系统性 Carry 交易：用利差把『被奖励的持险』做成策略 • halo 的技术博客

“Carry”这个词在金融里到处都是：外汇套息、债券 carry、商品展期、股票股息率……它们表面千差万别，内核却是同一件事——持有一个有正利差的头寸，赚”别人愿意为风险付费”的钱。本文把它上升到”系统性 Carry”的视角：不只在外汇做，而是把所有资产类别里”被奖励的持险”汇总成一个策略，并回答一个尖锐的问题——既然这是免费午餐，为什么几十年都没被套利抹平？

Brunnermeier、Nagel 与 Pedersen（2008）的答案是：套息赚的不是无风险利差，而是风险补偿。它在风平浪静时小赚，在每一次全球风险事件里剧烈亏损，本质上是一张被持续签发的”保险单”。下面用 G10 货币从零模拟一个套息组合，把这套机制跑成看得见的数据。

G10 货币利率：红=套息做多端（高息投资货币），蓝=做空端（低息融资货币）

一、系统性 Carry 的共同内核#

不管标的是什么，一个 Carry 头寸都可以写成：

多一头”高收益/高利差”资产（如高息货币、远月贴水商品、高股息股票）；
空一头”低收益/低利差”资产（如低息融资货币、远月升水的资产）；
持有期内把利差落袋，不预测方向，只赌”价差不会在持有期被价格反向运动完全吃掉”。

外汇套息是这个家族最纯粹的版本：低息货币（日元、瑞郎）做空融资，高息货币（澳元、巴西雷亚尔）做多投资，每月把名义利差落袋。我们按利率排序、多高息空低息、等权持有：

import numpy as np

CURRENCIES = ["AUD","NZD","BRL","ZAR","MXN","USD","JPY","CHF","EUR","SEK"]
RATES = np.array([5.6, 5.2, 11.5, 8.3, 6.8, 4.8, 0.1, 0.4, 2.1, 2.6])  # 年化 %

def build_portfolio(ret, rates, n=3):
    """做多利率最高 n 只、做空最低 n 只，等权。ret: (T, n_assets) 对数收益。"""
    T = ret.shape[0]
    port = np.zeros(T)
    for t in range(T):
        order = np.argsort(rates)[::-1]
        longs, shorts = order[:n], order[-n:]
        pr = 0.0
        for j in longs:  pr += (1 / n) * ret[t, j]
        for j in shorts: pr += (1 / n) * (-ret[t, j])   # 做空 = 负收益
        port[t] = pr
    return port

python

这就是 Carry 的”无脑”之处：它不猜方向，只赌”高息货币相对低息货币不会跌太多”。但下一节会看到，这个看似安全的赌注在危机里有多凶——而凶险的程度，恰恰决定了它的收益水平。

二、从零模拟：把”危机”写进汇率#

汇率收益拆成三块：利差成分（持有高息赚到的漂移）、风险因子暴露（全球风险规避时高息货币贬值、低息避险货币升值）、特质噪声。关键设定是符号——高息货币对”风险因子”负向敏感（风险规避时跌），低息避险货币正向（风险规避时涨）：

np.random.seed(20260713)
BETA_FX = np.array([-0.7,-0.65,-1.0,-0.95,-0.8, 0.0, 0.55,0.5,0.25,0.15])  # 高息负、低息正
T = 300  # 约 25 年月度数

# 风险因子：HIGH = 风险规避/流动性紧张。常态小幅正漂移，含 3 次危机冲击
risk_factor = np.random.normal(0.002, 0.025, T)
crisis_idx = [120, 200, 265]
for ci in crisis_idx:
    risk_factor[ci], risk_factor[ci + 1] = 0.13, 0.08

ret = np.zeros((T, len(CURRENCIES)))
for j in range(len(CURRENCIES)):
    carry_drift = (RATES[j] - RATES[5]) / 100.0 / 12.0     # 相对美元利差月度漂移
    ret[:, j] = carry_drift + BETA_FX[j] * risk_factor + np.random.normal(0, 0.012, T)

port_ret = build_portfolio(ret, RATES, n=3)
eq_ret   = risk_factor + np.random.normal(0, 0.02, T)       # 全球股票基准代理

python

注意危机的写法：风险因子飙升（而非下跌）。因为因子定义成”风险规避程度”，越高越糟糕。此时高息货币 BETA_FX<0 收益被压低（long 亏），低息避险货币 BETA_FX>0 升值（short 也亏）——套息的两端同时亏损，这正是它崩盘的机制。系统性 Carry 的”系统性”三字，指的就是这种跨所有 carry 头寸、对同一个全球风险因子的同步负暴露。

三、结果：长期能赚，但尾巴极肥#

nav_port = np.cumprod(1 + port_ret)
nav_eq   = np.cumprod(1 + eq_ret)

ann  = port_ret.mean() * 12
vol  = port_ret.std()  * np.sqrt(12)
sharpe = ann / vol
def drawdown(nav):
    peak = np.maximum.accumulate(nav)
    return nav / peak - 1.0
maxdd = drawdown(nav_port).min() * 100

python

实际跑出来：年化收益 ≈ 3.5%、年化波动 ≈ 14.2%、Sharpe ≈ 0.25、最大回撤 ≈ −38.2%。

图 2 把套息净值（蓝）和全球股票（灰）叠在对数轴上：长期它确实往上爬，但三次危机（红线）处都同步重挫。图 3 的水下曲线更刺眼——套息的致命伤不是慢慢跌，而是危机里几个月内回撤 30%+，远超股票同期的回撤。

套息组合累积净值 vs 全球股票：长期跑赢，但风险因子飙升期同步重挫

套息组合的回撤：危机中回撤可达 −38%，远超常态波动

四、核心检验：负向 beta 就是”风险补偿”的证据#

套息之谜的答案，藏在一次回归里。把套息的超额收益对全球风险因子回归：

excess = port_ret - 0.0025                       # 减去月度无风险
X = np.column_stack([np.ones(T), risk_factor])
beta, _, _, _ = np.linalg.lstsq(X, excess, rcond=None)
resid = excess - X @ beta
sig2  = resid @ resid / (T - 2)
se    = np.sqrt(np.diag(sig2 * np.linalg.inv(X.T @ X)))
corr  = np.corrcoef(risk_factor, excess)[0, 1]

python

结果：风险因子 β = −1.36（t ≈ −44.8），与超额收益负相关 ρ ≈ −0.7。

套息超额收益 vs 全球风险因子：显著负斜率，因子越高（越避险）套息越亏

这个负 beta 是整篇文章的题眼：套息组合相当于做空一份”全球风险保险”。平时大家风险偏好高、因子低，你稳稳收利差（保费）；一旦风险事件来袭、因子飙升，你得巨额赔付（组合暴跌）。正收益就是市场付给你的风险溢价——不是白赚的利差，而是承担崩盘风险的补偿。这和管理期货、卖出波动率异曲同工：正偏度被换成负偏度，赚小钱、亏大钱。

图 5 把这点画到极致：常态月份收益围绕小正紧密聚集，而 6 根红线（危机月）平均 −13.6%，最深的单月亏损把多年累积吞噬。放到学术史里，这正好对应 Fama（1984）的远期溢价之谜：按无抛补利率平价，高息货币的未来贬值应恰好抵消利差，但实证里高息货币反而常常升值——负 crisis beta 给出统一解释：高息货币因为要在危机里暴跌，平时才被”风险溢价”推着相对升值，利差不是白送的，而是为那次暴跌预先付的代价。

常态小赚 vs 危机大亏：6 根红线为危机月，均值 −13.6%，印证利差是风险补偿

五、系统性 Carry 的工程化：能不能”既要利差、又要少崩”#

既然崩盘来自对风险因子的负暴露，把外汇 Carry 扩成跨资产系统性 Carry（利率利差 + 商品展期 + 股票股息率 + 信用利差）能分散 idiosyncratic 风险，但系统性危机（全局风险因子）无法靠分散消除——因为负 beta 是整个策略的结构性特征。能做的减伤有两个方向：

波动目标化：按套息组合自身波动缩放仓位，危机波动放大时自动减仓，能压低回撤但也会削掉部分收益。等价于把”卖保险”的仓位从恒定改成”随风险水位浮动”。
趋势/波动过滤：当高息货币相对低息货币跌破均线（趋势转弱）时空仓，或当全局风险因子突破阈值时整体降仓——本质是止损，把”死扛到崩盘”换成”早走一步”。
分散化篮子：单对 AUD/JPY 的崩盘相关极高，扩展到跨新兴市场与 G10、再叠商品与利率 carry，能把 idiosyncratic 部分对冲掉，但系统性那一刀仍躲不掉。

换句话说：过滤能减伤，但系统性 Carry 的正收益与危机风险是一体两面，想完全去掉崩盘，就等价于去掉了它的收益来源。专业套息基金从不全仓裸做、必然配套波动目标与趋势止损，因为他们卖保险，但一定先算清自己赔不赔得起。

六、真实陷阱（实盘必看）#

交易成本与展期：每次月末再平衡都有买卖价差与隔夜拆借点差，高息端借入/低息端融出的 basis 会吃掉一部分利差，尤其利率高位时。
融资流动性风险：套息在”别人都在平仓”时最痛——流动性干涸时被迫平仓，亏损被放大成踩踏，这不是模型波动能 capture 的。
央行干预：低息融资货币（如日元）一旦被央行压制或政策转向，单日跳变可吞掉数月利差；瑞士央行 2015 年放弃汇率下限就是经典一刀。
低利率环境压缩空间：当全球利率趋零，可套的利差变薄，而风险因子的崩溃幅度不变，风险收益比急剧恶化——近年套息吸引力下降的主因。
新兴市场的更大崩盘：BRL、ZAR 这类高息 EM 货币，危机 beta 绝对值更大（本文给到 −1.0 以上），收益更肥但崩得更狠，需用更大分散与更紧止损。
FX basis 与 Cross-currency swap：真实融资成本和”利率差”之间隔着外汇基差，大资金的实际 carry 远低于名义利差，个人模拟常忽略这点而高估收益。

结论#

系统性 Carry 不是免费的利差午餐，而是一张被持续签发的危机保险单：用常态的小赚，去赌自己不会在风险事件里被迫巨额赔付。本文的模拟把这点跑成了硬数据——负向 risk beta（−1.36）、危机月均值 −13.6%、最大回撤 −38%，三件事说的是同一句话：你赚的每一分利差，都是市场为你承担崩盘风险付的保费。把视角从”外汇套息”抬到”系统性 Carry”，意义在于看到它的本质不是某个货币的利差，而是所有资产里”被奖励的持险”的总和——而这笔奖励，永远对应着一笔在危机里才结算的账单。理解了这一点，就不会在 2008 或 2020 的 carry 崩盘里问”为什么”，而会提前问”我的仓位扛不扛得住那次赔付”。

本文组合与图表基于 G10 利率与汇率的模拟数据从零构建，用于演示系统性 Carry 的收益结构与风险补偿机制；实盘需接入真实利率、外汇即远掉报价与交易成本，并注意第六节的六类真实陷阱。