第4章配对交易策略（Pairs Trading）

4、配对交易策略（Pairs Trading）

配对交易，说白了就是找两个「长得像」的资产，等它们价格跑偏了再出手。我刚开始做量化那会儿，觉得这玩意儿挺玄乎的——两个不同的股票，凭什么说它们会回归？后来踩过几次坑才明白，核心不在于它们长得像不像，而在于它们之间有没有稳定的数学关系。

配对交易的核心思想

配对交易的核心思想其实很简单：找一对相关性高的资产，做多弱的，做空强的。你想想看，如果两个资产长期走势高度一致，那它们之间的价差就应该在一个合理范围内波动。一旦价差跑出这个范围，就说明市场出现了暂时的定价错误——这时候就是我们的机会。

我记得2018年做过一个银行股的配对，招商银行和兴业银行。那段时间两者价差突然拉大，我按策略做多便宜的、做空贵的，结果一周内价差就回归了。嗯，那种感觉确实挺爽的。

  核心逻辑： 配对交易是市场中性策略，不关心大盘涨跌，只关心配对资产之间的相对价格关系。

如何选择配对

选配对是个技术活。我见过有人随便找两个同行业的股票就开干，结果亏得底裤都不剩。选配对，主要看两个指标：相关性和协整性。

相关系数范围	含义
0.8 - 1.0	强正相关
0.5 - 0.8	中等正相关
0.0 - 0.5	弱相关或无相关

协整性

协整性才是配对交易的灵魂。它检验的是两个时间序列之间是否存在长期稳定的线性关系。说白了，就是看它们的价差是否会在偏离后回归均值。

常用的检验方法是Engle-Granger两步法：

import statsmodels.api as sm
import numpy as np

# 假设price_a和price_b是两个资产的价格序列
# 第一步：回归
X = sm.add_constant(price_b)
model = sm.OLS(price_a, X).fit()
residuals = model.resid

# 第二步：对残差做单位根检验
from statsmodels.tsa.stattools import adfuller
result = adfuller(residuals)
print(f'ADF统计量: {result[0]:.4f}')
print(f'P值: {result[1]:.4f}')

# P值小于0.05，说明残差平稳，即存在协整关系
if result[1] < 0.05:
    print('恭喜！这两个资产存在协整关系')
else:
    print('不协整，换个配对试试吧')

我的经验： 选配对时，我一般先看相关性筛选出候选池（相关系数>0.7），然后再做协整检验。这样能避免做太多无意义的协整测试，节省时间。

价差序列的构建与标准化

找到协整对之后，下一步就是构建价差序列。价差说白了就是两个资产价格的线性组合。用回归得到的系数，我们可以算出：

# 构建价差序列
spread = price_a - model.params[0] - model.params[1] * price_b

# 或者直接用回归系数
hedge_ratio = model.params[1]  # 对冲比率
spread = price_a - hedge_ratio * price_b

价差序列构建好之后，我们需要对它做标准化。为什么要标准化？因为不同时间段的价差波动幅度不一样，直接用原始价差没法设统一的阈值。

标准化的方法就是Z-score：

# 计算Z-score
mean_spread = spread.rolling(window=60).mean()
std_spread = spread.rolling(window=60).std()
z_score = (spread - mean_spread) / std_spread

Z-score告诉我们当前价差偏离均值多少个标准差。比如Z-score=2，说明当前价差比均值高了两个标准差，属于比较极端的情况。

注意： 滚动窗口的选择很关键。窗口太短，均值不稳定；窗口太长，反应迟钝。我个人习惯用60个交易日，也就是大约3个月的数据。

交易信号的生成（Z-score阈值）

有了Z-score，交易信号就水到渠成了。我们设定两个阈值：开仓阈值和平仓阈值。

常见的做法是：

开仓信号： 当Z-score超过2或低于-2时，开仓
平仓信号： 当Z-score回归到0附近（比如±0.5）时，平仓
止损信号： 当Z-score超过3或低于-3时，止损

具体怎么操作？举个例子：

# 生成交易信号
def generate_signals(z_score, entry_threshold=2.0, exit_threshold=0.5):
    signals = []
    position = 0  # 0:空仓, 1:做多价差, -1:做空价差
    
    for z in z_score:
        if position == 0:
            if z > entry_threshold:
                position = -1  # 价差过高，做空价差（做空贵的，做多便宜的）
            elif z < -entry_threshold:
                position = 1   # 价差过低，做多价差（做多贵的，做空便宜的）
        else:
            if abs(z) < exit_threshold:
                position = 0   # 价差回归，平仓
            elif abs(z) > 3.0:
                position = 0   # 极端情况，止损
        signals.append(position)
    
    return signals

这里要注意一个细节：开仓方向。当Z-score为正且很大时，说明价差偏高，意味着price_a相对price_b太贵了。这时候我们应该做空price_a、做多price_b，赌价差会缩小。反过来也一样。

  避坑指南： 我曾经犯过一个低级错误——把开仓方向搞反了。Z-score为正时做多了价差，结果价差继续扩大，亏得我直拍大腿。所以一定要搞清楚：Z-score正，做空价差；Z-score负，做多价差。

知识体系总览

下面这张图是我自己整理的配对交易知识体系，你可以对照着看：

嗯，以上就是配对交易策略的核心内容。从选配对到构建价差，再到生成信号，每一步都有讲究。我个人觉得，配对交易最难的不是技术实现，而是找到真正协整的配对——这需要大量的数据挖掘和行业知识积累。

最后说一句： 别指望每个配对都能赚钱。我做过统计，大概只有60%-70%的配对在实盘中能跑出正收益。关键是做好风控，别让一两个失败的配对把整体收益拖垮。

公众号:蓝海数据掘金营，微信deep3321

📚 课程目录

4、配对交易策略（Pairs Trading）

配对交易的核心思想

如何选择配对

相关性

协整性

价差序列的构建与标准化

交易信号的生成（Z-score阈值）

知识体系总览