第2章核心原理精讲

核心原理精讲：一价定律、价差与比价、均值回归特性、统计套利基础

各位同学，欢迎来到跨市场套利的核心地带。

这一章，咱们不聊花架子，直接啃硬骨头。说白了，套利这行当，底层逻辑就那么几条。你把这些原理吃透了，后面的策略代码就是换汤不换药。

一、一价定律：套利的“宪法”

先问个问题：为什么会有套利机会？

答案很简单——因为市场不完美。而套利者，就是市场的“纠错员”。

一价定律是这么说的：同一资产，在同一时间，不同市场上，价格应该相等。如果不相等，就有人能无风险地赚差价。

核心公式：

P_市场A = P_市场B × 汇率 × (1 + 交易成本)

当等式不成立时，套利窗口打开。

我在2018年做过一个跨境ETF套利项目。当时有个港股ETF，在港交所和纽交所同时交易。按理说价格应该差不多，但实际经常出现0.5%以上的价差。为什么？因为两个市场的交易时间、流动性、投资者情绪都不一样。

嗯，这里要注意：一价定律是理想状态。现实中，交易成本、资金门槛、卖空限制，都会让这个“完美套利”打折扣。

二、价差与比价：套利的“温度计”

光知道一价定律还不够。你得有工具去测量“偏离程度”。

我个人习惯用两个指标：价差和比价。

1. 价差（Spread）

价差就是两个价格直接相减。简单粗暴，但有效。

# 价差计算示例
price_a = 100.50
price_b = 99.80
spread = price_a - price_b
print(f"当前价差: {spread:.2f}")  # 输出: 0.70

2. 比价（Ratio）

比价是价格相除。这个指标在跨品种套利中特别有用。

# 比价计算示例
ratio = price_a / price_b
print(f"当前比价: {ratio:.4f}")  # 输出: 1.0070

我的经验：

价差适合同品种、同单位的套利（比如两个交易所的黄金期货）。

比价适合不同品种、不同单位的套利（比如大豆和豆粕）。

千万别搞混了，否则你的信号会全是噪音。

三、均值回归特性：套利的“发动机”

你想想看，价差会一直扩大吗？不会。

市场有只“看不见的手”，会把偏离的价格拉回来。这就是均值回归。

说白了，价差就像一根被拉长的橡皮筋。拉得越远，回弹的力越大。

均值回归的数学表达：

dX_t = θ(μ - X_t)dt + σdW_t

其中：

X_t：当前价差
μ：长期均值
θ：回归速度（越大越快）
σ：波动率

我曾经踩过一个坑。2019年做螺纹钢和热卷的套利，价差偏离了3个标准差，我满仓杀进去。结果呢？价差继续扩大，差点爆仓。后来复盘才发现，那段时间钢厂在调整产能，基本面变了，均值也跟着变了。

避坑指南：

我曾经以为均值回归是万能的。直到亏了钱才明白：

均值不是固定的，它会漂移
回归速度不是常数，市场恐慌时回归很慢
极端行情下，价差可能永远不回均值（比如2008年雷曼兄弟）

四、统计套利基础：用数据说话

好了，前面都是定性分析。现在咱们来点硬核的——统计套利。

统计套利的核心就一句话：用历史数据找出价差的统计规律，然后赌这个规律会重复。

1. 平稳性检验

做统计套利之前，第一件事就是检查价差是不是平稳的。不平稳的价差，你没法做均值回归。

from statsmodels.tsa.stattools import adfuller

# 假设spread_series是价差时间序列
result = adfuller(spread_series)
p_value = result[1]

if p_value < 0.05:
    print("价差平稳，可以做统计套利")
else:
    print("价差不平稳，需要差分或换品种")

2. 协整关系

两个不平稳的价格序列，它们的线性组合可能是平稳的。这就是协整。

我个人习惯用Engle-Granger两步法：

import statsmodels.api as sm

# 第一步：回归
X = sm.add_constant(price_b)
model = sm.OLS(price_a, X).fit()
hedge_ratio = model.params[1]  # 对冲比率

# 第二步：检验残差平稳性
residuals = price_a - hedge_ratio * price_b
result = adfuller(residuals)

if result[1] < 0.05:
    print("存在协整关系，可以构建套利组合")
else:
    print("没有协整关系，放弃这个品种对")

3. 交易信号生成

有了平稳的价差，接下来就是生成交易信号。我常用的方法是Z-score：

import numpy as np

def generate_signals(spread, window=20):
    mean = np.mean(spread[-window:])
    std = np.std(spread[-window:])
    z_score = (spread[-1] - mean) / std
    
    if z_score > 2:
        return "做空价差"  # 卖高价，买低价
    elif z_score < -2:
        return "做多价差"  # 买高价，卖低价
    else:
        return "观望"

实战小技巧：

别死盯着2倍标准差。我一般会根据品种波动率动态调整阈值。波动率大的品种，阈值设到2.5甚至3；波动率小的，1.5就够了。

还有，记得加止损。统计套利不是无风险套利，它只是“大概率赚钱”。

五、知识体系总览

说了这么多，咱们用一张图把本章的核心逻辑串起来：

这张图把咱们今天讲的内容串起来了。从一价定律出发，用价差和比价去测量偏离，假设它会均值回归，然后用统计方法去验证这个假设。每一步都环环相扣。

本章核心要点：

一价定律是套利的理论基础，但现实中有摩擦成本
价差和比价是测量市场偏离的基本工具
均值回归是套利策略的“信仰”，但要注意均值漂移
统计套利需要先检验平稳性和协整关系
Z-score是生成交易信号的常用方法，阈值要动态调整

好了，这一章的内容就到这里。记住，原理是根基。代码可以复制，但理解这些底层逻辑，才是你以后能独立设计策略的关键。