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

1. 这节究竟解决什么实际问题？¶

6.7 杠杆与保证金管理 (Leverage & Margin) 的具体任务是：量化杠杆、保证金和强平风险，避免把高收益误读为高能力。 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¶

掌握特征、标签、训练集/测试集和基本回测概念。 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¶

特征默认来自固定样本或模拟样本；每个标签必须标明预测期限及其可交易时间。 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 6.7 杠杆与保证金管理 (Leverage & Margin) 的输入、计算步骤、输出和局限；尤其能说明：量化杠杆、保证金和强平风险，避免把高收益误读为高能力。 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¶

机器学习模型从训练样本估计输入与目标之间的关系。训练集拟合程度不能代表样本外预测能力。

训练时只能看到训练区间；特征时间不得晚于决策时间，标签与测试区间必须隔离。 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¶

sklearn/PyTorch 加速建模；管道、切分和经济解释仍由研究者负责。 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“量化杠杆、保证金和强平风险，避免把高收益误读为高能力。”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¶

随机打乱时序、Scaler 在全样本 fit、目标泄漏、调参反复查看测试集、把准确率等同收益。

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¶

时间泄漏、p-hacking、多重检验和样本选择会制造虚假的 Alpha；必须报告朴素基线。 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/06_ml_trading/07_leverage_and_margin_exercises.ipynb；完整推导、可运行参考实现与结果检查在 ../solutions/06_ml_trading/07_leverage_and_margin_solutions.ipynb。请先独立作答，再打开答案。

13. 延伸阅读¶

延伸材料：scikit-learn 模型选择文档。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¶

完成本模块后，进入下一模块的概览页，并把本节的检查清单带到后续研究中。

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。

在给定的连续时间假设和目标函数下，该结果与 Kelly Criterion 的最优增长率解一致。

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。

---

模块索引 → ../README.md

In [ ]: