跨资产相对价值交易

什么是跨资产相对价值交易？

定义： 跨资产相对价值（relative value，RV）交易，是在 不同资产类别——股票、债券、信用、商品、货币——的相关资产之间，捕捉暂时性的错误定价。

核心洞见： 当两项资产在经济上存在联系时（例如一家公司的股票和它的信用违约互换），它们的价格本应同向变动。一旦背离超出历史常态，你就可以在两者收敛的过程中获利。

谁在用这套策略？

散户的关键优势： 你可以用 ETF、期权和期货复制这些策略的简化版——不需要主经纪商，也不需要 1000 万美元起投。

策略一：股票／信用套利

两者的经济联系

一家公司的 股价 和它的 信用违约互换（CDS）利差 呈反向关系：

• 股价 ↑ → 公司更健康 → CDS 利差 ↓ （为违约投保更便宜）
• 股价 ↓ → 公司风险更高 → CDS 利差 ↑ （投保更贵）

交易方式： 当 CDS 利差走阔（暗示公司陷入困境）而股价却没有下跌时，做空股票、做多信用保护。反过来，如果利差收窄的速度快于股价上涨，就反向操作。

散户如何实施这套策略

直接做法（需要机构级交易权限）：

• Interactive Brokers 向合格账户（净清算价值 10 万美元以上）提供单一名称 CDS
• 用公司债对冲股票（例如买入 Ford 债券、做空 F 股票）

ETF 替代做法（更容易）：

• 信用敞口： HYG（高收益债）、LQD（投资级债）、EMB（新兴市场债）
• 股票敞口： 行业 ETF（XLF 金融、XLE 能源）
• 交易： 当 XLF／HYG 比值高于均值 2 个标准差时，做空 XLF、做多 HYG（金融股相对信用债被高估）

import yfinance as yf
import pandas as pd
import numpy as np

# 下载数据
xlf = yf.download('XLF', start='2020-01-01')['Adj Close']
hyg = yf.download('HYG', start='2020-01-01')['Adj Close']

# 计算比值（股票对信用）
ratio = xlf / hyg
ratio_zscore = (ratio - ratio.rolling(60).mean()) / ratio.rolling(60).std()

# 信号：z-score 高于 2 时（股票相对信用被高估）
signals = pd.DataFrame({
    'ratio': ratio,
    'z_score': ratio_zscore,
    'signal': np.where(ratio_zscore > 2, 'SHORT_EQUITY_LONG_CREDIT',
                      np.where(ratio_zscore < -2, 'LONG_EQUITY_SHORT_CREDIT', 'NEUTRAL'))
})

print(signals.tail(10))

这套策略在什么时候最有效

策略二：实际利率与黄金的配对交易

背后的经济逻辑

黄金 与 实际利率（real interest rates） （以 TIPS 收益率衡量）之间有很强的负相关（-0.75 到 -0.85）：

• 实际利率 ↑ → 持有黄金的机会成本上升 → 黄金 ↓
• 实际利率 ↓ → 持有现金／债券会损失购买力 → 黄金 ↑

为什么这套逻辑成立： 黄金既不付利息也不派股息。当实际收益率（TIPS）较高时，投资者更愿意持有 TIPS；而当实际收益率为负时（2020-2022），黄金就变得有吸引力。

交易框架

第一步：计算黄金的"公允价值"

import yfinance as yf
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 获取数据
gld = yf.download('GLD', start='2010-01-01')['Adj Close']
tips = yf.download('^FVX', start='2010-01-01')['Adj Close']  # 5 年期美国国债
cpi = 2.5  # 假设的平均通胀（可用 FRED 数据调整）

# 计算实际利率（简化版）
real_rates = tips - cpi

# 回归：黄金 ~ 实际利率
df = pd.DataFrame({'gold': gld, 'real_rates': real_rates}).dropna()
X = df[['real_rates']]
y = df['gold']

model = LinearRegression().fit(X, y)
df['fair_value_gold'] = model.predict(X)
df['mispricing'] = (df['gold'] - df['fair_value_gold']) / df['fair_value_gold'] * 100

# 信号
df['signal'] = np.where(df['mispricing'] < -5, 'BUY_GOLD',  # 低估 5% 以上
                        np.where(df['mispricing'] > 5, 'SELL_GOLD',  # 高估 5% 以上
                                'NEUTRAL'))

print(df[['gold', 'fair_value_gold', 'mispricing', 'signal']].tail(20))

仓位规模

• 按波动率调整： 黄金波动率约 15-20%，TIPS 约 3-5% → 按此调整仓位，使两边的美元风险相当
• 举例： 10,000 美元的组合 → 5,000 美元买入 GLD（黄金 ETF）；若要做市场中性，再用 2,000 美元买入 TIP（TIPS ETF）对冲
• 方向性押注： 当 GLD 相对实际利率被低估时直接做多（更简单，Bridgewater 就是这么做的）

它什么时候会失效

策略三：ADR／跨境套利

什么是 ADR？

美国存托凭证（American Depositary Receipts，ADR） 是在美国交易、代表外国公司股份的证券。例如：

• Alibaba（BABA）： 以 ADR 形式在 NYSE 交易，对应正股在香港上市（9988.HK）
• BP（BP）： 以 ADR 形式在 NYSE 交易，对应正股在伦敦上市（BP.L）

机会所在： 有时候 ADR 的价格与海外正股价格（在调整汇率之后）会出现背离。你可以买入便宜的一边、卖出昂贵的一边，等两者收敛时获利。

错误定价为什么会出现

实施步骤

第一步：找到 ADR 与正股的配对

• BABA（NYSE）对 9988.HK
• TSM（NYSE）对 2330.TW（台湾）
• NVO（NYSE）对 NOVO-B.CO（哥本哈根）
• BP（NYSE）对 BP.L（伦敦）

第二步：计算公允价差

import yfinance as yf

# 定义配对
pairs = {
    'BABA': {'adr': 'BABA', 'underlying': '9988.HK', 'fx': 7.79, 'ratio': 8},  # 1 份 ADR = 8 股港股
    'TSM': {'adr': 'TSM', 'underlying': '2330.TW', 'fx': 31.5, 'ratio': 5},
}

for name, data in pairs.items():
    adr_price = yf.Ticker(data['adr']).history(period='1d')['Close'].iloc[-1]
    underlying_price = yf.Ticker(data['underlying']).history(period='1d')['Close'].iloc[-1]

    # 把正股价格换算成美元
    underlying_usd = underlying_price / data['fx']
    implied_adr_price = underlying_usd * data['ratio']

    # 计算折价／溢价
    discount = (adr_price - implied_adr_price) / implied_adr_price * 100

    print(f"{name}: ADR ${adr_price:.2f}, Implied ${implied_adr_price:.2f}, Discount: {discount:.2f}%")

    if discount < -3:
        print(f"  → BUY ADR (cheap)")
    elif discount > 3:
        print(f"  → SELL ADR (expensive)")

第三步：执行（散户的限制）

• 方向性做法： 直接买入便宜的那一边（ADR 或正股），等待收敛
• 市场中性做法： 需要能够做空海外股票（散户很难做到），或者使用 CFD／价差合约（仅限欧盟／英国）
• 更现实的做法： 买入被低估的 ADR，等待折价收窄（通常需要 2-4 周）

风险管理

完整的 Python 实现

多策略跨资产 RV 系统

import yfinance as yf
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

class CrossAssetRV:
    def __init__(self, lookback=60, entry_z=2.0, exit_z=0.5):
        self.lookback = lookback
        self.entry_z = entry_z
        self.exit_z = exit_z

    def equity_credit_strategy(self, equity_ticker, credit_ticker, start_date):
        """股票／信用 RV 策略"""
        # 下载数据
        eq = yf.download(equity_ticker, start=start_date)['Adj Close']
        cr = yf.download(credit_ticker, start=start_date)['Adj Close']

        # 计算价差
        spread = eq / cr
        spread_mean = spread.rolling(self.lookback).mean()
        spread_std = spread.rolling(self.lookback).std()
        z_score = (spread - spread_mean) / spread_std

        # 生成信号
        signals = pd.DataFrame(index=eq.index)
        signals['equity'] = eq
        signals['credit'] = cr
        signals['z_score'] = z_score
        signals['position'] = 0

        # 进场：z 高于 2 时做空股票／做多信用，z 低于 -2 时做多股票／做空信用
        signals.loc[z_score > self.entry_z, 'position'] = -1
        signals.loc[z_score < -self.entry_z, 'position'] = 1

        # 离场：z 回到均值附近
        signals.loc[abs(z_score) < self.exit_z, 'position'] = 0

        # 向前填充持仓
        signals['position'] = signals['position'].replace(0, np.nan).ffill().fillna(0)

        # 计算收益
        signals['eq_return'] = eq.pct_change()
        signals['strategy_return'] = signals['position'].shift(1) * signals['eq_return']

        return signals

    def gold_real_rates_strategy(self, start_date):
        """黄金对实际利率策略"""
        # 下载黄金和 TLT（用作利率的代理）
        gold = yf.download('GLD', start=start_date)['Adj Close']
        tlt = yf.download('TLT', start=start_date)['Adj Close']

        # 构建回归模型
        df = pd.DataFrame({'gold': gold, 'rates': tlt}).dropna()

        # 滚动回归（60 天窗口）
        df['predicted_gold'] = np.nan
        for i in range(60, len(df)):
            X = df['rates'].iloc[i-60:i].values.reshape(-1, 1)
            y = df['gold'].iloc[i-60:i].values

            from sklearn.linear_model import LinearRegression
            model = LinearRegression().fit(X, y)
            df['predicted_gold'].iloc[i] = model.predict([[df['rates'].iloc[i]]])[0]

        # 计算错误定价幅度
        df['mispricing'] = (df['gold'] - df['predicted_gold']) / df['predicted_gold'] * 100

        # 信号
        df['position'] = 0
        df.loc[df['mispricing'] < -5, 'position'] = 1  # 被低估时买入黄金
        df.loc[df['mispricing'] > 5, 'position'] = -1  # 被高估时卖出黄金

        # 收益
        df['return'] = gold.pct_change()
        df['strategy_return'] = df['position'].shift(1) * df['return']

        return df

    def backtest_performance(self, strategy_returns):
        """计算业绩指标"""
        total_return = (1 + strategy_returns).cumprod().iloc[-1] - 1
        annual_return = (1 + total_return) ** (252 / len(strategy_returns)) - 1
        sharpe = strategy_returns.mean() / strategy_returns.std() * np.sqrt(252)
        max_dd = (strategy_returns.cumsum().expanding().max() - strategy_returns.cumsum()).max()

        return {
            'Total Return': f"{total_return*100:.2f}%",
            'Annual Return': f"{annual_return*100:.2f}%",
            'Sharpe Ratio': f"{sharpe:.2f}",
            'Max Drawdown': f"{max_dd*100:.2f}%",
            'Win Rate': f"{(strategy_returns > 0).sum() / len(strategy_returns)*100:.1f}%"
        }

# 用法示例
rv = CrossAssetRV()

# 股票／信用：XLF（金融）对 HYG（高收益信用债）
eq_cr = rv.equity_credit_strategy('XLF', 'HYG', '2015-01-01')
print("Equity/Credit Strategy Performance:")
print(rv.backtest_performance(eq_cr['strategy_return'].dropna()))

# 黄金／实际利率
gold_rates = rv.gold_real_rates_strategy('2015-01-01')
print("\nGold/Real Rates Strategy Performance:")
print(rv.backtest_performance(gold_rates['strategy_return'].dropna()))

历史回测与业绩

组合业绩（2010-2023）

测试参数：

• 起始资金 100,000 美元
• 权重分配：股票／信用 40%、黄金／利率 40%、ADR 套利 20%
• 每季度再平衡
• 交易成本：每笔 0.1%

分策略拆解

风险管理与仓位规模

1. 按波动率调整仓位

不同资产类别的波动率不同。调整仓位规模，让每一笔头寸贡献相同的风险：

# 目标：每笔头寸占用组合 1% 的风险
portfolio_value = 100000
target_risk = 0.01  # 1%

# 各类资产的波动率（年化）
vol_equity = 0.18  # 18%
vol_credit = 0.05  # 5%
vol_gold = 0.16    # 16%

# 仓位规模
equity_size = (portfolio_value * target_risk) / vol_equity  # $5,556
credit_size = (portfolio_value * target_risk) / vol_credit  # $20,000
gold_size = (portfolio_value * target_risk) / vol_gold     # $6,250

print(f"Equity position: ${equity_size:,.0f}")
print(f"Credit position: ${credit_size:,.0f}")
print(f"Gold position: ${gold_size:,.0f}")

2. 止损

3. 相关性监控

4. 最大敞口上限

• 每个策略： 最多占组合风险的 5%
• 跨资产 RV 总仓位： 最多占组合风险的 15%（3 个策略 × 5%）
• 杠杆： 最多 1.5 倍（例如用期权／期货在 10 万美元资金上做出 15 万美元敞口）

需要避开的常见错误

可执行的五步交易计划

推荐的券商

最后的话

Goldman Sachs、Bridgewater 和 AQR 的机构交易台，正是靠跨资产相对价值交易来获取稳定的市场中性收益。它的主要优势是：

• 与股票／债券相关性低 （与 SPY 只有 0.15）→ 极佳的分散化工具
• 抗危机 → 在 2008、2020、2022 年传统组合下跌时都跑赢了
• 可扩展 → 1 万美元或 1,000 万美元都能做（不像小盘股交易那样有容量限制）
• 有学术支撑 → 关于股票／信用、黄金／利率关系的研究已经积累了 50 多年

合理的预期：

• 年化复合增长率：8-12%（股市为 10-12%）
• 夏普比率：0.9-1.2（股票为 0.7-0.8）
• 最大回撤：-15% 到 -25%（股票为 -30% 到 -50%）

接下来该做什么：

1. 用你自己的数据跑一遍这些 Python 回测
2. 挑一个策略（从最简单的黄金／实际利率开始）
3. 模拟交易 3 个月，记录业绩
4. 拿出组合的 5-10% 做实盘
5. 如果 6 个月后夏普比率高于 0.8，再加大规模