第二十五章：策略风险管理：风险指标、VaR与CVaR、压力测试、回撤控制、止损策略

做量化交易这么多年，我见过太多人只盯着收益率看。说实话，这是新手最容易犯的错。你策略赚了50%，但回撤40%，这有什么意义？我有个朋友，2015年股灾前策略年化80%，结果一周亏光所有利润。嗯，从那以后，风险管理就成了我所有策略的第一道防线。

今天这一章，咱们就把风险管理的几个核心模块拆开揉碎。你想想看，一个成熟的交易系统，风险控制至少占一半的权重。说白了，活得久比赚得快重要得多。

25.1 核心风险指标：你该盯哪些数字？

我个人习惯，每天开盘前先扫一眼这几个指标。它们就像汽车的仪表盘，告诉你发动机有没有过热。

25.2 VaR与CVaR：你的钱到底有多危险？

VaR（Value at Risk）这个词，听起来高大上，其实说白了就是：在95%或99%的置信水平下，你最多会亏多少钱。举个例子，日VaR(95%) = 10万，意思是有95%的把握，明天亏损不超过10万。

但这里有个坑。我曾经吃过这个亏——VaR只告诉你「最多亏多少」，但它不告诉你「如果真的亏了，平均亏多少」。这就是CVaR（Conditional VaR）要解决的问题。CVaR计算的是「最坏那5%情况下的平均亏损」。我建议你两个指标一起看。

import numpy as np
import pandas as pd

def calculate_var_cvar(returns, confidence=0.95):
    """
    计算VaR和CVaR
    returns: 收益率序列
    confidence: 置信水平，默认95%
    """
    # 排序收益率
    sorted_returns = np.sort(returns)
    
    # VaR：第(1-confidence)分位数
    var_index = int(len(sorted_returns) * (1 - confidence))
    var = -sorted_returns[var_index]
    
    # CVaR：尾部损失的均值
    tail_losses = sorted_returns[:var_index]
    cvar = -np.mean(tail_losses)
    
    return var, cvar

# 模拟使用
np.random.seed(42)
daily_returns = np.random.normal(0.001, 0.02, 1000)  # 模拟日收益率
var_95, cvar_95 = calculate_var_cvar(daily_returns, 0.95)
print(f"95% VaR: {var_95:.4f}")
print(f"95% CVaR: {cvar_95:.4f}")

25.3 压力测试：把策略扔进「地狱模式」

压力测试，说白了就是模拟极端行情。我习惯做三件事：

1. 历史重现：把2008年金融危机、2020年新冠熔断的数据喂给策略，看它怎么死。
2. 假设情景：比如「明天大盘跌10%」、「流动性枯竭」、「波动率飙升3倍」。
3. 参数扰动：把策略参数随机打乱，看鲁棒性。

我记得有一次，一个看起来完美的套利策略，在压力测试下暴露了致命缺陷——当市场波动率突然上升时，滑点成本直接吃掉所有利润。嗯，还好没上实盘。

def stress_test(strategy_returns, scenarios):
    """
    压力测试框架
    scenarios: 字典，包含不同情景下的收益率调整
    """
    results = {}
    for scenario_name, shock in scenarios.items():
        # 对原始收益率施加冲击
        stressed_returns = strategy_returns * (1 + shock)
        
        # 计算关键指标
        sharpe = np.mean(stressed_returns) / np.std(stressed_returns) * np.sqrt(252)
        max_dd = (stressed_returns.cumsum().cummax() - stressed_returns.cumsum()).max()
        
        results[scenario_name] = {
            'sharpe': sharpe,
            'max_drawdown': max_dd
        }
    return results

# 定义压力情景
scenarios = {
    '正常市场': 0.0,
    '小幅下跌': -0.2,
    '大幅下跌': -0.5,
    '流动性危机': -0.8
}

# 假设策略日收益率
np.random.seed(42)
returns = pd.Series(np.random.normal(0.001, 0.02, 252))
stress_results = stress_test(returns, scenarios)
print(stress_results)

25.4 回撤控制：别让利润坐过山车

回撤控制，我把它分成三个层级：

• 硬止损：总资金回撤达到15%，强制清仓。这个没得商量。
• 软止损：回撤达到8%，减半仓位，进入观察模式。
• 动态调整：根据波动率自动调整仓位。波动率越高，仓位越低。

你想想看，为什么很多人赚了钱又吐回去？就是因为没有回撤控制。我见过最惨的一个案例，账户从100万做到300万，然后一个月跌回80万。为什么？因为他觉得「回撤是暂时的，会涨回来的」。结果呢？市场教他做人。

25.5 止损策略：该割肉时就割肉

止损，是量化交易里最反人性的操作。我刚开始做的时候，也经常「再等等看」。结果呢？小亏变大亏。后来我总结了几种止损方式：

def trailing_stop(current_price, highest_price, trail_percent=0.05):
    """
    移动止损逻辑
    """
    drawdown = (highest_price - current_price) / highest_price
    if drawdown >= trail_percent:
        return True  # 触发止损
    return False

def volatility_stop(current_price, entry_price, atr, multiplier=2):
    """
    波动率止损
    """
    loss_pct = (entry_price - current_price) / entry_price
    if loss_pct > multiplier * atr / entry_price:
        return True
    return False

25.6 知识体系总览

下面这张图，是我做风险管理时的完整框架。你可以把它当成一个检查清单，每次上线新策略前，逐项过一遍。

嗯，这一章的内容就到这里。风险管理不是束缚，而是你策略的「安全带」。系好它，你才能在市场的惊涛骇浪里，稳稳地走下去。