_name in assets.keys():
    h = hedge_ratios[asset_name]
    hedged_ret = ret_df[asset_name] - h * ret_df['Hedge_Index']
    portfolio_ret += hedged_ret / N  # 等权重

# ========== 5. 验证：组合方差 vs 未对冲组合方差 ==========
unhedged_ret = ret_df[list(assets.keys())].mean(axis=1)  # 等权未对冲

var_hedged = portfolio_ret.var(ddof=1)
var_unhedged = unhedged_ret.var(ddof=1)
variance_reduction = (1 - var_hedged / var_unhedged) * 100

print(f"\n=== 方差对比 ===")
print(f"未对冲组合年化方差: {var_unhedged * 252:.6f}")
print(f"对冲后组合年化方差: {var_hedged * 252:.6f}")
print(f"方差缩减比例: {variance_reduction:.2f}%")

# ========== 6. 输出组合累计净值 ==========
cum_nav = (1 + portfolio_ret).cumprod()
print(f"\n=== 组合表现 ===")
print(f"期末净值: {cum_nav.iloc[-1]:.4f}")
print(f"组合日收益率均值: {portfolio_ret.mean():.6f}")
print(f"组合日收益率标准差: {portfolio_ret.std():.6f}")

运行与验证

运行方式：将上述代码保存为 min_var_hedge.py，在终端执行 python min_var_hedge.py。

验证路径与通过条件：

1. 对冲比率合理性：观察输出的对冲比率，Asset_A（beta=1.2）的比率应接近1.2，Asset_B（beta=0.8）接近0.8，Asset_C（beta=1.5）接近1.5。由于存在特质噪声，实际值会有小幅偏差，但应明显区分且方向正确。
2. 方差缩减有效性：对冲后组合的方差应显著低于未对冲组合，方差缩减比例通常应大于70%。若缩减比例过低，说明对冲比率计算有误或数据生成逻辑不一致。
3. 市场中性特征：对冲后组合的累计净值曲线应明显比单一资产平稳，日收益率均值接近0（通常在±0.001以内），表明市场风险已被剥离。

关键说明

本案例使用模拟数据验证方法正确性。实际应用中，将 price_df 替换为真实行情数据（如从 Yahoo Finance 或 Wind 获取），并注意：

• 收益率计算需对齐时间戳，剔除停牌日；
• 对冲比率应使用滚动窗口（如60日）动态计算，以适应时变相关性；
• 实际交易中需考虑交易成本与对冲工具的可交易性（如做空限制）。

判定标准：若对冲比率与预设beta方向一致且方差缩减超过70%，则证明最小方差对冲成功构建了市场中性组合，案例目标达成。