交易VIX ETFs v2

“该策略基于VIX期货的期货溢价/期货贴水交易SPY、SH、VXX和XIV，通过对冲调整头寸。当相对基差超过预定义阈值时，平仓，对冲水平各不相同。”

资产类别: ETF | 地区: 美国 | 周期: 每日 | 市场: 股票 | 关键词: VIX，ETF

I. 策略概要

该策略涉及交易SPY和SH以获得标普500指数的敞口，以及交易VXX和XIV以获得短期VIX期货的敞口。计算近月VIX期货和现货VIX之间的相对差额，以检查期货溢价或期货贴水。如果市场处于期货溢价状态（VIX期货高于现货），投资者买入XIV并用SH对冲。如果处于期货贴水状态（VIX期货低于现货），投资者买入VXX并用SPY对冲。当相对基差超过预定的卖出阈值时，平仓。该策略在0%的对冲比率下效果最佳，但可以采用多种对冲水平以获得不同的结果。

II. 策略合理性

根据理性预期假说，期货价格应该预测未来的现货价格，但这不适用于VIX期货，因为VIX不是可交易的工具。与标的VIX指数相比，VIX期货一直被高估。Simon和Campasano（2014）的研究表明，VIX期货价格可以通过VIX近月期货价格与VIX指数之间的差额来预测。当期货高于VIX时，它们往往会下跌，当低于VIX时，它们往往会上涨。这种定价行为可以用风险厌恶来解释，因为投资者为VIX敞口支付溢价，预期通常为负回报。

III. 来源论文

VIX交易所交易产品：价格发现、对冲和交易策略 [点击查看论文]

• 博尔多纳多、莫尔纳、萨姆达尔，挪威科技大学（NTNU），斯塔万格大学，挪威科技大学（NTNU）

<摘要>

本文研究了交易最活跃的VIX交易所交易产品（ETP），重点关注其表现、价格发现、对冲能力和交易策略。VIX ETP很好地跟踪了它们的基准指数。因此，它们与这些指数一样，都面临时间衰减（高负预期回报）。这使得它们不适合买入并持有投资，但却产生了一种利润丰厚的交易策略。尽管与标普500指数呈负相关，但ETP作为对冲工具的表现很差；将它们纳入基于标普500指数的投资组合会降低投资组合的风险调整后表现。

IV. 回测表现

年化回报	69%
波动率	39%
β值	-0.243
夏普比率	2.11
索提诺比率	0.239
最大回撤	-24.5%
胜率	53%

V. 完整的 Python 代码

from QuantConnect.Python import PythonQuandl
from AlgorithmImports import *
class TradingVIXETFsv2(QCAlgorithm):
    def Initialize(self):
        self.SetStartDate(2010, 1, 1)
        self.SetCash(100000)
        self.vixy = self.AddEquity('VIXY', Resolution.Minute).Symbol
        
        # Vix futures data.
        self.vix_future = self.AddFuture(Futures.Indices.VIX, Resolution.Minute)
        # Vix spot.
        self.vix_spot = self.AddData(CBOE, 'VIX', Resolution.Daily).Symbol
        
        self.vix_future.SetFilter(timedelta(0), timedelta(30))
        
        # Vix futures active contract updated on expiration.
        self.active_contract = None
        
        self.Schedule.On(self.DateRules.EveryDay(self.vixy), self.TimeRules.AfterMarketOpen(self.vixy, 1), self.Rebalance)
    def Rebalance(self):
        # split data error prevention
        if self.Time.year == 2021 and self.Time.month == 5:
            self.Liquidate()
            return
            
        if self.active_contract:
            if self.Securities.ContainsKey(self.vix_spot):
                spot_price = self.Securities[self.vix_spot].Price
                vix_future_price = self.active_contract.LastPrice
                if spot_price == 0 or vix_future_price == 0: 
                    return
                
                relative_basis = vix_future_price / spot_price
                
                # BU 8%, SU 6%, BL -8%, SL -6% thresholds.
                # Short volatility.
                if relative_basis > 1.08:
                    if not self.Portfolio[self.vixy].IsShort and self.Securities[self.vixy].Price != 0:
                        self.SetHoldings(self.vixy, -1)
                
                if relative_basis >= 1.06 and relative_basis <= 1.08 and self.Portfolio[self.vixy].IsLong:
                    self.Liquidate(self.vixy)
                
                if relative_basis < 1.06 and relative_basis > 0.94:
                    if self.Portfolio[self.vixy].Invested:
                        self.Liquidate(self.vixy)
                
                if relative_basis <= 0.94 and relative_basis >= 0.92 and self.Portfolio[self.vixy].IsShort:
                    self.Liquidate(self.vixy)
                
                # Long volatility.
                if not self.Portfolio[self.vixy].IsLong and relative_basis < 0.92:
                    if self.Securities[self.vixy].Price != 0:
                        self.SetHoldings(self.vixy, 1)
    def OnData(self, slice):
        chains = [x for x in slice.FutureChains]
        cl_chain = None
        if len(chains) > 0:
            cl_chain = chains[0]
        else:
            return
        
        if cl_chain.Value.Contracts.Count >= 1:
            contracts = [i for i in cl_chain.Value]
            contracts = sorted(contracts, key = lambda x: x.Expiry)
            near_contract = contracts[0]
            self.active_contract = near_contract