研究对象：

【量化课堂】股指期货对冲策略

研究目的：

1. 寻求一套通用的对冲例程，以期望用于各种资产组合。
2. 学习大神编程经验，提高自己的python语言水平。

研究过程：

一、重写原版

1. 发现get_next_month_future函数逻辑有些乱，改写了该函数。

   # 进入本月第三周即切换到下月合约，而不等第三周的周五本月合约结束
   def get_next_month_future(context, symbol):
    dt = context.current_dt
    month_begin_day = datetime.date(dt.year, dt.month, 1).isoweekday() # 本月1号是星期几(1-7)
    third_monday_date = 16 - month_begin_day   7*(month_begin_day>5) #本月的第三个星期一是几号
    # 如果今天没过第三个星期一
    if dt.day < third_monday_date:
        next_dt = dt #本月合约
    else:
        next_dt = dt   relativedelta(months=1)  #切换至下月合约
   
    year = str(next_dt.year)[2:]
    month = ('0'   str(next_dt.month))[-2:]
   
    return (symbol year month '.CCFX')
   

2. 重写compute_hedge_ratio函数
   计算资产组合及沪深300指数的日收益率：
   原算法：

    # 取股票在样本时间内的价格
    prices = history(g.yb, '1d', 'close', in_position_stocks)
    # 取指数在样本时间内的价格
    index_prices = list(attribute_history('000300.XSHG', g.yb, '1d', 'close').close)
    # 计算股票在样本时间内的日收益率
    rets = [(prices.iloc[i 1,:]-prices.iloc[i,:])/prices.iloc[i,:] for i in range(g.yb-1)]
    # 计算日收益率平均
    mean_rets = [np.mean(x) for x in rets]
    # 计算指数的日收益率
    index_rets = [(y-x)/x for (x,y) in zip(index_prices[:-1],index_prices[1:])]
   

   修改后简洁地表达：

    prices = history(g.yb, '1d', 'close', in_position_stocks)
    index_prices = attribute_history('000300.XSHG', g.yb, '1d', 'close')
    # prices 行:日期,列:各只股票 =>pct_change():dataframe, 结构不变，值为日收益率=>[1:] drop first row
    # =>mean(axis=1)横向平均,Series=>.values:array
    mean_rets = prices.pct_change()[1:].mean(axis=1).values
    # pct_change():dataframe, 结构不变，值为日收益率=>[1:] drop first row=>.close:Series =>values:array
    index_rets = index_prices.pct_change()[1:].close.values
   

   并对beta计算过程进行了注释：

    # 计算组合和指数的协方差矩阵cov_mat
    #            Rp        |    Rm
    #      Rp    Rp.Var    | cov(Rp,Rm)
    #      Rm   cov(Rm,Rp) | Rm.Var
    cov_mat = np.cov(mean_rets, index_rets)
    # 计算组合的系统性风险beta
    beta = cov_mat[0,1]/cov_mat[1,1]
    '''
    # 另一种算法
    index_rets = sm.add_constant(index_rets)    # 常数用来拟合alpha，系数用来拟合beta
    model = regression.linear_model.OLS(mean_rets, index_rets).fit()  #线性回归，OLS普通最小二乘法ordinary least square
    alpha, beta = model.params[0], model.params[1]
    '''
   

   本函数返回对冲比例和beta值，其中对冲比例hedge_ratio的表达式1 beta*g.futures_margin_rate beta/5
   这个对冲比例hedge_ratio怎么来的？有什么用？请看下面的“研究”

3. 重写initialize函数：
   原表达：

   set_subportfolios([SubPortfolioConfig(cash=context.portfolio.starting_cash*(1/1.3) ,type='stock'),SubPortfolioConfig(cash=context.portfolio.starting_cash*0.3/1.3,type='index_futures')])
   

   现表达：

    # 分仓
    stock_cash = np.round(context.portfolio.starting_cash*(1/1.3),0)
    future_cash = context.portfolio.starting_cash - stock_cash
    set_subportfolios(
            [
            SubPortfolioConfig(cash=stock_cash, type='stock'),
            SubPortfolioConfig(cash=future_cash,type='index_futures')
            ]
        )
   

4. 重写before_trading_start函数
   注释掉了如下一条语句，并将之移到compute_signals函数里：

   g.all_stocks = set_feasible_stocks(get_all_securities(['stock']).index,g.yb,context)
   

   理由是:每天计算g.all_stocks计算量极大。实际上只有在compute_signals才能用上g.all_stocks，
   而compute_signals函数20个交易日才执行一次（g.tc=20 #调仓频率），所以每天都计算g.all_stocks是无用功。

5. 重写compute_signals函数：
   原写法：

    if g.t%g.tc==0:
        # 获取所有股票的财务数据总负债和总资产
        q = query(balance.code, balance.total_liability, balance.total_assets).filter(balance.code.in_(g.all_stocks))
        data = get_fundamentals(q)
        # 计算资产负债比
        data['ALR'] = data['total_liability']/data['total_assets']
        # 资产负债比从大到小排列
        data = data.sort('ALR', ascending=False)
        # 输出最靠前的 3%
        return list(data.code)[:int(float(len(g.all_stocks))*g.percentile)]
   

   修改后：

    if g.t%g.tc==0:
        # 获取可行股票池
        all_stocks = set_feasible_stocks(get_all_securities(['stock']).index,g.yb,context)
        # 获取所有股票的财务数据总负债和总资产
        q = query(
                balance.code, balance.total_liability, balance.total_assets, 
                (balance.total_liability/balance.total_assets).label('ALR')
            ).filter(
                balance.code.in_(all_stocks)
            ).order_by(
                (balance.total_liability/balance.total_assets).desc()        #按资产负债率降序
            )
        data = get_fundamentals(q)
        stock_list = data['code'].tolist()
        # 输出最靠前的 3%
        return stock_list[:int(len(all_stocks)*g.percentile)]
   

   修改后的代码试图用一条sql查询语句找出想要的答案。
   修改时发现了一个问题，就是“资产负债率”按大到小排列？
   一般地，资产负债率越高，表明该企业已经陷入或即将陷入财务困境，这样的股票表现能好么？
   为忠实再现原作，先不改，保持降序。策略不是重点,重点是对冲效果。

6. 修改rebalance函数
   原作183-186行

    for stock in g.in_position_stocks:
        order_target_value(stock, stock_value/len(g.in_position_stocks), pindex=0)
    for stock in g.in_position_stocks:
        order_target_value(stock, stock_value/len(g.in_position_stocks), pindex=0)
   

   明显重复了，但却不是疏忽。原作想做什么？是要保持等权！
   要保持等权，就得削高填低，第一遍贴权的没有钱买，因为超权的还可能没有卖出钱来，
   所以第一遍把高的削了，第二遍就有钱把低洼地带填平了。效果是这个效果，但得仔细揣摩才能读懂。
   改改，虽然效果一样，语句还多了不少，但浅显些。同时增加了过滤停牌股票的功能：

    curr_data = get_current_data()
    target_stocks = [stock for stock in g.in_position_stocks if not curr_data[stock].paused ] #过滤掉今日停牌的
   
    per_value = stock_value/len(g.in_position_stocks) #每只股票应该达到的权值    
    over_weight_list  = [stock for stock in target_stocks if \
        context.subportfolios[0].long_positions[stock].value > per_value]  #现持仓中超权的
    under_weight_list = [stock for stock in target_stocks if \
        stock not in over_weight_list]  #剩余的，就是贴权的，应该补权
   
    for stock in over_weight_list:      # 超权的先减仓，削高
        order_target_value(stock, per_value, pindex=0)
    for stock in under_weight_list:     # 贴权的再加仓，填低
        order_target_value(stock, per_value, pindex=0)
   

   为更精准地对冲，从获取沪深300价格改为获取股指期货价格，原因：
   （1）股指期货与现货相比，存在升水或贴水
   （2）对冲的不限于IF,也可能是IH,IC

    # 获取沪深300价格
    # index_price = attribute_history('000300.XSHG',1, '1d', 'close').close.iloc[0]
    # log.info('HS300 index_price: %.2f' %  index_price)
   
    # 获取期货指数价格
    index_price = attribute_history(current_future, 1, '1d', 'close').close.iloc[0]
    log.info('Index futures: %s, Price: %.2f' % (current_future, index_price))
   

   rebalance函数中还有几处费解的地方，如何去理解，请看下面的“研究”

另外，对rebalance函数进行了详尽的log，以解释各个变量的含义，并可以借此检验是否达到对冲要求。

一个教学策略，我花了2天的时间来学习，受益匪浅。原作水平很高，尤其是rebalance函数，写的很精彩！

回测的时候发现，起始资金2个亿，有些多了，即使一次买N多只股票，依旧有超出该股全天成交量的。故把起始资金调整为2千万。
资金量小了，股指期货对冲的精度就下降了，所以，回测的结果与原作会有不同。

先改到这里，看看回测效果再说。嗯,回测速度快了很多！