2、对冲比率概念：对冲比率的定义、静态对冲与动态对冲的区别、Beta中性对冲

2.1 对冲比率到底是个啥？

说白了，对冲比率就是告诉你——买一份资产A，需要卖空多少份资产B，才能把组合的风险压到最低。

我刚开始做配对交易那会儿，总觉得这玩意儿就是个简单的比例。后来踩了坑才明白，它其实是整个策略的灵魂参数。你想想看，比例算错了，对冲就成了对赌，风险反而更大。

数学上，对冲比率 h 的定义很简单：

h = Cov(ra, rb) / Var(rb)

其中：

• ra 是资产A的收益率
• rb 是资产B的收益率
• Cov 是协方差
• Var 是方差

嗯，这里要注意——这个公式算出来的 h，就是最小方差对冲比率。它的目标不是让你赚钱，而是让组合的波动最小化。

2.2 静态对冲 vs 动态对冲——我踩过的坑

这两个概念，我当年花了整整一个月才真正搞明白。咱们一个一个说。

静态对冲：简单但危险

静态对冲，就是算一次比率，用到底。你拿过去一年的数据算出一个 h，然后整个交易周期都不变。

我在2019年做过一个能源股的配对策略，用的就是静态对冲。刚开始两个月效果不错，后来市场风格一变，对冲比率完全失效，组合波动直接翻倍。那次亏了不少钱。

静态对冲的优缺点：

• 优点：计算简单，回测方便，适合新手入门
• 缺点：市场结构变了它不变，容易翻车

动态对冲：累但值得

动态对冲，就是每隔一段时间重新算一次 h。比如每天、每周、或者每触发某个条件就更新。

我个人习惯用滚动窗口法——取过去60个交易日的数据，每天收盘后重新算一次对冲比率。这样市场变了，我的对冲也跟着变。

# 滚动窗口计算动态对冲比率
import numpy as np
import pandas as pd

def rolling_hedge_ratio(price_a, price_b, window=60):
    """
    滚动计算对冲比率
    price_a, price_b: 价格序列
    window: 滚动窗口大小
    """
    returns_a = price_a.pct_change().dropna()
    returns_b = price_b.pct_change().dropna()
    
    hedge_ratios = []
    for i in range(window, len(returns_a)):
        ra = returns_a[i-window:i]
        rb = returns_b[i-window:i]
        cov = np.cov(ra, rb)[0][1]
        var = np.var(rb)
        h = cov / var
        hedge_ratios.append(h)
    
    return hedge_ratios

2.3 Beta中性对冲——机构玩家的玩法

Beta中性对冲，说白了就是把市场风险彻底剥离。你赚的钱只来自两只股票之间的价差，跟大盘涨跌没关系。

怎么做到？很简单——让组合的Beta等于0。

公式是这样的：

Beta(组合) = Beta(A) - h * Beta(B) = 0
=> h = Beta(A) / Beta(B)

这里的 h 就是Beta中性对冲比率。跟最小方差对冲比率不一样，它只关注市场风险，不关心个股之间的协方差。

对冲类型	目标	适用场景
最小方差对冲	组合波动最小	追求稳定收益
Beta中性对冲	市场风险为零	剥离大盘影响

我记得有一次做科技股的配对交易，两只股票都是高Beta品种。如果用最小方差对冲，组合还是跟着大盘上蹿下跳。换成Beta中性对冲之后，净值曲线平滑了很多。

2.4 三种对冲比率的对比

咱们把三种方法放在一起看看：

• 静态最小方差对冲：简单，适合短期、稳定的市场
• 动态最小方差对冲：灵活，适合中长期、波动大的市场
• Beta中性对冲：干净，适合想剥离市场风险的策略

我个人建议：新手先从静态最小方差做起，跑通了再升级到动态。别一上来就搞Beta中性，那个坑更多。