适用人群： 已经搭建好量化策略框架、但实盘时不知道如何控制仓位和回撤的交易者；也适合想通过量化工具降低风险的投资者。

一、为什么量化策略盈利，仓位管理却往往最容易被忽视？

很多量化交易者在回测阶段表现不错，但一到实盘就容易出现两类问题：

1. 策略本身没问题，但仓位失控导致回撤过大：比如一次满仓单票，遇到黑天鹅直接亏损15%以上；
2. 仓位太保守，策略收益被摊薄：明明信号有效，但因为每次只买一点点，年化收益远低于回测。

仓位管理不是“买多少”这么简单，它直接决定了策略的回撤幅度、资金利用率、复利的可持续性。对于量化工具用户来说，仓位管理更可以通过代码化、规则化实现稳定执行，避免人工干预带来的情绪化操作。

本文会对比五种主流仓位管理方法，并给出A股量化场景下的选择建议。

二、量化仓位管理的五个核心目标

在选型之前，先明确一个合理的仓位管理方法需要满足什么目标：

理解这五个目标后，再看具体方法会更有方向。

三、固定金额仓位法：最简单、最容易上手的入门方案

3.1 核心逻辑

每次交易只投入固定金额，比如每次买入10万元，无论当前账户净值是100万还是150万。

3.2 适用场景

• 策略信号频率不高；
• 初始账户规模较小；
• 希望快速落地、不想复杂计算。

3.3 优缺点对比

3.4 在量化工具中实现

在QMT或PTrade中，可以通过固定买入金额参数直接设置。例如：

python

fixed_amount = 100000  # 每次买入10万元order_target_value(stock, fixed_amount)

如果你的策略还在跑模拟盘，建议先用固定金额法验证信号质量，再升级到更精细的仓位管理。

四、固定比例仓位法：多数量化策略的默认选择

4.1 核心逻辑

每次交易投入账户净值的一个固定比例，比如单票仓位不超过10%，总仓位不超过80%。

4.2 适用场景

• 多策略组合或多因子选股；
• 希望控制单一持仓风险；
• 账户规模较大，需要分散投资。

4.3 优缺点对比

4.4 常见参数设置

• 单票仓位上限：5%—15%（激进型可放宽至20%）；
• 总仓位上限：60%—80%（留出机动资金）；
• 行业集中度：同一行业不超过30%；
• 风格暴露：小盘/成长/价值等单一风格不超过50%。

4.5 在量化工具中实现

python

max_position_per_stock = 0.10  # 单票10%max_total_position = 0.80      # 总仓位80%# 买入时检查available_cash = context.portfolio.available_cashcurrent_value = context.portfolio.total_valuetarget_value = min(available_cash, current_value * max_position_per_stock)order_target_value(stock, target_value)

固定比例法是很多量化私募和个人量化账户的首选，因为它在“简单”和“有效”之间取得了平衡。

五、凯利公式（Kelly Criterion）：让胜率优势最大化

5.1 核心逻辑

凯利公式最早用于赌博和资管，目的是在已知胜率和盈亏比的情况下，计算最优仓位比例，让资金长期增长最快。

公式为：

f* = (bp - q) / b

• f*：最优仓位比例
• b：平均盈利/平均亏损（盈亏比）
• p：胜率
• q：败率（1-p）

5.2 例子

假设某策略：

• 胜率 p = 55%
• 盈亏比 b = 1.5

则最优仓位：

f* = (1.5 × 0.55 - 0.45) / 1.5 = 0.25

即单次最优仓位约为25%。

5.3 注意事项

凯利公式非常敏感，对胜率和盈亏比的估计误差很敏感。如果回测数据存在过拟合，实际胜率可能远低于预期，导致仓位过重。因此，实盘使用时通常会用**“半凯利”或“四分之一凯利”**，即把公式结果乘以0.5或0.25。

5.4 适用场景

• 策略历史数据充分、胜率和盈亏比稳定；
• 短线/高频策略，样本量足够大；
• 追求资金长期复合增长。

5.5 在量化工具中实现

python

# 根据历史回测统计胜率和盈亏比p = 0.55  # 胜率b = 1.5   # 盈亏比q = 1 - pkelly = (b * p - q) / bsafe_kelly = kelly * 0.5  # 半凯利position = min(safe_kelly, max_position_per_stock)order_target_percent(stock, position)

凯利公式不是“满仓梭哈”的借口，而是帮助你理解“在多大仓位下，资金增长最快”。

六、风险平价（Risk Parity）：多策略组合的最佳拍档

6.1 核心逻辑

风险平价不是按资金比例分配仓位，而是按风险贡献比例分配仓位。每个资产或策略对组合总风险的贡献大致相同。

比如：

• 股票策略波动率20%
• 债券策略波动率5%

如果按风险平价配置，债券策略的资金占比应该远高于股票策略，才能让两者对组合风险的贡献接近。

6.2 适用场景

• 同时运行多个策略（趋势+均值回归+事件驱动）；
• 组合包含不同资产类别（股票、ETF、可转债、债券基金）；
• 希望降低单一策略对整体回撤的影响。

6.3 优缺点对比

6.4 简化版实现方法

假设有两个策略A和B：

python

vol_a = 0.18  # A策略年化波动率vol_b = 0.09  # B策略年化波动率# 风险平价权重与波动率成反比w_a = 1 / vol_aw_b = 1 / vol_btotal = w_a + w_bweight_a = w_a / total  # 约33%weight_b = w_b / total  # 约67%

实际应用中还需要考虑策略相关性、极端回撤、交易成本等因素，但上述简化版已经能显著优于“等资金分配”。

七、波动率目标法（Volatility Targeting）：动态调整仓位的进阶方案

7.1 核心逻辑

根据当前市场波动率动态调整仓位。市场波动高时减仓，波动低时加仓，使组合的实际波动率维持在一个目标水平。

7.2 公式

目标仓位 = 目标波动率 / 当前组合波动率

例如：

• 目标波动率 = 15%
• 当前组合波动率（近60日）= 25%
• 目标仓位 = 15% / 25% = 60%

7.3 适用场景

• 趋势跟踪、CTA类策略；
• 对市场波动敏感的策略；
• 希望组合净值曲线更平滑。

7.4 优缺点对比

7.5 在量化工具中实现

python

import numpy as nptarget_vol = 0.15# 计算近60日组合收益率波动率hist_returns = ...  # 从回测数据获取current_vol = np.std(hist_returns) * np.sqrt(252)# 动态仓位系数position_multiplier = target_vol / current_volposition_multiplier = min(position_multiplier, 1.0)  # 不超过满仓

波动率目标法特别适合和趋势策略结合使用，因为趋势策略在波动放大时往往回撤也放大。

八、五种方法对比总结：如何为你的策略选择？

选择建议

• 如果你刚入门量化交易：先用固定比例法，单票不超过10%，总仓位不超过70%；
• 如果你跑多因子选股：用固定比例法+行业分散；
• 如果你同时运行多个策略：用风险平价分配资金；
• 如果你做趋势/CTA：用波动率目标法动态调整；
• 如果你追求理论最优：凯利公式可以作为参考，但务必用“半凯利”控制风险。

九、风控仓位管理中常见的三个误区

误区1：仓位管理就是“分散买很多票”

分散不等于风控。如果多只持仓都是同一行业、同一风格、同一因子暴露，系统性风险并没有降低。真正的风控需要看相关性和风险贡献。

误区2：回测收益高就可以放大仓位

回测收益高可能是因为过拟合、幸存者偏差或数据窥探。放大仓位前，建议先做样本外测试、压力测试和实盘小额验证。

误区3：仓位一成不变

市场环境变化时，仓位也需要调整。比如市场波动率显著上升、策略连续亏损、或者出现宏观风险事件时，都应该考虑降低仓位或暂停策略。

十、量化工具中如何落地风控仓位管理？

以QMT和PTrade为例，一个完整的风控模块通常包含：

1. 事前风控：下单前检查单票仓位、总仓位、行业集中度；
2. 事中风控：实时监控持仓市值、可用资金、风险敞口；
3. 事后风控：每日收盘后计算组合波动率、最大回撤、夏普比率；
4. 熔断机制：当单日亏损或累计回撤达到阈值时，自动减仓或清仓。

如果你用的是Python自建框架（如Backtrader、VN.PY），也可以把上述模块写成独立的RiskManager类，在每次交易前调用。

风控仓位管理不是“锦上添花”，而是量化策略能否长期活下去的底线。很多策略在回测里很亮眼，但实盘因为风控没做好，几个月就退出历史舞台。

十一、写在最后：从“会写策略”到“能跑实盘”

量化交易的难点从来不只是“找到一个好因子”或“写出一个回测漂亮的策略”。真正决定你能不能长期赚钱的，是能否在实盘中稳定执行、控制风险、管理仓位。

如果你已经会用量化工具做策略开发，但不确定：

• 自己的策略适合哪种仓位管理方法；
• 如何在QMT/PTrade/聚宽中设置风控参数；
• 怎么根据实盘数据动态调整仓位；
• 或者想让我帮你针对你的策略设计一套风控方案；

可以微信搜索关注“叩富问财”服务号，输入“量化工具”就能找到我。找到我之后，可以帮你做1对1专属服务：手把手演示实操、帮你在具体操作中避坑、分享好的攻略等等。不同的人策略不同，仓位管理的方法也不一样，真人指导可以帮你把理论和自己的真实情况结合起来。

免责声明： 本文内容仅供学习交流，不构成投资建议。量化交易涉及市场风险，请根据自身情况独立判断。