第四章：配对交易实战——如何挑选配对标的、价差计算、Z-score阈值设定

配对交易，说白了就是找两个“长得像”的股票，赌它们价差会回归。听起来简单，但实操中坑不少。我做了这么多年，踩过的雷能绕交易所三圈。今天咱们就聊聊，怎么挑配对、算价差、设阈值。

4.1 挑选配对标的：别只看相关性

很多人一上来就算相关系数，觉得0.9以上就是好配对。嗯，这里要注意——相关性高不代表能套利。我见过太多相关系数0.95的配对，一开仓就亏到怀疑人生。

为什么？因为相关性衡量的是线性关系，但配对交易需要的是协整关系。两个股票可能短期走势相似，但长期价差越跑越远，这种配对就是坑。

我个人习惯，先按行业筛选。同行业的股票，业务模式、风险因子都接近，价差更容易回归。比如银行股里挑招行和兴业，能源股里选中石油和中石化。

然后做两步筛选：

1. 相关性检验：算过去60天或120天的相关系数，要求>0.8。这只是初筛，别太较真。
2. 协整检验：用Engle-Granger两步法或Johansen检验。p值<0.05才算通过。

4.2 价差计算：标准化才是关键

选好配对后，怎么算价差？直接拿A价格减B价格？别闹。股价绝对值不同，价差根本没意义。

正确的做法是算标准化价差。我常用两种方法：

方法一：回归残差法

用A的价格对B的价格做线性回归：

import statsmodels.api as sm

# 假设price_A, price_B是pandas Series
X = sm.add_constant(price_B)
model = sm.OLS(price_A, X).fit()
residuals = model.resid  # 这就是价差

残差就是价差。它已经剔除了B对A的线性影响，更干净。

方法二：对数价格差

直接算ln(A) - ln(B)。好处是消除了量纲，而且对数收益率天然适合做统计建模。

import numpy as np

spread = np.log(price_A) - np.log(price_B)

我个人偏好回归残差法。为什么？因为它在统计上更严谨，能捕捉到两个股票之间的真实关系。不过对数价格差计算简单，做快速回测时我也用。

4.3 Z-score阈值设定：别迷信±2

价差算出来了，怎么设开仓平仓阈值？很多人直接套用Z-score ±2，觉得这是标准答案。其实不然。

Z-score = (当前价差 - 价差均值) / 价差标准差。它告诉你当前价差偏离均值多少个标准差。

理论上，Z-score超过±2的概率只有5%左右，适合做开仓信号。但实盘中，我遇到过Z-score跑到±3还不回归的情况。为什么？因为价差分布不是标准正态——它有厚尾。

举个例子，我做过一个银行股配对：

阈值	年化收益率	夏普比率	最大回撤
1.5	8.2%	0.9	-12%
2.0	12.5%	1.5	-8%
2.5	9.8%	1.1	-10%

你看，±2.0反而是最优的。但换一组股票，最优阈值可能变成1.8或2.2。所以，别偷懒，一定要做参数优化。

4.4 完整流程：从挑选到实盘

来，咱们把整个流程串起来。我画了张图，你看一眼就明白：

你看，整个流程是个闭环。从挑选标的开始，到实盘监控，再到循环迭代。我见过很多人只做前两步，然后就躺平了。结果市场一变，配对失效，亏得底朝天。

最后说一句：配对交易不是印钞机。它赚的是统计套利的钱，胜率可能高，但单笔盈利有限。所以，仓位管理比阈值更重要。我一般单笔不超过总资金的2%，止损设在1.5倍ATR。

好了，这一章就到这儿。记住，实战中多复盘、多调整，别指望一套参数吃遍天。咱们下一章见。