在策略中实现头寸管理进行策略优化

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

均值回复策略的盈亏特征与趋势策略截然不同。价格偏离均值越远，反弹的期望收益越高，但也伴随着更强的下行不确定性。本节深入剖析网格分批加仓（Grid Scaling）、基于偏离度 Z-Score 动态缩放头寸以及波动率倒数头寸分配算法。

💡 核心导读

• 均值回复策略头寸管理三大优化方向：
  • Z-Score 动态头寸缩放（Z-Score Sizing）：根据偏离度标准差动态调整建仓比例（$Z=-2.0$ 起步建仓，仓位随 $|Z|$ 线性放大至 20% 上限，$Z \le -3.5$ 硬熔断不建仓）；
  • 最大加仓层数与硬止损兜底：严格限制最大分批次数（如最多 3 批），防止在断崖式暴跌中无底线补仓爆仓；
  • 波动率倒数平价（Inverse Volatility）：对高波动个股分配较小基础头寸，平滑跨股票风险暴露。

┌─────────────────────────────────────────────────────────────┐
│                    偏离度动态头寸分配与风控拓扑图           │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ 轻仓区: $Z \in (-2.75,-2.0]$│ │ 重仓区: $Z \in (-3.5,-2.75]$│ │ 极限熔断: $Z \le -3.5$  │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • 线性建仓 0~10% 预算   │   │ • 线性放大至 20% 上限   │   │ • 判定逻辑破裂          │
│ • 控制初始试错成本      │   │ • 摊薄成本，等待强力反弹│   │ • 不建仓，硬熔断止损    │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、基于 Z-Score 偏离梯度的动态仓位分配算法

头寸规模与偏离度绝对值正相关，但设置上限 $w_{\max}$：

$$w(Z) = \min\left( w_{\max}, w_0 \times \frac{|Z| - Z_{\text{entry}}}{Z_{\text{scale}}} \right)$$

import numpy as np

def calculate_dynamic_mean_reversion_weight(zscore: float, z_entry: float = 2.0, z_max: float = 3.5, max_weight: float = 0.20) -> float:
    """
    基于 Z-Score 偏离梯度的动态仓位计算（合成样例，历史参数不代表未来，极端行情下仍可能亏损）
    """
    if zscore > -z_entry:
        return 0.0
    if zscore <= -z_max:
        return 0.0 # 极端破位，触发硬止损不建仓
        
    scale = (abs(zscore) - z_entry) / (z_max - z_entry)
    target_w = scale * max_weight
    return float(target_w)

# 合成测试数据：不同偏离程度的 Z-Score 值
test_z_scores = np.array([-1.5, -2.2, -2.8, -3.2, -3.8])
print("===== 均值回复动态仓位计算 =====")
print("Z-Score | 动态仓位权重")
for z in test_z_scores:
    w = calculate_dynamic_mean_reversion_weight(z)
    print(f"{z:>7.2f} | {w:>7.3f}")
print("注：仓位权重随偏离度增加而增加，极端偏离（≤-3.5）时清零。")

===== 均值回复动态仓位计算 =====
Z-Score | 动态仓位权重
  -1.50 |   0.000
  -2.20 |   0.027
  -2.80 |   0.107
  -3.20 |   0.160
  -3.80 |   0.000
注：仓位权重随偏离度增加而增加，极端偏离（≤-3.5）时清零。

二、动态头寸回测收益与回撤优化对比

动态加仓机制在价格出现深度非理性超跌时以极低成本获取筹码，在均值回归时创造更高的复合收益。

import pandas as pd
import numpy as np

def compare_fixed_vs_dynamic_sizing(df_trades: pd.DataFrame) -> dict:
    """
    对比固定仓位与动态仓位的夏普比率（合成逐笔交易数据，历史回测不代表未来表现）
    """
    fixed_pnl = df_trades['pnl'] * 0.10
    dynamic_pnl = df_trades['pnl'] * df_trades['dynamic_weight']
    
    # 口径注意: df_trades 是逐笔交易(trade-level)盈亏序列, 并非日收益率; 直接乘 sqrt(252) 隐含「每日一笔交易」假设。
    # 严谨做法二选一: A. 先把逐笔 PnL 按交易日聚合为日收益序列再乘 sqrt(252);
    #   B. 若比较的是「每笔风险调整收益」, 去掉 sqrt(252) 并改名为 per-trade reward/risk ratio。
    # 本函数在本节未被调用、无输出; 保留 sqrt(252) 仅作同口径对比示意(公共缩放不影响两者相对大小)。
    sharpe_fix = fixed_pnl.mean() / (fixed_pnl.std() + 1e-8) * np.sqrt(252)
    sharpe_dyn = dynamic_pnl.mean() / (dynamic_pnl.std() + 1e-8) * np.sqrt(252)
    
    return {
        'Sharpe_Fixed': float(sharpe_fix),
        'Sharpe_Dynamic': float(sharpe_dyn)
    }

# 合成逐笔交易数据（包含盈亏和动态权重）
rng = np.random.default_rng(42)
n_trades = 100
df_trades = pd.DataFrame({
    'pnl': rng.normal(0, 1, n_trades), # 合成盈亏，均值为0，包含亏损
    'dynamic_weight': rng.uniform(0.05, 0.2, n_trades) # 合成动态权重
})

# 调用函数并打印结果
result = compare_fixed_vs_dynamic_sizing(df_trades)
print("===== 固定仓位 vs 动态仓位 风险调整收益对比 =====")
print(f"固定仓位（10%）夏普比率: {result['Sharpe_Fixed']:.4f}")
print(f"动态仓位夏普比率: {result['Sharpe_Dynamic']:.4f}")
print("注：此为逐笔交易口径的夏普比率，仅用于同口径对比示意。")

===== 固定仓位 vs 动态仓位 风险调整收益对比 =====
固定仓位（10%）夏普比率: -1.0275
动态仓位夏普比率: -0.1707
注：此为逐笔交易口径的夏普比率，仅用于同口径对比示意。

📝 动手练一练

编写 Python 测试脚本，模拟不同 Z-Score 偏离度下的动态仓位分配并验证优化效果：

import numpy as np

def calculate_dynamic_mean_reversion_weight(zscore: float, z_entry: float = 2.0, z_max: float = 3.5, max_weight: float = 0.20) -> float:
    """
    基于 Z-Score 偏离梯度的动态仓位计算（合成样例，历史参数不代表未来，极端行情下仍可能亏损）
    """
    if zscore > -z_entry:
        return 0.0
    if zscore <= -z_max:
        return 0.0 # 极端破位，触发硬止损不建仓
        
    scale = (abs(zscore) - z_entry) / (z_max - z_entry)
    target_w = scale * max_weight
    return float(target_w)

def run_reversion_position_test():
    z_scores = [-1.5, -2.2, -2.8, -3.2, -3.8]
    weights = [calculate_dynamic_mean_reversion_weight(z) for z in z_scores]
    
    print("================ 均值回复头寸管理与策略优化测试 ================")
    for z, w in zip(z_scores, weights):
        print(f"  - 偏离度 Z: {z:>5.1f} | 动态分配仓位: {w*100:>5.1f}%")
    assert weights[2] > weights[1], "动态加仓权重递增逻辑异常！"
    assert weights[4] == 0.0, "极端偏离止损未清零！"
    print("✅ 均值回复动态头寸管理与优化测试 PASS")
    print("==============================================================")

run_reversion_position_test()

运行结果输出：

================ 均值回复头寸管理与策略优化测试 ================
  - 偏离度 Z:  -1.5 | 动态分配仓位:   0.0%
  - 偏离度 Z:  -2.2 | 动态分配仓位:   2.7%
  - 偏离度 Z:  -2.8 | 动态分配仓位:  10.7%
  - 偏离度 Z:  -3.2 | 动态分配仓位:  16.0%
  - 偏离度 Z:  -3.8 | 动态分配仓位:   0.0%
✅ 均值回复动态头寸管理与优化测试 PASS
==============================================================

本章小结

1. 依据偏离度梯度分配头寸：在低偏离时轻仓试探，在深度非理性超跌时加大仓位获取高赔率。
2. 严设极端偏离硬熔断：当 $Z < -3.5$ 时判定为基本面永久恶化，坚决清仓止损，杜绝无限死扛。
3. 结合波动率平价平滑风险：通过波动率倒数归一化，确保各标的为组合贡献等量风险敞口。

📋 行动清单 (Action Checklist)

• 运行动态头寸测试代码，测试改变 $Z_{\text{max}}$ 对极端行情下最大回撤的影响；
• 编写多股票组合下的动态资金预算总和约束；
• 全面复习第八章均值回复策略体系，准备进入第九章套利实战。

—— 小象教研组