聚宽平台如何实现 CPPI 动态风控策略？（附滚动回撤与仓位调整 Python 源码）

聚宽 CPPI 动态风控：根据组合回撤自动调整目标仓位

在量化交易中，**CPPI（Constant Proportion Portfolio Insurance，固定比例组合保险）**是一种经典的动态资产配置策略。其核心思想是：设定一个资产底线（Floor），将高于底线的安全垫（Cushion）乘以一个放大倍数（Multiplier）作为主动性风险资产的投资额度。

为了防止极端行情下的回撤失控，我们可以结合**滚动最高净值（Rolling Peak Value）**来实时监控组合回撤。当回撤触及设定的阈值时，通过动态调整放大倍数或直接限制最大仓位，实现平滑减仓，达到动态风控的目的。

一、 核心逻辑设计

1. 滚动最高净值（g.max_net_value）：每日收盘后或盘中实时更新自策略启动以来的账户最高总资产（context.portfolio.total_value）。
2. 当前回撤（current_drawdown）：
   $$\text{当前回撤} = \frac{\text{滚动最高净值} - \text{当前总资产}}{\text{滚动最高净值}}$$
3. CPPI 动态仓位调整：
   • 正常状态（回撤 < 5%）：仓位系数为 1.0（满额运行 CPPI 乘数）。
   • 一级预警（5% $\le$ 回撤 < 10%）：仓位系数降至 0.5（风险资产仓位减半）。
   • 二级预警（回撤 $\ge$ 10%）：仓位系数降至 0.1（接近空仓，仅保留极低仓位或强制平仓）。

二、 聚宽策略源码实现

以下是在聚宽（JoinQuant）平台运行的完整策略代码。策略以沪深300成分股为选股池，并结合 CPPI 动态回撤风控：

import jqdata
import numpy as np

def initialize(context):
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    
    # 股票类交易手续费设置
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 全局变量初始化
    g.security = '000300.XSHG' # 示例交易标的（沪深300ETF）
    g.max_net_value = context.portfolio.total_value # 滚动最高净值
    
    # CPPI 参数
    g.floor_ratio = 0.85  # 保险底线比例（例如保证 85% 的本金安全）
    g.multiplier = 3.0    # 初始风险放大倍数
    
    # 运行函数：每天开盘和收盘运行
    run_daily(market_open, time='09:30')
    run_daily(after_market_close, time='15:30')

def market_open(context):
    # 1. 更新滚动最高净值
    current_value = context.portfolio.total_value
    if current_value > g.max_net_value:
        g.max_net_value = current_value
        
    # 2. 计算当前回撤
    current_drawdown = (g.max_net_value - current_value) / g.max_net_value
    
    # 3. 根据回撤幅度确定仓位风控系数 (Risk Control Factor)
    if current_drawdown < 0.05:
        risk_factor = 1.0
        status = "正常运行"
    elif 0.05 <= current_drawdown < 0.10:
        risk_factor = 0.5
        status = "一级预警（减仓50%）"
    else:
        risk_factor = 0.1
        status = "二级预警（减仓90%）"
        
    log.info("当前总资产: %.2f, 历史最高净值: %.2f, 当前回撤: %.2f%%, 风控状态: %s" % 
             (current_value, g.max_net_value, current_drawdown * 100, status))
             
    # 4. CPPI 动态计算目标仓位
    # 动态保险底线（Floor）= 历史最高净值 * floor_ratio
    dynamic_floor = g.max_net_value * g.floor_ratio
    
    # 安全垫（Cushion）
    cushion = max(0, current_value - dynamic_floor)
    
    # 目标风险资产暴露额度 = Cushion * Multiplier * 风控系数
    target_risk_value = cushion * g.multiplier * risk_factor
    
    # 限制最大投资额不超过当前总资产
    target_risk_value = min(target_risk_value, current_value)
    
    # 5. 执行调仓
    execute_trade(context, g.security, target_risk_value)
    
    # 记录数据画图
    record(drawdown=current_drawdown * 100, risk_factor=risk_factor)

def execute_trade(context, security, target_value):
    """根据目标价值调整仓位"""
    current_position_value = context.portfolio.positions[security].value
    
    # 如果目标价值与当前持仓价值偏差大于 1%，则进行调仓
    if abs(target_value - current_position_value) / context.portfolio.total_value > 0.01:
        log.info("调整 %s 仓位至目标价值: %.2f" % (security, target_value))
        order_target_value(security, target_value)

def after_market_close(context):
    # 收盘后再次更新最高净值，为明天开盘做准备
    current_value = context.portfolio.total_value
    if current_value > g.max_net_value:
        g.max_net_value = current_value
    log.info("今日收盘，滚动最高净值更新为: %.2f" % g.max_net_value)

三、 策略优势与注意事项

1. 动态锁利：由于底线（Floor）是基于滚动最高净值计算的，当组合资产上涨时，底线也会随之抬高。这使得策略在牛市中能够锁住利润，在熊市中迅速切断亏损。
2. 平滑过渡：通过引入 risk_factor（风控系数），避免了传统 CPPI 在触及保本线时瞬间平仓带来的高额滑点损失，实现了阶梯式减仓。
3. 注意未来函数：在回测中，务必使用 context.portfolio.total_value 获取当前真实资产，切勿跨日期缓存或使用未来的复权因子，建议在 initialize 中开启 set_option('use_real_price', True) 以确保回测的真实性。