第十二章：风险管理体系：VaR计算、压力测试、仓位限制与杠杆控制

做基差交易这些年，我最大的感悟是什么？

不是策略多赚钱，而是活下来。

你策略再牛，一次黑天鹅就能把你打回原形。我见过太多同行，赚了三年，一夜归零。所以这一章，咱们聊聊风险管理。说白了，就是给你的交易上保险。

12.1 VaR计算：你的风险到底有多大？

VaR，Value at Risk，风险价值。听起来高大上，其实很简单：在某个置信水平下，未来一段时间内，你的最大可能亏损是多少。

举个例子。我算出来95%置信水平下，日VaR是50万。意思是：100天里，有95天我的亏损不会超过50万。剩下5天？嗯，那5天可能亏得你怀疑人生。

计算VaR，主流方法有三种。我一个个说。

12.1.1 历史模拟法

这个方法最直观。把过去N天的收益率排序，取第5%分位数。

import numpy as np
import pandas as pd

def historical_var(returns, confidence_level=0.95):
    """
    历史模拟法计算VaR
    returns: 收益率序列
    confidence_level: 置信水平，默认95%
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence_level) * len(sorted_returns))
    var = -sorted_returns[index]
    return var

# 示例：假设我们有过去500天的基差收益率数据
np.random.seed(42)
daily_returns = np.random.normal(0.001, 0.02, 500)  # 模拟数据
var_95 = historical_var(daily_returns)
print(f"95%置信水平下的日VaR: {var_95:.4f}")

我个人习惯用历史模拟法。为什么？因为它不需要假设收益率服从正态分布。基差收益率的分布，你想想看，经常有厚尾特征。正态分布会低估风险。

12.1.2 参数法（方差-协方差法）

这个方法假设收益率服从正态分布。计算均值和标准差，然后查表。

from scipy.stats import norm

def parametric_var(returns, confidence_level=0.95):
    """
    参数法计算VaR
    """
    mu = np.mean(returns)
    sigma = np.std(returns)
    z_score = norm.ppf(1 - confidence_level)
    var = -(mu + z_score * sigma)
    return var

var_param = parametric_var(daily_returns)
print(f"参数法VaR: {var_param:.4f}")

参数法计算快，但有个致命问题：它假设收益率是正态分布。基差交易里，这个假设经常不成立。我遇到过几次，参数法算出来VaR只有50万，实际亏损到了200万。嗯，从那以后，我对参数法就多留了个心眼。

12.1.3 蒙特卡洛模拟法

这个方法最灵活，也最耗计算资源。生成大量随机路径，模拟未来可能的价格走势。

def monte_carlo_var(returns, confidence_level=0.95, n_simulations=10000, horizon=1):
    """
    蒙特卡洛模拟法计算VaR
    """
    mu = np.mean(returns)
    sigma = np.std(returns)
    
    # 模拟未来收益率
    simulated_returns = np.random.normal(mu, sigma, (n_simulations, horizon))
    portfolio_returns = np.sum(simulated_returns, axis=1)
    
    var = -np.percentile(portfolio_returns, (1 - confidence_level) * 100)
    return var

var_mc = monte_carlo_var(daily_returns)
print(f"蒙特卡洛VaR: {var_mc:.4f}")

12.2 压力测试：别等黑天鹅来了再后悔

VaR告诉你的是「正常情况」下的风险。但市场不正常的时候呢？

压力测试就是干这个的。我把它分成两类：情景分析和敏感性分析。

12.2.1 情景分析

设定一些极端但可能发生的情景，看看你的组合会怎样。

情景	描述	基差变化	预期亏损
2008年金融危机	流动性枯竭，基差急剧扩大	+5% ~ +15%	-20% ~ -40%
2020年3月流动性危机	所有资产被抛售，基差瞬间拉大	+3% ~ +8%	-15% ~ -25%
2022年能源危机	商品基差剧烈波动	+2% ~ +10%	-10% ~ -30%
极端升水	近月合约暴涨，远月不动	-5% ~ -10%	-10% ~ -20%

我曾经在2020年3月吃过亏。当时基差策略跑得好好的，突然流动性没了。所有基差同时扩大，多空两头亏。嗯，那次之后，我把流动性压力测试加到了每日风控流程里。

12.2.2 敏感性分析

看看单个风险因子变化时，你的组合会怎样。

def sensitivity_analysis(portfolio, factor_name, shock_range):
    """
    敏感性分析
    portfolio: 投资组合
    factor_name: 风险因子名称
    shock_range: 冲击范围，如[-0.1, -0.05, 0, 0.05, 0.1]
    """
    results = []
    for shock in shock_range:
        # 对组合施加冲击
        pnl = portfolio.apply_shock(factor_name, shock)
        results.append({
            'shock': shock,
            'pnl': pnl,
            'pnl_pct': pnl / portfolio.total_value
        })
    return results

12.3 仓位限制：别把鸡蛋放在一个篮子里

仓位限制，说白了就是单品种、单策略、单市场的最大敞口。

我见过最惨的案例：一个朋友，全仓押注某个品种的基差回归。结果那个品种出了个政策，基差直接翻倍。他爆仓了。嗯，仓位管理没做好，再好的策略也是白搭。

12.3.1 单品种仓位限制

我一般这样设：

• 单个品种最大仓位：总资金的10%
• 单个品种最大杠杆：3倍
• 相关品种合计：不超过总资金的30%

为什么这么设？你想想看，如果两个品种的相关性很高，比如螺纹钢和热卷，它们同时出问题的概率很大。所以我把它们算在一起。

12.3.2 策略层面仓位限制

基差交易策略有很多种：跨期套利、跨品种套利、期现套利。每种策略的风险特征不一样。

策略类型	最大仓位	最大杠杆	止损线
跨期套利	40%	5倍	-8%
跨品种套利	30%	3倍	-6%
期现套利	20%	2倍	-4%
统计套利	10%	2倍	-5%

12.4 杠杆控制：用多少杠杆，心里要有数

杠杆是把双刃剑。用好了，收益翻倍。用不好，一夜归零。

我见过有人用10倍杠杆做基差交易。结果基差反向波动了3%，他直接爆仓。3%的波动在基差交易里，其实很常见。

12.4.1 杠杆的计算

杠杆 = 总头寸名义价值 / 自有资金

def calculate_leverage(positions, capital):
    """
    计算总杠杆
    positions: 持仓列表，每个元素包含合约乘数、价格、手数
    capital: 自有资金
    """
    total_notional = 0
    for pos in positions:
        notional = pos['multiplier'] * pos['price'] * pos['quantity']
        total_notional += notional
    
    leverage = total_notional / capital
    return leverage

# 示例
positions = [
    {'multiplier': 10, 'price': 5000, 'quantity': 10},  # 螺纹钢
    {'multiplier': 50, 'price': 4000, 'quantity': 5},   # 铜
]
capital = 500000
lev = calculate_leverage(positions, capital)
print(f"当前杠杆: {lev:.2f}倍")

12.4.2 杠杆控制原则

我总结了几条铁律：

• 总杠杆不超过5倍。这是红线，过了就砍仓。
• 动态调整。波动率越高，杠杆越低。我一般用ATR来调整。
• 留足保证金。至少保证能扛住2个标准差以上的波动。

12.5 知识体系总览

下面这张图，是我做风险管理时的核心框架。你可以把它当成你的风控地图。

这张图把风险管理拆成了四个模块。每个模块之间是相互关联的。比如，VaR算出来风险大了，你就要降低仓位和杠杆。压力测试发现某个情景很危险，你就要调整仓位限制。

最后说一句：风险管理不是束缚你赚钱的枷锁，而是保护你活下去的铠甲。我见过太多人，策略很牛，但风控一塌糊涂，最后被市场淘汰。

记住：在基差交易里，活得久比赚得快更重要。