第四章：套利机会识别：价差分析、相关性分析、协整检验
套利的核心，说白了就是找「价差」。
你想想看，同一个东西，在两个地方卖不同价，这就是机会。但金融市场没那么简单——价格波动大，关系复杂，光看表面价差很容易掉坑里。我做了这么多年套利，踩过的坑比走过的路还多，今天就把这套识别方法掰开揉碎了讲给你。
4.1 价差分析：最直观的套利信号
价差，就是两个相关资产的价格差。比如沪深300股指期货和现货，或者同行业的两只股票。
价差的计算公式：
价差 = 资产A价格 - 资产B价格 × 对冲比率这里有个关键点——对冲比率。我刚开始做的时候，直接拿1:1算价差，结果亏得挺惨。后来才明白，不同资产的波动幅度不一样，得先算Beta系数。
实战中的价差类型：
- 绝对价差：直接相减，适合同品种（如期货主力合约和次主力合约）
- 相对价差：用百分比表示，适合不同价位的品种
- 标准化价差：减去均值再除以标准差，适合统计套利
我个人习惯用标准化价差做信号。为什么呢？因为它能告诉你当前价差偏离均值多少个标准差，阈值设定特别直观。
我的经验：价差阈值一般设在±2个标准差。超过这个范围，大概率是套利机会。但别死板——震荡市里可以缩到±1.5，趋势行情里得放大到±2.5。
4.2 相关性分析：别被假关系骗了
很多人一上来就做相关性分析，觉得相关系数高就能套利。嗯，这里要注意——相关性不等于因果关系。
我记得有一次，发现A股和B股相关系数高达0.95，兴冲冲建了套利模型。结果一跑回测，亏得妈都不认识。为什么？因为那是伪相关——两个品种都受同一个宏观因子驱动，但微观结构完全不同。
正确的做法是：
- 先算滚动相关系数，看关系是否稳定
- 用偏相关分析，剔除共同因子影响
- 最后做Granger因果检验，确认谁引导谁
避坑指南：我曾经用日线数据算相关性，结果模型实盘一跑就崩。后来改用5分钟K线，效果好了很多。记住——套利是高频行为，别用低频数据做决策。
下面这张图展示了相关性分析的完整流程：
4.3 协整检验：套利的终极武器
相关性高不代表能套利，但协整关系成立，套利就稳了。
协整是什么？简单说，两个价格序列虽然各自随机游走，但它们之间的差（价差）是平稳的。这意味着价差会均值回归——涨多了会跌，跌多了会涨。
我常用的协整检验方法是Engle-Granger两步法：
# Python代码示例：EG两步法
import statsmodels.api as sm
import numpy as np
# 第一步：回归
X = sm.add_constant(asset_b)
model = sm.OLS(asset_a, X).fit()
hedge_ratio = model.params[1] # 对冲比率
# 第二步：检验残差平稳性
residuals = model.resid
adf_stat, p_value = sm.tsa.stattools.adfuller(residuals)
if p_value < 0.05:
print("协整关系成立，可以套利！")
else:
print("不协整，别碰。")
关键参数解读：
| 参数 | 含义 | 我的经验值 |
|---|---|---|
| ADF统计量 | 越负越好 | < -3.5 才放心 |
| p值 | 越小越显著 | < 0.01 最佳 |
| 滞后阶数 | 消除自相关 | AIC准则自动选 |
你可能会问：为什么p值要小于0.01而不是0.05？
嗯，这是血的教训。我曾经用0.05的阈值，结果模型在实盘里频繁假信号，手续费都亏没了。后来把阈值收紧到0.01，信号少了，但胜率从55%提到了78%。
我的小技巧：别只做一对品种的协整检验。我一般会建一个品种池，比如同行业10只股票，两两做协整检验，选出最稳定的5对。这样即使某对关系破裂，还有备选方案。
4.4 实战中的坑与对策
说了这么多理论，来点实在的。我这些年踩过的坑，你最好记下来：
- 坑一：数据频率不匹配——用日线做协整，用分钟线交易。结果价差信号滞后，进场就亏。
- 坑二：忽略交易成本——价差看起来有3个点利润，扣掉手续费和滑点，只剩0.5个点。白忙活。
- 坑三：协整关系突变——公司重组、政策变化，协整关系说断就断。我建议每周重新检验一次。
特别提醒：协整检验通过不代表永远有效。我见过最离谱的案例——某对品种协整了3年，突然一天价差偏离了10个标准差，再也没有回归。后来发现是其中一家公司被做空了。
最后说一句：套利机会识别，不是找「看起来能赚钱」的机会，而是找「大概率能赚钱」的机会。价差分析给你方向，相关性分析帮你筛选，协整检验给你信心。三者缺一不可。
好了，这一章就到这。记住我说的——别贪多，做精一对品种，比做烂十对强得多。