1. 这节究竟解决什么实际问题？¶
4.5 Beta 对冲与市场中性策略 (Beta Hedging) 的具体任务是：估计并对冲市场 Beta，区分市场 Beta 中性与其他风险暴露。 本节将明确输入数据、计算过程、输出及其在后续研究中的用途。
2. 前置知识¶
理解收益率、仓位、交易成本与基本技术指标。 对公式的理解应包括变量定义、单位、时间索引和适用条件。
3. 数据说明¶
默认固定历史样本。历史数据只能说明过去在既定假设下发生了什么，不能承诺未来收益。 运行前先检查 shape、日期范围、列名与缺失值。数据看起来能画图，不代表它适合回答研究问题。
4. 学习目标与完成标准¶
完成本节后，你应能用自己的话解释 4.5 Beta 对冲与市场中性策略 (Beta Hedging) 的输入、计算步骤、输出和局限；尤其能说明：估计并对冲市场 Beta，区分市场 Beta 中性与其他风险暴露。 你还应能独立改动一个参数并解释结果为什么变化，指出至少一个会让结论失真的假设。
5. 核心概念与公式¶
回测按照明确的成交和成本假设重放历史数据。它不能完整复现未来流动性、订单竞争和系统故障。
策略收益 = 滞后仓位 × 资产收益 − 换手 × 成本；每一项都要有明确单位。 看到公式时依次确认：每个符号的单位是什么？它属于哪个时点？分母会不会为零？它是描述性统计量、预测量，还是交易规则？
6. 从零实现¶
原始代码按照“准备输入 → 计算中间量 → 得到结果 → 解释输出”的顺序组织。每个单元应检查变量类型、索引、维度和代表性数值。中间变量用于核对公式实现和定位计算错误。
7. 成熟库实现¶
回测框架替你管理订单和记录，不会自动判断数据、成本或策略假设是否合理。 使用库函数前先阅读参数含义、默认值和返回对象；库输出一个数字，并不说明这个数字适合你的交易假设。
8. 两种实现的差异¶
从零实现便于核对公式、调试和识别隐含假设；成熟库适合在计算逻辑已验证后复用。两种实现依赖相同的数据口径与时点假设，使用库函数不会改变输入数据的质量。
9. 预期结果与检查范围¶
你应看到维度正确的 Series/DataFrame、日期单调递增的索引，以及能支持“估计并对冲市场 Beta，区分市场 Beta 中性与其他风险暴露。”这一任务的表格或图形。金融日收益率均值通常接近 0；若出现极大的连续收益、空表、全 NaN 或索引错位，应先排查数据和对齐逻辑，而不是立即相信结果。
10. 常见错误与诊断¶
信号未滞后、把手续费只扣一次、忽略空仓收益、年化频率错配、将净值曲线当显著性证明。
诊断顺序：先打印类型与 shape，再看 head()/tail()，接着检查日期和 NaN，最后才比较数值。这样能避免在错误的对象上反复改参数。
11. 研究偏差检查¶
检查未来函数、幸存者偏差、重复测试集调参、成交可得性和失败区间；必须报告基线。 结果至少应与一个简单基线比较，并明确哪些部分只是教学演示。
12. 三层练习与答案¶
- 基础练习：验证一个中间变量、补全一段小计算，并用一句话解释输出。
- 研究练习：改变窗口、样本区间、约束或标的，记录哪些结论仍成立。
- 开放项目：把本节方法嵌入模块项目，报告基线、失败结果和限制。
题目在 ../exercises/04_backtesting/05_beta_hedging_exercises.ipynb；完整推导、可运行参考实现与结果检查在 ../solutions/04_backtesting/05_beta_hedging_solutions.ipynb。请先独立作答，再打开答案。
13. 延伸阅读¶
延伸材料：Advances in Financial Machine Learning（Lopez de Prado）。阅读记录应包括研究假设、数据频率、样本范围和结论适用条件。
14. 下一节¶
下一节是 06_pairs_trading_strategy。本节的概念会成为理解它的输入，而不是孤立的名词。
In [1]:
Copied!
import numpy as np
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
np.random.seed(42)
n = 252 # 一年交易日
# 模拟市场收益率（年化8%，波动15%）
market_returns = np.random.normal(0.08/252, 0.15/np.sqrt(252), n)
# 模拟一个做多组合：Beta = 1.3, Alpha = 0.0003（正的超额日收益）
true_beta = 1.3
true_alpha_daily = 0.0003
portfolio_returns = (true_alpha_daily + true_beta * market_returns
+ np.random.normal(0, 0.005, n)) # 特质噪音
# 用 OLS 估计组合 Beta
X = sm.add_constant(market_returns)
ols = sm.OLS(portfolio_returns, X).fit()
estimated_beta = ols.params[1]
estimated_alpha = ols.params[0]
print(f"真实 Beta: {true_beta:.2f}")
print(f"OLS 估计 Beta: {estimated_beta:.4f}")
print(f"OLS 估计 Alpha（日）: {estimated_alpha:.6f}")
# 可视化 Beta 回归散点图
plt.figure(figsize=(8, 6))
plt.scatter(market_returns, portfolio_returns, alpha=0.3, color='steelblue', s=20)
plt.plot(sorted(market_returns),
[ols.params[0] + ols.params[1]*x for x in sorted(market_returns)],
color='red', linewidth=2, label=f'OLS 回归线 β={estimated_beta:.2f}')
plt.xlabel('Market Returns（市场日收益率）')
plt.ylabel('Portfolio Returns（组合日收益率）')
plt.title('Beta 估计：组合收益 vs 市场收益')
plt.legend()
plt.show()
import numpy as np
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
np.random.seed(42)
n = 252 # 一年交易日
# 模拟市场收益率（年化8%，波动15%）
market_returns = np.random.normal(0.08/252, 0.15/np.sqrt(252), n)
# 模拟一个做多组合：Beta = 1.3, Alpha = 0.0003（正的超额日收益）
true_beta = 1.3
true_alpha_daily = 0.0003
portfolio_returns = (true_alpha_daily + true_beta * market_returns
+ np.random.normal(0, 0.005, n)) # 特质噪音
# 用 OLS 估计组合 Beta
X = sm.add_constant(market_returns)
ols = sm.OLS(portfolio_returns, X).fit()
estimated_beta = ols.params[1]
estimated_alpha = ols.params[0]
print(f"真实 Beta: {true_beta:.2f}")
print(f"OLS 估计 Beta: {estimated_beta:.4f}")
print(f"OLS 估计 Alpha（日）: {estimated_alpha:.6f}")
# 可视化 Beta 回归散点图
plt.figure(figsize=(8, 6))
plt.scatter(market_returns, portfolio_returns, alpha=0.3, color='steelblue', s=20)
plt.plot(sorted(market_returns),
[ols.params[0] + ols.params[1]*x for x in sorted(market_returns)],
color='red', linewidth=2, label=f'OLS 回归线 β={estimated_beta:.2f}')
plt.xlabel('Market Returns（市场日收益率）')
plt.ylabel('Portfolio Returns（组合日收益率）')
plt.title('Beta 估计：组合收益 vs 市场收益')
plt.legend()
plt.show()
真实 Beta: 1.30 OLS 估计 Beta: 1.3122 OLS 估计 Alpha（日）: 0.000423
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 65288 (\N{FULLWIDTH LEFT PARENTHESIS}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 32452 (\N{CJK UNIFIED IDEOGRAPH-7EC4}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 21512 (\N{CJK UNIFIED IDEOGRAPH-5408}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 26085 (\N{CJK UNIFIED IDEOGRAPH-65E5}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 25910 (\N{CJK UNIFIED IDEOGRAPH-6536}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 30410 (\N{CJK UNIFIED IDEOGRAPH-76CA}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 29575 (\N{CJK UNIFIED IDEOGRAPH-7387}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 65289 (\N{FULLWIDTH RIGHT PARENTHESIS}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 20272 (\N{CJK UNIFIED IDEOGRAPH-4F30}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 35745 (\N{CJK UNIFIED IDEOGRAPH-8BA1}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 65306 (\N{FULLWIDTH COLON}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 24066 (\N{CJK UNIFIED IDEOGRAPH-5E02}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 22330 (\N{CJK UNIFIED IDEOGRAPH-573A}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 22238 (\N{CJK UNIFIED IDEOGRAPH-56DE}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 24402 (\N{CJK UNIFIED IDEOGRAPH-5F52}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
C:\Users\DELL\.conda\envs\quant\Lib\site-packages\IPython\core\pylabtools.py:170: UserWarning: Glyph 32447 (\N{CJK UNIFIED IDEOGRAPH-7EBF}) missing from font(s) DejaVu Sans.
fig.canvas.print_figure(bytes_io, **kw)
In [2]:
Copied!
import matplotlib.pyplot as plt
# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei'] # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei']
# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
import matplotlib.pyplot as plt
# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei'] # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei']
# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False
1. Beta 暴露的危险¶
假设你确信你的选股 Alpha 是真实的，但你的组合 Beta = 1.3。 在熊市下跌 20% 的年份，你的组合会因为 Beta 暴露损失约 26%， 而 Alpha 只能贡献约 0.03% × 252 ≈ 7.5%，最终组合还是下跌了约 18.5%。
Beta 是 Alpha 最大的敌人。 对冲 Beta 是让 Alpha 按原有量级释放的前提。
In [3]:
Copied!
# 演示 Beta 暴露的危害
years = 5
daily_returns_market = np.random.normal(0.06/252, 0.18/np.sqrt(252), 252*years)
# 模拟牛熊周期（前2年牛，后3年轻微熊）
market_drift = np.concatenate([
np.random.normal(0.12/252, 0.15/np.sqrt(252), 252*2), # 牛市
np.random.normal(-0.05/252, 0.20/np.sqrt(252), 252*3) # 熊市
])
alpha_daily = 0.0003 # 每日 +0.03% 纯 Alpha
portfolio_unhedged = alpha_daily + true_beta * market_drift + np.random.normal(0, 0.005, 252*years)
portfolio_hedged = alpha_daily + 0 * market_drift + np.random.normal(0, 0.005, 252*years) # Beta=0
cum_market = (1 + market_drift).cumprod()
cum_unhedged = (1 + portfolio_unhedged).cumprod()
cum_hedged = (1 + portfolio_hedged).cumprod()
plt.figure(figsize=(13, 5))
plt.plot(cum_market, color='gray', alpha=0.7, label='市场指数')
plt.plot(cum_unhedged, color='red', label=f'未对冲组合（Beta={true_beta}）')
plt.plot(cum_hedged, color='green', linewidth=2, label='Beta 中性组合（Beta=0）')
plt.axvline(252*2, color='black', linestyle=':', alpha=0.5, label='牛市/熊市分界')
plt.title('牛熊周期中：Beta 暴露组合 vs Beta 中性组合')
plt.ylabel('累积净值')
plt.legend()
plt.grid(alpha=0.3)
plt.show()
print(f"5年总收益:")
print(f" 市场指数: {cum_market[-1]-1:.2%}")
print(f" 未对冲组合: {cum_unhedged[-1]-1:.2%}")
print(f" Beta中性组合: {cum_hedged[-1]-1:.2%}")
# 演示 Beta 暴露的危害
years = 5
daily_returns_market = np.random.normal(0.06/252, 0.18/np.sqrt(252), 252*years)
# 模拟牛熊周期（前2年牛，后3年轻微熊）
market_drift = np.concatenate([
np.random.normal(0.12/252, 0.15/np.sqrt(252), 252*2), # 牛市
np.random.normal(-0.05/252, 0.20/np.sqrt(252), 252*3) # 熊市
])
alpha_daily = 0.0003 # 每日 +0.03% 纯 Alpha
portfolio_unhedged = alpha_daily + true_beta * market_drift + np.random.normal(0, 0.005, 252*years)
portfolio_hedged = alpha_daily + 0 * market_drift + np.random.normal(0, 0.005, 252*years) # Beta=0
cum_market = (1 + market_drift).cumprod()
cum_unhedged = (1 + portfolio_unhedged).cumprod()
cum_hedged = (1 + portfolio_hedged).cumprod()
plt.figure(figsize=(13, 5))
plt.plot(cum_market, color='gray', alpha=0.7, label='市场指数')
plt.plot(cum_unhedged, color='red', label=f'未对冲组合（Beta={true_beta}）')
plt.plot(cum_hedged, color='green', linewidth=2, label='Beta 中性组合（Beta=0）')
plt.axvline(252*2, color='black', linestyle=':', alpha=0.5, label='牛市/熊市分界')
plt.title('牛熊周期中：Beta 暴露组合 vs Beta 中性组合')
plt.ylabel('累积净值')
plt.legend()
plt.grid(alpha=0.3)
plt.show()
print(f"5年总收益:")
print(f" 市场指数: {cum_market[-1]-1:.2%}")
print(f" 未对冲组合: {cum_unhedged[-1]-1:.2%}")
print(f" Beta中性组合: {cum_hedged[-1]-1:.2%}")
5年总收益: 市场指数: 2.38% 未对冲组合: 17.85% Beta中性组合: 19.09%
2. 实施 Beta 对冲：做空股指期货¶
最常见的 Beta 对冲方式是做空股指期货（如沪深300指数期货 IF）：
$$\text{对冲手数} = \frac{\text{组合市值} \times \hat{\beta}}{\text{合约面值}}$$
通过调整做空手数，使得组合 + 期货空头的总 Beta ≈ 0。
In [4]:
Copied!
# Beta 对冲实施计算
portfolio_value = 10_000_000 # 组合市值 1000万元
contract_size = 300_000 # 股指期货一手合约面值（假设指数3000点×乘数100）
# 需要做空的手数
hedge_lots = portfolio_value * estimated_beta / contract_size
print(f"组合市值: {portfolio_value:,.0f} 元")
print(f"估计组合 Beta: {estimated_beta:.4f}")
print(f"每手合约面值: {contract_size:,.0f} 元")
print(f"需要做空 {hedge_lots:.2f} 手期货合约（取整为 {int(hedge_lots)} 手）")
# 对冲后的残余 Beta
hedge_lots_int = int(hedge_lots)
hedge_notional = hedge_lots_int * contract_size
residual_beta = (portfolio_value * estimated_beta - hedge_notional) / portfolio_value
print(f"\n对冲后残余 Beta: {residual_beta:.4f} (目标: ~0)")
# Beta 对冲实施计算
portfolio_value = 10_000_000 # 组合市值 1000万元
contract_size = 300_000 # 股指期货一手合约面值（假设指数3000点×乘数100）
# 需要做空的手数
hedge_lots = portfolio_value * estimated_beta / contract_size
print(f"组合市值: {portfolio_value:,.0f} 元")
print(f"估计组合 Beta: {estimated_beta:.4f}")
print(f"每手合约面值: {contract_size:,.0f} 元")
print(f"需要做空 {hedge_lots:.2f} 手期货合约（取整为 {int(hedge_lots)} 手）")
# 对冲后的残余 Beta
hedge_lots_int = int(hedge_lots)
hedge_notional = hedge_lots_int * contract_size
residual_beta = (portfolio_value * estimated_beta - hedge_notional) / portfolio_value
print(f"\n对冲后残余 Beta: {residual_beta:.4f} (目标: ~0)")
组合市值: 10,000,000 元 估计组合 Beta: 1.3122 每手合约面值: 300,000 元 需要做空 43.74 手期货合约（取整为 43 手） 对冲后残余 Beta: 0.0222 (目标: ~0)
练习¶
- 对不同时间窗口（60日，120日，252日）分别估计 Beta，观察哪个窗口的 Beta 更稳定。
- 使用滚动回归（
sm.OLS在滚动窗口内）计算时变 Beta，用卡尔曼滤波结果与其对比。 - 模拟加入 3 只不同行业 Beta 的股票组成的组合，计算整体组合 Beta，然后分别计算对冲量。
下一节 → 06_pairs_trading_strategy.ipynb
In [ ]:
Copied!