3、配对交易策略：配对选择、价差计算、交易信号生成、止损设置

配对交易，说白了就是找两个「长得像」的股票，赌它们之间的价差会回归。我做了这么多年套利，这招是最经典也最实用的。今天咱们就把这四步拆开揉碎了讲清楚。

3.1 配对选择：怎么找到「天生一对」？

选对配对，成功了一半。我见过太多人随便拉两只银行股就开始做，结果亏得底朝天。选配对不是拍脑袋，得讲科学。

核心原则：两只股票得受同一个「看不见的手」影响。比如同行业的龙头和龙二，或者上下游的产业链伙伴。

我个人习惯用三步筛选法：

1. 行业筛选：先圈定同一个行业板块。比如白酒里的茅台和五粮液，银行里的招行和兴业。
2. 相关性检验：算过去60天或120天的相关系数。我一般要求 ρ > 0.8 才考虑。
3. 协整检验：这是关键一步。相关性高不代表长期稳定，协整才是硬道理。

协整检验的代码其实不复杂，我贴一段常用的：

import statsmodels.api as sm
import numpy as np

def check_cointegration(price_a, price_b):
    # 先做OLS回归
    model = sm.OLS(price_a, sm.add_constant(price_b))
    result = model.fit()
    residuals = result.resid
    
    # 对残差做ADF检验
    adf_test = sm.tsa.stattools.adfuller(residuals)
    p_value = adf_test[1]
    
    # p值小于0.05说明残差平稳，即协整
    return p_value < 0.05, p_value

3.2 价差计算：到底差了多少？

选好配对之后，就得算价差了。这里有个细节——两只股票的价格量级可能差很多。比如茅台2000块，五粮液200块，直接相减没意义。

标准化价差才是正道。我常用的公式是：

# 计算价差
spread = price_a - hedge_ratio * price_b

# 标准化
z_score = (spread - spread.mean()) / spread.std()

这里的 hedge_ratio 就是对冲比率。怎么算？用OLS回归的系数就行。说白了就是：买1份A，同时卖空多少份B，才能让组合的波动最小。

3.3 交易信号生成：什么时候动手？

价差算出来了，接下来就是等信号。信号怎么定？核心就是看z-score。

我个人习惯用双阈值法：

z-score 范围	信号	操作
z > 2.0	做空价差	卖空A，买入B
z < -2.0	做多价差	买入A，卖空B
|z| < 0.5	平仓	了结头寸

你想想看，z-score到了2以上，说明价差已经偏离均值两个标准差，大概率要回归。这时候进场，胜率比较高。

不过阈值不是死的。我见过有人用1.5倍标准差，也有人用2.5倍。这取决于你的风险偏好。我个人习惯：震荡市用1.5，趋势市用2.5。

3.4 止损设置：活下来比什么都重要

做配对交易最怕什么？价差不回归。我见过最惨的一次，价差偏离了6个标准差还不回来，那哥们直接爆仓了。

所以止损必须设。怎么设？我分享三个常用方法：

1. 固定z-score止损：比如z-score到了3.0就无条件平仓。简单粗暴，但有效。
2. ATR止损：用平均真实波幅来设。比如价差超过3倍ATR就止损。
3. 时间止损：如果持仓超过5天还没回归，就平仓。时间成本也是成本。

我个人偏好第一种。为什么？因为z-score本身就是标准化的，不同品种之间可比。我曾经用ATR止损，结果发现不同股票的波动率差异太大，参数调起来很麻烦。

3.5 完整流程：一张图说清楚

说了这么多，咱们用一张流程图把整个逻辑串起来：

3.6 实战中的几个坑

最后，我分享几个实战中容易踩的坑：

• 配对失效：公司基本面变了，比如并购、重组，原来的配对关系就断了。我建议每周检查一次协整关系。
• 交易成本：别小看手续费和滑点。我见过一个策略，理论年化20%，扣掉成本只剩5%。做配对交易，成本控制是命门。
• 流动性风险：有些小盘股，你卖空的时候根本借不到券。选配对时，一定要看日均成交额，低于1亿的尽量别碰。