第八章：风险管理——头寸规模确定与杠杆控制
做交易这么多年，我越来越觉得，风险管理才是量化交易的核心。策略再好，风控一塌糊涂，最后也是白搭。今天咱们聊聊头寸规模、杠杆控制，还有极端行情下怎么保命。
8.1 头寸规模确定：凯利公式与风险平价
头寸规模说白了就是「每次下多少注」。这问题看似简单，其实门道很深。我见过太多人，策略回测漂亮得很，实盘一上来就重仓干，结果一次黑天鹅就爆仓了。
8.1.1 凯利公式
凯利公式是个经典工具。它告诉你，在已知胜率和赔率的情况下，最优的下注比例是多少。
公式长这样：
f* = (bp - q) / b其中：
- f*：最优下注比例
- b：赔率（盈亏比）
- p：胜率
- q：败率（1 - p）
举个例子。假设你的基差交易策略，胜率60%，盈亏比2:1。那么：
f* = (2 * 0.6 - 0.4) / 2 = 0.4也就是说，每次应该用40%的资金去下注。
⚠️ 注意：凯利公式有个大坑——它假设你每次下注都是独立事件。但金融市场哪有那么多独立事件？我曾在股指期货跨期套利上用过凯利，结果连续几次亏损后，仓位越加越重，差点出事。
💡 我的建议：实际使用时，我一般取凯利公式结果的1/4到1/2。比如算出来40%，我只用10%-20%。这叫「半凯利」或「四分之一凯利」，稳健得多。
8.1.2 风险平价
风险平价是另一种思路。它不追求收益最大化，而是追求风险均衡分配。
核心思想很简单：让每个资产对组合的风险贡献相等。
举个例子。你有两个策略：
- 策略A：波动率20%
- 策略B：波动率10%
如果按风险平价，策略A的仓位应该是策略B的一半。因为波动率高的，少配点；波动率低的，多配点。
代码实现也不复杂：
import numpy as np
def risk_parity_weights(cov_matrix):
"""
计算风险平价权重
cov_matrix: 协方差矩阵
"""
n = cov_matrix.shape[0]
# 初始化权重
w = np.ones(n) / n
# 迭代求解
for _ in range(100):
# 计算边际风险贡献
mrc = cov_matrix @ w
# 计算风险贡献
rc = w * mrc
# 调整权重
target_rc = np.mean(rc)
w = w * (target_rc / rc)
w = w / np.sum(w)
return w
# 示例
cov = np.array([[0.04, 0.01],
[0.01, 0.01]])
weights = risk_parity_weights(cov)
print(f"风险平价权重: {weights}")
我在做跨品种套利时，经常用风险平价来分配不同品种间的资金。比如螺纹钢和热卷，波动率差异大，用风险平价能避免某个品种过度暴露。
8.2 杠杆控制
杠杆是把双刃剑。用好了，收益翻倍；用不好，一夜归零。
我个人习惯，杠杆率控制在3倍以内。为什么？因为回撤30%时，3倍杠杆就是90%亏损，基本就废了。
杠杆控制有几个要点：
- 动态调整：波动率高了，降杠杆；波动率低了，可以适当加一点
- 硬性上限：设定一个绝对上限，比如5倍，到了就强制减仓
- 回撤触发：当回撤超过一定比例（比如15%），自动降杠杆
⚠️ 我曾经犯过的错：2015年股灾时，我有个跨品种套利策略，平时杠杆也就2倍。但当时觉得机会好，加到了4倍。结果连续两天跌停，根本平不了仓。那次教训太深刻了。现在我的系统里，杠杆超过3倍会自动报警，超过4倍直接强平。
8.3 极端行情下的风控措施
极端行情，说白了就是「黑天鹅」。比如2020年原油暴跌、2022年镍期货逼仓。这些时候，常规风控根本不管用。
我总结了几条保命措施：
- 熔断机制：当价格波动超过一定幅度，暂停交易。比如基差偏离超过3个标准差，自动停止开新仓。
- 压力测试：定期模拟极端行情，看看组合能不能扛住。比如假设所有品种同时跌停，你的保证金够不够？
- 流动性管理：极端行情下，很多品种会失去流动性。我一般会预留20%的现金，专门应对这种情况。
- 止损线：设置硬止损。比如单笔亏损超过5%，自动平仓。别犹豫，犹豫就会败北。
💡 避坑指南：我曾经在极端行情下，因为「再等等看」的心态，错过了最佳止损时机。后来我写了个脚本，当波动率超过历史99%分位数时，自动把止损线收紧一半。效果还不错。
8.4 压力测试
压力测试不是走过场，是真刀真枪地检验你的组合。
怎么做？我一般分三步：
- 历史情景：用过去的大事件来测试。比如2008年金融危机、2015年股灾、2020年疫情。
- 假设情景：自己编一些极端情况。比如「所有品种同时波动5%」、「基差瞬间扩大10倍」。
- 蒙特卡洛模拟：随机生成大量路径，看看最坏情况是什么样。
代码示例：
import numpy as np
def stress_test(portfolio, scenarios):
"""
压力测试
portfolio: 组合权重
scenarios: 情景列表，每个情景是收益率向量
"""
results = []
for scenario in scenarios:
pnl = np.dot(portfolio, scenario)
results.append(pnl)
return results
# 示例：假设三个品种
portfolio = np.array([0.4, 0.3, 0.3])
# 极端情景：三个品种同时下跌5%
scenario1 = np.array([-0.05, -0.05, -0.05])
# 基差极端情景：品种1大跌，品种2大涨
scenario2 = np.array([-0.10, 0.08, -0.02])
results = stress_test(portfolio, [scenario1, scenario2])
print(f"情景1亏损: {results[0]*100:.2f}%")
print(f"情景2亏损: {results[1]*100:.2f}%")
压力测试的结果，我会做成一张表，贴在交易室墙上：
| 情景 | 最大亏损 | 是否触发风控 |
|---|---|---|
| 2008年金融危机 | -18.5% | 是 |
| 2015年股灾 | -12.3% | 是 |
| 2020年疫情 | -8.7% | 否 |
| 假设：所有品种跌停 | -25.0% | 是 |
💡 我的习惯：每个月跑一次压力测试，每次跑完都会调整一下仓位。如果某个情景的亏损超过20%，我就减仓。别等到真出事再后悔。
8.5 本章知识体系
下面这张图，把本章的核心逻辑串起来了：
嗯，风险管理这块，说白了就是「先想好怎么死，再想怎么活」。凯利公式、风险平价、杠杆控制、压力测试，这些工具都是帮你活得更久的。别嫌麻烦，真到极端行情那天，你会感谢今天认真做风控的自己。
公众号:蓝海资料掘金营，微信deep3321