ヘッジ算出された最適比
クロスヘッジ上海先物市場に180指数を縮小原資産を意味し、そのようなSSE 180インデックスETFのファンドを搭載した企業として、先物契約、でポール矛盾資産をキルトではなく、同社は上海と深セン300指数先物を選択することができ、上海50のCSI 500指数先物や指数先物ヘッジのために。
最適ヘッジ比率はまた、比率をヘッジ最小分散、表記時間*と呼ばれ、多くの先物契約をヘッジするセキュリティユニットのニーズの資産価格の変動をヘッジする方法を示しています。線形方程式の構築+α= H、△S *ヘッジ期間中に×、△F +εは、ここで、[デルタ] Sと、△Fそれぞれは、変更が先物およびヘッジ価格変更のためのセキュリティ資産価格を適用します。代わりに、彼らの日々のリターンデータと多くの時間ΔSとΔF。線形回帰計算がHを得ることができる* =ρσ S /σはF. = [デルタ] S / [デルタ] F、CAPMのβ係数を見つけることは、同様のプロセス。
ファンド会社は、SSE 180インデックスETFのファンドを設定すると仮定し、同社は3件のだけの契約をリスト、IC1812をヘッジするIH1812 SSE 50の指数先物契約またはCSI 500指数先物契約を上海と深セン300の指数先物契約IF1812を選択することができます毎日平均は2018年4月23日で、最終取引日は、最適なヘッジ比率に応じて最も適した契約を選択するために、2018年12月21日、です。
STEP1:SSE 180インデックスETFのファンドの純三の先物契約の決済価格データをお読みください。
import numpy as np
import pandas as pd
data=pd.read_excel('C:/lenovo/Desktop/上证180ETF与期货合约.xlsx',index_col=0)
data.head()
Out[1]:
上证180ETF IF1812 IC1812 IH1812
交易日期
2018-04-23 3.218 3669.4 5524.0 2614.2
2018-04-24 3.278 3753.0 5681.8 2687.8
2018-04-25 3.261 3743.6 5677.4 2670.0
2018-04-26 3.216 3672.6 5598.8 2628.2
2018-04-27 3.217 3686.8 5612.6 2626.2
STEP2:リターン・シリーズのために毎日生成された数:
SHre=np.log(data.iloc[:,0]/data.iloc[:,0].shift(1)).dropna()
IFre=np.log(data.iloc[:,1]/data.iloc[:,1].shift(1)).dropna()
ICre=np.log(data.iloc[:,2]/data.iloc[:,2].shift(1)).dropna()
IHre=np.log(data.iloc[:,3]/data.iloc[:,3].shift(1)).dropna()
STEP3:3つに先物契約の数は、それぞれ従属変数の戻りの引数、SSE 180インデックスETF対数回帰率などのデータを得ました:
import statsmodels.api as sm
IF=sm.add_constant(IFre)
IC=sm.add_constant(ICre)
IH=sm.add_constant(IHre)
model1=sm.OLS(SHre,IF).fit()
model1.summary()
Out[3]:
<class 'statsmodels.iolib.summary.Summary'>
"""
OLS Regression Results
==============================================================================
Dep. Variable: 上证180ETF R-squared: 0.946
Model: OLS Adj. R-squared: 0.946
Method: Least Squares F-statistic: 2854.
Date: Fri, 14 Feb 2020 Prob (F-statistic): 3.31e-105
Time: 17:35:06 Log-Likelihood: 715.08
No. Observations: 165 AIC: -1426.
Df Residuals: 163 BIC: -1420.
Df Model: 1
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 0.0002 0.000 0.628 0.531 -0.000 0.001
IF1812 0.8735 0.016 53.419 0.000 0.841 0.906
==============================================================================
Omnibus: 1.256 Durbin-Watson: 2.687
Prob(Omnibus): 0.534 Jarque-Bera (JB): 0.866
Skew: 0.114 Prob(JB): 0.648
Kurtosis: 3.271 Cond. No. 65.8
==============================================================================
回帰モデルの結果リニア同様に利用できる他の二つの先物は、決意のR&LTの係数2は、それぞれ0.72および0.929、0.922と0.6657の最もヘッジ比率でした。R&LTの観点から2、最も高い最適なモデルが選択されるように、最も適切なコンドームなどのセキュリティ契約IF1812契約は、R 2は、0.8735の最もヘッジ比率を0.946に達しました。フィッティング効果を見ることができますペイント:
import matplotlib.pyplot as plt
plt.plot(IFre,model1.params[0]+model1.params[1]*IFre,'r-')
plt.scatter(IFre,SHre,marker='o')
plt.xlabel('IF1812')
plt.ylabel('SH180ETF')
契約をヘッジ先物の最適数
そして、ヘッジャー操作をヘッジするために必要な先物契約のどのくらいの数を計算します。Q仮定Sは、資産の数保険キルトを示し、Q F.表す先物契約の大きさは、Nは*そこ、ヘッジ部品のための最も先物契約を表す×Q * N F. ×、△F = Q S ×、△ S、H * =ΔS/ΔF* = H * Q N有する置換S / Q F.を。
仮定すると、接続の場合、その閉じネット2.768元SSE 180インデックスETF億に従って2018年12月28日に買ったファンド会社、セットへのショート・ポジションとのCSI 300先物ながら、IF1901契約(3003.6元の日々の決済価格)ポール、契約の最良の未来を求めて、最適なヘッジ比率を一定と仮定すると:
def n(h,qs,qf):
return h*qs/qf
n(model1.params[1],100000000,3003.6*300)
Out[6]: 96.9344687900856
だから、IF1901契約は97枚のコピーを販売します。
ダイナミックブレイク組み合わせたヘッジ
接続されている場合は、3つのトレーディング・ポートフォリオは、次の表の損益情報をヘッジ計算し、ヘッジの完了後、NAVおよび先物契約価格の変動と、ヘッジポートフォリオの全体的な効果も変化したとします。
日付 | 2019年1月11日 | 2019年1月14日 | 2019年1月15日 |
---|---|---|---|
NAV(元) | 2.836 | 2.815 | 2.867 |
先物契約の決済価格 | 3095.0 | 3069.4 | 3126.2 |
net0=2.768;N=97;F0=3003.6;Q=100000000
net=pd.Series([2.836,2.815,2.867])
F=pd.Series([3095.0,3069.4,3126.2])
for i in range(3):
r=Q*((net[i]/net0)-1)-300*N*(F[i]-F0)#这时用一般收益率公式更合理
print('第{}个交易日套保组合的累积盈亏为{:.2f}'.format(i+1,r))
第1个交易日套保组合的累积盈亏为-203092.60
第2个交易日套保组合的累积盈亏为-216803.12
第3个交易日套保组合的累积盈亏为8929.60
可視ヘッジ計算は最適な比率は、一旦、ヘッジの最良の効果を得るために、同様に、コピュラをそのようなヘッジDCC-GARCHの動的モデルを作成することを検討していません。