统计套利原理：均值回归、协整关系、平稳性检验（ADF检验）
各位同学，咱们今天聊点实在的。统计套利，说白了就是找两个长得像的股票，等它们价格跑偏了，咱们就进场捡便宜。听起来简单吧？但这里面的门道，我做了这么多年策略，踩过的坑可不少。
我个人习惯把统计套利的核心拆成三块：均值回归、协整关系、平稳性检验。这三块缺一不可，就像炒菜得先有锅、有菜、还得会看火候。
1. 均值回归：价格总会回来
先说说均值回归。这个概念其实很朴素——价格涨多了会跌，跌多了会涨。你想想看，如果两个高度相关的资产，比如贵州茅台和五粮液，它们的价差突然拉得特别大，那大概率会慢慢缩回去。
为什么会这样？因为市场里总有套利者。价差大了，他们就进场做反向交易，把价差推回均值。嗯，这里要注意：均值回归不是100%发生的，它是个统计规律。我在项目中遇到过好几次，价差拉大后不但没回归，反而越跑越远。那怎么办？止损呗，别死扛。
核心要点：均值回归是统计套利的基础假设，但不是铁律。你得有止损机制，别把套利做成单边投机。
2. 协整关系：找到真正的“兄弟”
接下来是协整关系。这个概念听着高大上，其实说白了就是：两个时间序列虽然各自不平稳，但它们的线性组合是平稳的。
我举个例子。假设你有两只股票A和B，它们各自的价格走势像醉汉走路，东倒西歪。但如果你把A的价格减去2倍B的价格，得到的新序列却像正常人走路，有稳定的均值。那我们就说A和B是协整的。
协整关系是统计套利的灵魂。没有协整，你做的就不是套利，是赌博。我记得刚入行时，有个同事随便找了两只银行股就开干，结果价差越做越大，亏得底裤都没了。后来一检查，这两只股根本不存在协整关系。
我的经验：协整关系不是永恒的。我见过很多协整对，过了一年半载就失效了。所以，定期重新检验协整关系，这是基本功。
3. 平稳性检验：ADF检验
那怎么判断一个序列是不是平稳的？最常用的方法就是ADF检验（Augmented Dickey-Fuller test）。
ADF检验的原理，说白了就是看序列有没有单位根。如果有单位根，序列就是不平稳的；如果没有，就是平稳的。嗯，这里要注意：ADF检验的原假设是“序列存在单位根”，也就是不平稳。如果p值小于0.05，我们就拒绝原假设，认为序列是平稳的。
下面是我常用的ADF检验代码，Python版：
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
# 假设price_spread是价差序列
def check_stationarity(price_spread):
result = adfuller(price_spread, autolag='AIC')
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
print(f'临界值:')
for key, value in result[4].items():
print(f' {key}: {value:.4f}')
if result[1] < 0.05:
print('结论：序列平稳，可以用于统计套利')
else:
print('结论：序列不平稳，需要差分或寻找其他配对')
# 使用示例
check_stationarity(spread)这段代码我用了好多年，简单实用。不过要提醒一句：ADF检验对滞后阶数的选择比较敏感。我个人习惯用AIC自动选择滞后阶数，这样比较省心。
避坑指南：我曾经因为数据频率选错，导致ADF检验结果完全相反。日线数据用ADF没问题，但如果是高频数据（比如分钟级），ADF检验的p值会偏小，容易误判为平稳。这时候我建议用更严格的临界值，或者改用Phillips-Perron检验。
4. 知识体系总览
说了这么多，咱们用一张图来总结一下统计套利的核心逻辑：
5. 实战中的注意事项
最后，我把自己这些年踩过的坑总结一下，给大家提个醒：
| 常见问题 | 我的建议 |
|---|---|
| 协整关系失效 | 每季度重新检验一次，发现失效立即平仓 |
| ADF检验误判 | 高频数据用更严格临界值，或改用PP检验 |
| 均值回归不成立 | 设置硬止损，别幻想“总会回来” |
| 数据频率不匹配 | 日线用日线，分钟线用分钟线，别混用 |
好了，这一章的内容就到这儿。统计套利的核心就是这三板斧：均值回归、协整关系、平稳性检验。把这套东西吃透了，你就能在市场上找到不少“捡钱”的机会。当然，前提是你得严格执行纪律，别让情绪左右你的交易。