第 7 章：期货市场与衍生品策略¶
期货 (Futures) 市场是现代金融体系中风险管理的核心场所。与股票市场不同，期货交易本质上是一种零和博弈 (Zero-Sum Game)，其核心机制——保证金制度、双向交易和每日无负债结算——为量化策略提供了丰富的操作空间，但也带来了更高的风险管理要求。本章将深入探讨期货市场的定价理论、期限结构、对冲策略以及在 akquant 引擎中的实现细节。
7.1 期货市场机制 (Market Mechanisms)¶
7.1.1 标准化合约¶
期货合约是由交易所制定的、规定在将来某一特定时间和地点交割一定数量标的物的标准化合约。
- 标的物 (Underlying)：可以是实物商品（如螺纹钢、大豆），也可以是金融资产（如沪深300指数、国债）。
- 合约乘数 (Multiplier)：一张合约代表的标的价值。例如，IF（沪深300股指期货）乘数为 300元/点，若指数为 4000 点，则一张合约价值 \(4000 \times 300 = 1,200,000\) 元。
7.1.2 保证金制度 (Margin System)¶
期货交易实行保证金制度，投资者只需缴纳合约价值一定比例的资金作为履约担保，即可进行交易。这引入了杠杆 (Leverage)。
\[ \text{Leverage} = \frac{1}{\text{Margin Ratio}} \]
若保证金率为 10%，则杠杆为 10 倍。这意味着标的资产价格波动 1%，账户权益波动 10%。
7.1.3 每日无负债结算 (Mark-to-Market)¶
A 股股票是 T+1 交收，而期货实行T+0 交易和每日无负债结算 (Daily Mark-to-Market)。交易所每日根据结算价 (Settlement Price)（通常为当日成交量加权平均价）计算盈亏，并划转资金。
在 akquant 回测引擎中，为了简化模型，通常采用收盘价近似结算价进行每日权益计算，但在实盘模块中必须严格对接交易所结算单。
7.2 期限结构与主力合约 (Term Structure)¶
7.2.1 期限结构理论¶
同一品种、不同到期月份的期货合约，其价格通常不同，形成期限结构 (Term Structure)。
根据持有成本理论 (Cost of Carry Model)：
\[ F_t = S_t e^{(r+u-y)(T-t)} \]
其中 \(F_t\) 为期货价格，\(S_t\) 为现货价格，\(r\) 为无风险利率，\(u\) 为仓储成本，\(y\) 为便利收益 (Convenience Yield)。
- 升水结构 (Contango / Normal Market)：\(F_{far} > F_{near}\)。通常发生在库存充足、仓储成本高或便利收益低的商品中（如黄金、铝）。多头展期面临负基差（高买低卖），产生展期亏损 (Roll Yield Loss)。
- 贴水结构 (Backwardation / Inverted Market)：\(F_{far} < F_{near}\)。通常发生在现货短缺、便利收益极高的商品中（如现货紧张时的铜、大豆）。多头展期享受正基差（低买高卖），获得展期收益。
7.2.2 主力合约与移仓换月 (Rolling)¶
期货合约有生命周期，成交量和持仓量通常集中在某一个特定月份的合约上，称为主力合约 (Dominant Contract)。随着到期日临近，资金会迁移到下一个月份，形成主力切换。
为了进行长期回测，我们需要构建连续合约 (Continuous Contract)。akquant 建议采用以下逻辑进行移仓 (Rolling)：
- 信号触发：当次主力合约的持仓量 (Open Interest) 超过当前主力合约时。
- 执行动作：平掉旧合约，开仓新合约。
- 价格调整：
- 价差调整 (Difference Adjustment)：\(P_{adj} = P_{raw} + (P_{new} - P_{old})\)。保持绝对价差，适用于价差套利策略。
- 比例调整 (Ratio Adjustment)：\(P_{adj} = P_{raw} \times \frac{P_{new}}{P_{old}}\)。保持百分比收益，适用于趋势策略。
7.3 对冲与套利策略 (Hedging & Arbitrage)¶
7.3.1 Beta 对冲 (Beta Hedging)¶
对于股票多头组合，可以通过做空股指期货来对冲系统性风险 (Beta Risk)，获取纯粹的 Alpha 收益。
所需期货合约数量 \(N\) 计算公式：
\[ N = \beta_P \times \frac{V_P}{V_F} \]
其中：
- \(\beta_P\)：投资组合相对于指数的 Beta 系数。
- \(V_P\)：投资组合市值。
- \(V_F\)：单张期货合约价值 (\(Price \times Multiplier\))。
7.3.2 跨期套利 (Calendar Spread)¶
利用期限结构的异常变动获利。
- 牛市套利 (Bull Spread)：买入近月，卖出远月。适用于预期供应紧张（Backwardation 加深）的市场。
- 熊市套利 (Bear Spread)：卖出近月，买入远月。适用于预期供应过剩（Contango 加深）的市场。
7.4 引擎实现与配置¶
7.4.1 合约配置 (InstrumentConfig)¶
在 akquant 中，必须正确配置期货合约的乘数和保证金率，才能正确计算盈亏和风险。
from akquant import InstrumentConfig
# 配置螺纹钢 (RB) 主力合约
rb_config = InstrumentConfig(
symbol="RB.SHF", # 交易所代码需规范
asset_type="FUTURES", # 资产类型
multiplier=10.0, # 1手 = 10吨
margin_ratio=0.13, # 保证金率 13%
tick_size=1.0 # 最小变动价位
)
7.4.2 策略示例：双均线趋势策略 (Dual MA Trend)¶
下面的代码展示了一个经典的期货趋势跟踪策略。注意期货特有的做空 (Short Selling) 操作。
"""
第 6 章：期货与衍生品策略 (Futures & Derivatives).
本示例展示了期货交易的核心特性：
1. **保证金 (Margin)**：只需缴纳少量资金即可控制大额合约。
2. **杠杆 (Leverage)**：放大收益与风险。
3. **做空 (Short Selling)**：可以直接卖出开仓，在下跌行情中获利。
4. **合约乘数 (Multiplier)**：一手合约代表的价值。
示例场景：
- 交易品种：螺纹钢期货 (RB)
- 逻辑：简单的动量策略
- 价格 > 均线 -> 做多
- 价格 < 均线 -> 做空
- 演示保证金占用和盈亏计算
"""
import akquant as aq
import numpy as np
import pandas as pd
from akquant import Bar, Strategy
# 模拟数据生成 (模拟螺纹钢期货)
def generate_futures_data(length: int = 100) -> pd.DataFrame:
"""生成期货模拟数据."""
np.random.seed(42)
dates = pd.date_range(start="2023-01-01", periods=length, freq="D")
# 构造一个先涨后跌的趋势
trend = np.concatenate(
[
np.linspace(3500, 4000, 50), # 上涨趋势
np.linspace(4000, 3200, 50), # 下跌趋势
]
)
noise = np.random.normal(0, 20, length)
prices = trend + noise
df = pd.DataFrame(
{
"date": dates,
"open": prices,
"high": prices + 30,
"low": prices - 30,
"close": prices,
"volume": 500000,
"symbol": "RB2310", # 螺纹钢 2310 合约
}
)
return df
class FuturesTrendStrategy(Strategy):
"""期货趋势策略."""
def __init__(self) -> None:
"""初始化策略."""
super().__init__()
self.ma_window = 10
self.warmup_period = 10
# 记录上一次的信号，避免重复发单
self.last_signal = 0
def on_bar(self, bar: Bar) -> None:
"""收到 Bar 事件的回调."""
symbol = bar.symbol
# 1. 获取历史数据
closes = self.get_history(
count=self.ma_window + 1, symbol=symbol, field="close"
)
if len(closes) < self.ma_window + 1:
return
# 2. 计算均线 (使用截止到昨天的数据)
ma = closes[:-1][-self.ma_window :].mean()
current_price = bar.close
# 3. 获取持仓
# position > 0: 多头
# position < 0: 空头
# position == 0: 空仓
pos = self.get_position(symbol)
# 4. 交易逻辑
# 信号：价格 > MA -> 看多 (1)
# 信号：价格 < MA -> 看空 (-1)
signal = 1 if current_price > ma else -1
if signal != self.last_signal:
self.log(f"趋势反转! 价格={current_price:.0f}, MA={ma:.0f}, 信号={signal}")
# 如果当前有反向持仓，先平仓
if (signal == 1 and pos < 0) or (signal == -1 and pos > 0):
self.close_position(symbol)
# 开新仓 (做多或做空)
# 这里的 quantity=1 表示 1 手
if signal == 1:
self.log("开多单 1 手")
self.buy(symbol, 1)
elif signal == -1:
self.log("开空单 1 手")
self.sell(symbol, 1)
self.last_signal = signal
if __name__ == "__main__":
df = generate_futures_data()
print("开始运行第 6 章期货策略示例...")
# 1. 定义期货合约属性 (关键步骤)
# 螺纹钢：乘数 10，保证金 10%
from akquant import InstrumentConfig
rb_config = InstrumentConfig(
symbol="RB2310",
asset_type="future", # 资产类型
multiplier=10, # 合约乘数 (1手 = 10吨)
margin_ratio=0.1, # 保证金比率 (10%)
)
result = aq.run_backtest(
strategy=FuturesTrendStrategy,
data=df,
initial_cash=500_000,
commission_rate=0.0001, # 万分之一
instruments_config=[rb_config], # 传入合约配置
)
print("\n" + "=" * 40)
print("期货账户资金分析")
print("=" * 40)
# 打印最后几天的权益变动
# 注意：期货有 leverage，portfolio_value 可能波动较大
equity = result.equity_df.tail()
print(equity)
print("\n保证金占用情况 (示例):")
# 假设最后一天持仓 1 手，价格 3200
# 保证金 = 3200 * 10 * 1 * 0.1 = 3200 元
# 杠杆倍数 = 3200 * 10 / 3200 = 10 倍
metrics = result.metrics_df
final_val = (
metrics.loc["end_portfolio_value", "value"]
if "end_portfolio_value" in metrics.index
else 0.0
)
print(f"最终权益: {float(str(final_val)):.2f}")
关键逻辑解析：
- 做空开仓：
self.sell(symbol, quantity)。若当前无持仓，则持仓变为负数（如 -1）。 - 平空仓：
self.buy(symbol, quantity)。若当前持仓为 -1，买入 1 手后持仓归零。 - 杠杆管理：由于期货自带杠杆，策略在分配资金时需谨慎。建议按名义本金 (Notional Value) 而非保证金占用进行风控。
7.5 商品期限结构深入 (Deep Dive into Term Structure)¶
商品期货的定价核心在于持有成本 (Cost of Carry) 和 便利收益 (Convenience Yield)。
\[ F_t = S_t e^{(r + u - y)(T-t)} \]
- 仓储成本 (\(u\))：持有现货需要仓库、保险，这会推高远期价格（Contango）。
- 便利收益 (\(y\))：持有现货能应对突发的需求冲击（如工厂停工），这种“期权价值”会压低远期价格（Backwardation）。
库存与价格的关系：
- 高库存：便利收益低，仓储成本主导 \(\rightarrow\) Contango（远月升水）。
- 低库存：便利收益高，现货溢价 \(\rightarrow\) Backwardation（近月升水）。
7.6 基差交易 (Basis Trading)¶
基差 (\(Basis = Spot - Futures\)) 最终会随着交割日的临近而收敛到 0（或接近交割成本）。
期现套利 (Cash-and-Carry Arbitrage)：
- 正向套利：当期货价格大幅高于现货（\(F >> S\)），且基差能够覆盖资金成本和仓储成本时。
- 买入现货，卖出期货。
- 持有到期交割，锁定无风险利润。
- 反向套利：当期货价格大幅低于现货（\(F << S\)）。
- 卖出现货（如果手中有货），买入期货。
- 到期接货，补回库存。
7.7 跨品种套利 (Cross-Variety Arbitrage)¶
利用相关品种之间的价差回归进行交易。
7.7.1 产业链套利 (Processing Spread)¶
最典型的是大豆压榨套利 (Crush Spread)：
\[ 1 \text{大豆} \approx 0.18 \text{豆油} + 0.8 \text{豆粕} \]
- 提油套利：买入大豆，卖出豆油和豆粕。当压榨利润过低（甚至亏损）时，油厂会停工，减少豆油豆粕供给，推高产品价格。
- 反向提油套利：卖出大豆，买入豆油和豆粕。当压榨利润过高时，油厂开足马力，增加供给，压低产品价格。
黑色系（螺纹钢-铁矿石-焦炭）也是常见的产业链套利标的。
7.7.2 替代品套利 (Substitution Spread)¶
- 豆油 vs 棕榈油：两者在食用油领域有替代关系。价差过大时，买入低价品种，卖出高价品种。
- 玉米 vs 小麦：在饲料领域有替代关系。
7.8 交易所规则与实盘细节¶
在实盘交易中，必须严格遵守交易所规则，否则会导致废单或处罚。
-
夜盘交易 (Night Trading)：
- 大多数活跃品种（黄金、原油、螺纹钢）都有夜盘（21:00 - 23:00 或 02:30）。
- 策略启示：外盘（如 COMEX 黄金、LME 铜）的波动主要发生在夜间，必须在夜盘时段保持策略在线。
-
涨跌停板与扩板：
- 期货的涨跌停板通常比股票窄（如 4%-8%）。
- 扩板规则：当出现单边市（连续涨跌停）时，交易所会提高保证金率并扩大涨跌停幅度（D1: 4% \(\rightarrow\) D2: 7% \(\rightarrow\) D3: 9%）。
-
交割月限制：
- 个人户：通常不能进入交割月（如 2305 合约，个人户必须在 4 月底前平仓）。
- 持仓限额：交易所对单品种持仓有严格限制，超过限制会被强平。
7.9 经典 CTA 策略解析¶
7.9.1 R-Breaker¶
这是一个经典的日内反转+趋势策略，曾连续多年被评为全美前十最赚钱的策略。
- 逻辑：根据昨日的 \((H, L, C)\) 计算出 6 个枢轴点 (Pivot Points)。
- 观察区：\(S_{setup} < P < B_{setup}\)。
- 反转区：突破 \(S_{enter}\) 或 \(B_{enter}\) 后回调。
- 趋势区：突破 \(S_{break}\) 或 \(B_{break}\)。
7.9.2 Aberration¶
一个基于布林带的长线趋势策略。
- 做多：价格突破布林带上轨。
- 做空：价格跌破布林带下轨。
- 平仓：价格回归中轨。
- 组合：通常同时交易 8 个以上的低相关品种（如铜、棉花、大豆、股指）来分散风险。
7.10 期货高频交易 (HFT)¶
期货市场是 HFT 的主战场。
7.10.1 做市商 (Market Making)¶
- 业务：同时挂出买单 (Bid) 和卖单 (Ask)，赚取价差 (Spread)。
- 风险：存货风险 (Inventory Risk)。如果单边行情剧烈，手中的存货会产生巨额亏损。
- 核心模型：Avellaneda-Stoikov 模型。根据当前存货调整报价位置。
7.10.2 订单流策略 (Order Flow)¶
通过分析 L2 逐笔委托数据，识别大户的拆单行为 (Iceberg Orders)。
本章小结： 本章介绍了期货市场的核心机制——杠杆、期限结构和对冲原理。期货不仅是高风险的投机工具，更是专业的风险管理工具。理解期限结构 (Contango/Backwardation) 是构建基本面量化策略的基石。下一章，我们将进入金融工程皇冠上的明珠——期权 (Options)。