6.7 杠杆与保证金管理 (Leverage & Margin)¶

学习目标¶

• 理解杠杆如何同时放大收益和风险
• 分析不同杠杆倍数下的资金曲线差异
• 计算融资成本（Margin Interest）对净收益的影响
• 用最优杠杆公式找到最优区间

In [1]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
np.random.seed(42)
print('Libraries loaded')

import numpy as np import pandas as pd import matplotlib.pyplot as plt np.random.seed(42) print('Libraries loaded')

Libraries loaded

In [2]:

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. 杠杆的双刃剑效应¶

杠杆 (Leverage) 指你实际控制的资产价值与你的自有资本之比：

$$\text{杠杆倍数} = \frac{\text{持仓市值}}{\text{净资产}}$$

• 2 倍杠杆意味着：借入等额资金，实际持仓是净资产的 2 倍
• 如果股票涨 5%，你赚 10%（2 倍）
• 如果股票跌 5%，你亏 10%（2 倍） 或 更多（加上融资利率）

In [4]:

# 模拟不同杠杆倍数下的资金曲线
np.random.seed(42)
n_days = 252 * 3  # 3 年

# 基础策略：年化 8%，波动 15%
base_returns = np.random.normal(0.08/252, 0.15/np.sqrt(252), n_days)

# 融资利率（年化）
margin_rate = 0.04  # 年化 4%
daily_margin_cost = margin_rate / 252

leverage_ratios = [1.0, 1.5, 2.0, 3.0, 4.0]
colors = ['blue', 'green', 'orange', 'red', 'darkred']

plt.figure(figsize=(13, 6))

for lev, color in zip(leverage_ratios, colors):
    # 杠杆后收益 = 原始收益 * 杠杆倍数 - 融资成本 * (杠杆-1)
    leveraged_returns = lev * base_returns - (lev - 1) * daily_margin_cost
    cumulative = (1 + leveraged_returns).cumprod()
    plt.plot(cumulative, color=color, linewidth=1.5, label=f'{lev}x 杠杆')
    final = cumulative[-1]

    max_dd = (cumulative / np.maximum.accumulate(cumulative) - 1).min()
    print(f'{lev}x 杠杆: 3年总收益={final-1:.2%}, 最大回撤={max_dd:.2%}')

plt.title(f'不同杠杆倍数下的资金曲线（基础策略: 年化8%, 波动15%, 融资利率4%）')
plt.xlabel('交易日')
plt.ylabel('累积净值')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

# 模拟不同杠杆倍数下的资金曲线 np.random.seed(42) n_days = 252 * 3 # 3 年 # 基础策略：年化 8%，波动 15% base_returns = np.random.normal(0.08/252, 0.15/np.sqrt(252), n_days) # 融资利率（年化） margin_rate = 0.04 # 年化 4% daily_margin_cost = margin_rate / 252 leverage_ratios = [1.0, 1.5, 2.0, 3.0, 4.0] colors = ['blue', 'green', 'orange', 'red', 'darkred'] plt.figure(figsize=(13, 6)) for lev, color in zip(leverage_ratios, colors): # 杠杆后收益 = 原始收益 * 杠杆倍数 - 融资成本 * (杠杆-1) leveraged_returns = lev * base_returns - (lev - 1) * daily_margin_cost cumulative = (1 + leveraged_returns).cumprod() plt.plot(cumulative, color=color, linewidth=1.5, label=f'{lev}x 杠杆') final = cumulative[-1] max_dd = (cumulative / np.maximum.accumulate(cumulative) - 1).min() print(f'{lev}x 杠杆: 3年总收益={final-1:.2%}, 最大回撤={max_dd:.2%}') plt.title(f'不同杠杆倍数下的资金曲线（基础策略: 年化8%, 波动15%, 融资利率4%）') plt.xlabel('交易日') plt.ylabel('累积净值') plt.legend() plt.grid(alpha=0.3) plt.show()

1.0x 杠杆: 3年总收益=7.84%, 最大回撤=-19.52%
1.5x 杠杆: 3年总收益=2.90%, 最大回撤=-30.41%
2.0x 杠杆: 3年总收益=-3.42%, 最大回撤=-40.27%
3.0x 杠杆: 3年总收益=-19.01%, 最大回撤=-56.98%
4.0x 杠杆: 3年总收益=-36.41%, 最大回撤=-69.93%

2. 最优杠杆：Merton 分数¶

对于给定的预期收益和波动率，存在一个数学意义上的最优杠杆倍数：

$$L^* = \frac{\mu - r}{\sigma^2}$$

其中 $\mu$ 是策略年化预期收益，$r$ 是融资利率，$\sigma$ 是年化波动率。

注意：这与 Kelly Criterion 在连续时间假设下是等价的！

In [5]:

annual_mu = 0.08    # 策略年化预期收益 8%
annual_r  = 0.04    # 融资利率 4%
annual_sigma = 0.15  # 波动率 15%

optimal_leverage = (annual_mu - annual_r) / (annual_sigma ** 2)
print(f'最优杠杆倍数（Merton Division）: {optimal_leverage:.2f}x')
print(f'Half-Merton（实盘常用）: {optimal_leverage/2:.2f}x')

# 可视化：杠杆 vs 预期长期增长率
leverage_range = np.linspace(0, 5, 200)
# 长期增长率 = (μ-r) * L - 0.5 * σ² * L²
long_run_growth = (annual_mu - annual_r) * leverage_range - 0.5 * annual_sigma**2 * leverage_range**2

plt.figure(figsize=(10, 5))
plt.plot(leverage_range, long_run_growth * 100, color='blue', linewidth=2)
plt.axvline(optimal_leverage, color='red', linestyle='--', linewidth=2,
            label=f'最优杠杆 = {optimal_leverage:.2f}x')
plt.axvline(optimal_leverage/2, color='green', linestyle='--', linewidth=2,
            label=f'Half-Merton = {optimal_leverage/2:.2f}x')
plt.axhline(0, color='black', alpha=0.3)
plt.xlabel('杠杆倍数')
plt.ylabel('预期长期增长率 (%/年)')
plt.title('预期长期增长率 vs 杠杆倍数（过度杠杆导致负增长）')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

annual_mu = 0.08 # 策略年化预期收益 8% annual_r = 0.04 # 融资利率 4% annual_sigma = 0.15 # 波动率 15% optimal_leverage = (annual_mu - annual_r) / (annual_sigma ** 2) print(f'最优杠杆倍数（Merton Division）: {optimal_leverage:.2f}x') print(f'Half-Merton（实盘常用）: {optimal_leverage/2:.2f}x') # 可视化：杠杆 vs 预期长期增长率 leverage_range = np.linspace(0, 5, 200) # 长期增长率 = (μ-r) * L - 0.5 * σ² * L² long_run_growth = (annual_mu - annual_r) * leverage_range - 0.5 * annual_sigma**2 * leverage_range**2 plt.figure(figsize=(10, 5)) plt.plot(leverage_range, long_run_growth * 100, color='blue', linewidth=2) plt.axvline(optimal_leverage, color='red', linestyle='--', linewidth=2, label=f'最优杠杆 = {optimal_leverage:.2f}x') plt.axvline(optimal_leverage/2, color='green', linestyle='--', linewidth=2, label=f'Half-Merton = {optimal_leverage/2:.2f}x') plt.axhline(0, color='black', alpha=0.3) plt.xlabel('杠杆倍数') plt.ylabel('预期长期增长率 (%/年)') plt.title('预期长期增长率 vs 杠杆倍数（过度杠杆导致负增长）') plt.legend() plt.grid(alpha=0.3) plt.show()

最优杠杆倍数（Merton Division）: 1.78x
Half-Merton（实盘常用）: 0.89x

3. 爆仓风险分析¶

使用过高杠杆时，即使是短暂的市场下跌也可能导致净资产清零（爆仓）。 保证金水平通常要求净资产保持在持仓价值的一定比例以上。

In [6]:

# 模拟爆仓风险场景
margin_call_threshold = 0.2  # 净资产跌到 20% 以下触发爆仓
np.random.seed(123)

bankruptcy_counts = {}
for lev in [1.0, 2.0, 3.0, 4.0, 5.0]:
    bankrupt = 0
    for trial in range(500):
        equity = 1.0  # 起始净资产归一化为 1
        for _ in range(252 * 3):
            r = np.random.normal(0.08/252, 0.15/np.sqrt(252))
            equity = equity + lev * equity * r - (lev - 1) * equity * daily_margin_cost
            if equity / lev < margin_call_threshold:  # 爆仓条件
                bankrupt += 1
                break
    bankruptcy_counts[lev] = bankrupt / 500
    print(f'{lev}x 杠杆: {bankrupt}/500 次模拟爆仓 ({bankrupt/500:.1%})')

# 可视化爆仓概率
plt.figure(figsize=(8, 5))
plt.bar([str(k)+'x' for k in bankruptcy_counts], [v*100 for v in bankruptcy_counts.values()],
        color=['green', 'yellow', 'orange', 'red', 'darkred'])
plt.xlabel('杠杆倍数')
plt.ylabel('3年内爆仓概率 (%)')
plt.title('不同杠杆倍数下的 3 年爆仓概率（500次蒙特卡洛模拟）')
plt.grid(alpha=0.3, axis='y')
plt.show()

# 模拟爆仓风险场景 margin_call_threshold = 0.2 # 净资产跌到 20% 以下触发爆仓 np.random.seed(123) bankruptcy_counts = {} for lev in [1.0, 2.0, 3.0, 4.0, 5.0]: bankrupt = 0 for trial in range(500): equity = 1.0 # 起始净资产归一化为 1 for _ in range(252 * 3): r = np.random.normal(0.08/252, 0.15/np.sqrt(252)) equity = equity + lev * equity * r - (lev - 1) * equity * daily_margin_cost if equity / lev < margin_call_threshold: # 爆仓条件 bankrupt += 1 break bankruptcy_counts[lev] = bankrupt / 500 print(f'{lev}x 杠杆: {bankrupt}/500 次模拟爆仓 ({bankrupt/500:.1%})') # 可视化爆仓概率 plt.figure(figsize=(8, 5)) plt.bar([str(k)+'x' for k in bankruptcy_counts], [v*100 for v in bankruptcy_counts.values()], color=['green', 'yellow', 'orange', 'red', 'darkred']) plt.xlabel('杠杆倍数') plt.ylabel('3年内爆仓概率 (%)') plt.title('不同杠杆倍数下的 3 年爆仓概率（500次蒙特卡洛模拟）') plt.grid(alpha=0.3, axis='y') plt.show()

1.0x 杠杆: 0/500 次模拟爆仓 (0.0%)
2.0x 杠杆: 21/500 次模拟爆仓 (4.2%)
3.0x 杠杆: 214/500 次模拟爆仓 (42.8%)
4.0x 杠杆: 393/500 次模拟爆仓 (78.6%)
5.0x 杠杆: 487/500 次模拟爆仓 (97.4%)

🎯 练习¶

1. 将基础策略修改为夏普比率 = 0.5（如年化 8%，波动 16%），重新计算最优杠杆。结果如何变化？
2. 对当前的 Beta 对冲组合（市场中性，年化 5%，波动 5%），计算其理论最优杠杆。
3. 模拟一个每月动态调整杠杆的框架（当近期夏普下降时降低杠杆），观察爆仓概率如何变化。

---

下一节 → ../README.md（教程完结，恭喜！）

In [ ]: