一交易基金产品的套期保值方案

湘财祈年股指期货专题一：交易基金产品的套期保值方案湘财祈祷研究员：高亢载要：股指期货的推出为我们构造绝对收益型产品提供了有效手段，对投资回报中市场风险部分通过套期保值的方法加以覆盖，可以明显转嫁股票组合的部分风险，实现阿尔法收益的分离，从而实现绝对收益产品的构建。消除现货资产价格中与市场整体相关的波动性，实现有效套期保值的重点在于构建合理的套期保值组合以及在持有过程中的合理调整，其中主要包括对对象合约、beta系数以及套保比例的确定（OLS，VAR，ECM，GARCH），以及套保期间对仓位的调整策略。利用ETF型产品作为实例测试该策略的实施过程及效用，结果显示该策略实施之后，在风险降低的同时效益得到明显改观。套期保值实施过程仍有其固有的风险，包括期货合约选择、保证金、基差及流动性在内的诸多不确定因素，需特别跟踪关注。套期保值理论1、套期保值理论与策略套期保值就是通过持有与现货组合价格变动方向相反的期货或其他衍生品头寸，以消除投资者面临的价格风险问题，在股票市场中的应用即为购入与持有股票头寸总额相当的，方向相反的期货头寸并实时调整，以求消除系统性风险的操作。针对股市的套保的投资组合由两部分构成：一是持有的现货部分，是现在持有或计划购入的股票组合的头寸，第二是期货部分，即现有或计划购入的，与持有股票变动方向相反的股指期货头寸。套期保值按照持有头寸可以分为空头套保和多头套保两种，持有现货多头和期货空头的策略成为空头套保，而持有现货空头和期货多头的策略为多头套保。由于当前我国股票市场融券业务尚未全面发展，众多机构投资者的仓位仍然是股票多头，因而空头套保成为我们分析的主要对象。当然，基于投资策略的调整情况也有积极型对冲策略和标准套保的分类方法，一般来说，为未来实际发生的投资组合设计的套保方案属于标准套保策略，由于是针对实际交易设计策略对冲风险，期货交易和股票现货交易相匹配，因而有较强的系统性，大多数大型基金和福利性质的机构投资者采用这种方法对冲系统性风险。而另一种则是较为积极主动的对冲风险策略，主要针对未来可能发生的市场风险对敞口头寸进行暂时性的保护策略，因而套保过程一般较短，在可能的风险期过后，衍生品市场的对冲头寸就会被平仓从而恢复原有的策略。整体来看，无论采用哪种套保方式，其根本目的都是针对系统性风险做出部分或全部的对冲，以规避不必要的资产波动获得预期收益，即实现对阿尔法收益的分离，那么如何利用股指期货实现套期保值的目的呢。利用股指期货实现保值为了实现转移系统风险的目的，首先需要构建一个合理的投资组合，然后用不同的策略对该组合的结构进行实时调整。1.现货组合与期货合约选择市场中套保的进行首先需要明确现货组合的基本状况以及需要进行保值的那部分股票的份额、贝塔系数以及预计持有时间等信息。一般来说系统性风险较为显著的股票组合更适合进行保值，而对本身系统性风险很小的组合实行保值效果较差，时间问题也是期货合约选择的主要考量方面，期货合约时间成本因素表现的十分显著导致各个合约之间差别较大，由于当前仅有沪深300指数期货可供选择，操作中应考虑基差变动以及迁仓成本等问题，一般来说应遵守现货组合到期日与合约尽量趋近的原则来选择，例如某股票组合预计持有时间为2010年5月1日到2010年8月1日，应当选择最近的IF1009合约进行对冲操作，当然如果实际实施过程中相近合约存在流动性不足的问题，仍可以采用迁仓的方式进行交易。2.确定对冲比例及期货头寸确定具体的操作比例是整个套保过程十分关键的步骤，为了实现尽可能对冲系统风险的目的，我们采用市场应用较为广泛的风险最小化的原则来确定对冲系数。如果现在已知股票组合的收益率为R1，相应的期货合约的收益为R2，二者之间的比例表示为I，则该组合的总收益可以表示为：12RRiR为了实现风险最小化的目标，我们取出三者的方差并对i求一阶偏导222212122(,)iiCovRR2122(,)/iCovRR求出上述i值即为最优的操作比率，由于现在缺少期货交易数据，而仿真数据由于缺乏套利机制导致定价扭曲，难以作为分析的依据，所以实际操作中更多采用沪深300指数本身进行分析，则最优操作比率变为股票组合与沪深300指数之间的β系数的问题，其中涉及到诸多模型分析：（其中sR表示现市场收益率，fR表示指数收益率，表示误差项）最小二乘法回归模型（OLS）sfRR最小二乘法回归模型是最为常用的模型之一，由于其简单方便受到广泛应用，但其固有的假设（为残差，均值为0且独立同分布）与现实状况并不相符，由于相邻的残差经常有相关性，而且残差序列随时间有明显改变，该模型的作用受到局限。双向量自回归模型（BVAR）,,11ppsssistisiftisiiRRR,,11ppfffistififtifiiRRR(,)fsfRVAR模型消除了残差序列相关影响，增加了模型的信息量。向量误差修正模型（VECM）,011,,,11plsttftsistisjftjtijRZRRR这一模型解决了现实中现货与期货价格存在协整关系时VAR模型所忽略的误差修正项，加入了上一期均衡误差的影响。自回归条件异方差模型（GARCH（1，1））,,stfttRR2~(0,)ttN22201122tttGARCH模型解决了为了结局残差的自相关性的问题，针对资产价格出现异方差的时变特征计算套保比率。3.对冲组合的建立有了两者的系数之后，同现货头寸相匹配的期货头寸数量就能算出：tPNiC其中N为期货合约数，i为最优操作比率，P为持有的股票组合市值，tC为t时刻一手合约的价值。如果该值不是整数，则需要取最近的一个整数值作为操作的标准。4.方案实施过程中的策略及效果评估由于市场处于不断变化之中，而根据模型算得的系数也并非处在稳定的状态，因而需要不断对组合实施微调，考虑到交易成本因素，调整可以采用时间控制策略，即每隔一定的时间对组合进行调整，以保证系统风险能够得到最大限度的对冲。至于对冲效果的评估方法有很多，Ederington测度方法，LPM模型测度方法、夏普比率模型测度方法及HKL测度方法都被市场广泛采用，其中Ederington测度方法较为通俗易懂，它通过衡量已经套保的资产组合与未套保资产组合之间的方差差值与未套保资产组合方差的比值作为衡量标准，这个值越大代表套保效果越好，具体计算公式为：()()11()()sfsRRVarrHeVaruR实例分析我们可以运用阿尔法选股策略选取需要持有的股票组合，为了完全对冲系统性风险，可以从沪深300指数成分股中选取股票进行组合，等待股指期货推出之后，根据理论构建有绝对收益的组合，得到稳定利润。1.现货组合与期货价格实例中我们采用上证50ETF来模拟一揽子股票组合，并截取两个月的时间来完成整体的套保操作，由于之前市场缺乏做空机制，遭遇像2009年大跌的情况时头寸根本无法得到有效保护，流动性风险集中释放期阿尔法受益明显受损，这是我们不希望看到的，假定我们持有50ETF成分股，期初市值为5000万元，持有时间为：2009年12月1日到2010年1月29日。正如前面提到的，即使股指期货仿真交易推出的时间已经较长，但由于交易较为混乱，模拟资金操作具有随意性以及交易过程缺乏相关机制，其价格波动和实际情况还有相当大的差距，因而我们用上证300指数来模拟期货指数进行分析。2.确定套保组合确定套保系数时我们需要对上述时间段内，上证300指数与ETF的收益率进行数理统计，逐步估算出相应的β系数。在利用模型之前，我们对收益序列进行适应性检验，使用传统OLS模型进行估计时首先需要对300指数价格以及50ETF价格进行单位根检验，本文采用常规的ADF单位根检验：原始数据取对数的一阶差分序列常数项常数项与趋势项常数项常数项与趋势项50ETF-1.686-1.955-8.698-9.064300指数-2.069-1.701-8.767-9.217在1%显著性水平下，上证300指数与50ETF价格序列无法拒绝ADF的原假设，即存在单位根现象，不适合用传统的回归模型分析，但取对数后的一阶差分序列为平稳状态，适用OLS回归分析方法，应用VAR与ECM模型则需要进一步检验两个价格序列的协整关系，证明协整向量的存在：检验统计量1%临界-3.517-8.9685%临界-2.89910%临界-2.587这一结果拒绝了不存在协整效应的原假设，即两者之间至少有一个协整向量存在。此外，OLS要求收益率序列服从正态分布，而GARCH模型则需要事先验证是否存在ARCH现象，下面给出收益率序列的描述统计值：均值最大值最小值标准差偏度峰度正态校验值ARCH检验值50ETF收益0.0000.037-0.0450.017-0.1993.2430.7000.035沪深300收益0.0000.038-0.0400.016-0.3753.1570.3800.002从上表可得，两者的偏度小于零，峰度大于3，表明2个序列与（0，3）的正态分布相比，均呈现出左偏尖顶，此外arch校验值小于显著性水平0.05，拒绝原假设即收益率序列存在ARCH效应。基于现货持有期前二个月间43组上证300指数与上证50ETF收益率序列分别采用不同的分析方法计算出的β系数分别为：β系数表：原始比值OLS模型BVAR模型ECM模型GARCH（1,1）套保比率10.9500.9660.9700.963按照建仓日300指数所确立的期货空头头寸分别为：45手，46手、45手、45手。3.过程调整及盈亏数据实际实施过程中我们还会遇到种种问题，在套保头寸建立之后贝塔系数很有可能随着数据列逐渐增多而发生些许变化，这需要在持有过程中仍不断被动调整仓位以适应市场的变化，但实时的跟踪由于价格变动过于频繁，可能产生较多的交易成本而造成不必要的损失，我们选择不同的策略来调整仓位，这里我们借鉴业内常用的时间调整法，即隔定期的时间来调整由β系数确定的仓位，以尽量对冲系统风险。套保期结束后我们平去双边仓位，得到下列数据：期初资产现货利润期货利润最大保证金占用交易成本最终利润最小二乘法固定持有50000000-49939834814100664029133-25541810天调整50000000-499398349439706676510319-127097BVAR固定持有50000000-49939834846859678789335-14712310天调整50000000-499398350444766787810740-56395ECM固定持有50000000-49939834814100664029133-25541810天调整50000000-49939834872657664029813-196860GARCH固定持有50000000-49939834814100664029133-25541810天调整50000000-499398354180046640210230-68560由于50ETF初始并不具有很高的阿尔法收益，因而实际盈利结果并不显著，但对冲的结果仍十分明显。4.套保效率采用两种不同算法得出的套保系数较为接近，保护头寸的效果显著，而且经过定期调整后的套保效率也基本持平于固定持有。其套保效率如下：拟合度套保效率最小二乘法固定持有0.886788.77%10天调整88.55%BVAR固定持有0.862488.78%10天调整88.41%ECM固定持有0.942888.81%10天调整88.67%GARCH固定持有0.882188.80%10天调整88.81%5.分析结论OLS,VAR,ECM和GARCH模型估算出的套保比率均在1以下，模型套保的效率均明显高于传统价值原则的效率，最优套保比率应该在0.95-1之间选择，套保的成本较传统套保方法低。从拟合度来看，ECM模型明显优于其他模型，因而是这几个模型中估计ETF套保比率的最佳模