基础习题#
习题1：行业组合对冲复现#
问题：使用科技行业ETF（XLK）和医疗行业ETF（XLV），复现行业对冲策略的全过程
依赖数据：
code
sector_etf = {'科技': 'XLK', '医疗': 'XLV'}
tickers = ['AAPL', 'MSFT', 'GOOGL', 'JNJ', 'PFE', 'MRK', 'SPY', 'XLK', 'XLV']
start = '2018-01-01'
end = '2020-12-31'
# 数据获取示例
prices = yf.download(tickers, start=start, end=end)['Close']
returns = prices.pct_change().dropna()习题2：Buckle公式验证#
问题：修改有效广度计算函数，验证当资产间平均相关系数ρ=0时，有效广度等于资产数量N
依赖函数：
code
def effective_breadth(N, rho):
return N / (1 + rho*(N-1))
# 测试用例
test_cases = [(5,0), (10,0), (20,0)] # 应返回5,10,20进阶习题#
习题3：个股对冲分析#
问题：计算苹果(AAPL)与微软(MSFT)在不同对冲阶段的相关性变化
依赖数据：
code
tickers = ['AAPL', 'MSFT', 'SPY', 'XLK'] # XLK为科技行业ETF
start = '2019-01-01'
end = '2021-12-31'
# 数据准备
prices = yf.download(tickers, start=start, end=end)['Close']
returns = prices.pct_change().dropna()习题4：动态对冲效果分析#
问题：使用滚动窗口计算动态Beta值，比较静态Beta对冲与动态Beta对冲的效果差异
依赖代码框架：
code
window_size = 60 # 滚动窗口长度
dynamic_residuals = pd.DataFrame()
for i in range(window_size, len(returns)):
# 滚动窗口数据切片
window_returns = returns.iloc[i-window_size:i]
# 在此处补充动态Beta计算代码
# ...挑战习题#
习题5：多因子风险模型实现#
问题：在行业对冲基础上加入规模因子（SMB）和价值因子（HML），构建多因子对冲模型
依赖数据：
code
# 三因子数据获取
ff_factors = yf.download('^SMB ^HML', start=start, end=end)['Close']
merged_returns = pd.concat([returns, ff_factors], axis=1).dropna()习题6：对冲成本优化模拟#
问题：在考虑交易手续费（0.1%每次调仓）的情况下，优化对冲策略的调仓频率
依赖参数：
code
transaction_cost = 0.001 # 单边交易成本
rebalance_freq_options = [5, 10, 20] # 调仓周期选项（交易日）
initial_capital = 1_000_000 # 初始资金