第三章：价差统计特征——均值回归检验、价差分布分析、价差波动率聚类、价差自相关性分析

做跨期套利，说白了就是在赌价差会“回来”。但怎么知道它一定会回来？靠感觉？不行。得靠统计。

这一章，我带你从四个维度把价差扒个底朝天。均值回归检验、分布形态、波动率行为、自相关性。这四个东西搞明白了，你基本就能判断一个价差序列能不能做套利，以及怎么做。

3.1 均值回归检验：价差到底会不会回来？

先问个问题：你看到一个价差序列，上下波动，看着挺美。但你怎么知道它不是随机游走？万一它一去不回头呢？

我个人习惯，第一步先做单位根检验。最常用的是ADF检验（Augmented Dickey-Fuller）。

简单说，ADF检验就是看价差序列有没有“记忆”。如果检验统计量小于临界值，说明序列平稳，均值回归特征显著。反之，可能就是随机游走，别碰。

核心要点：

  • ADF检验的p值 < 0.05，通常认为存在均值回归
  • p值 > 0.1，基本可以放弃这个品种的跨期套利
  • 注意：检验前要确认价差序列没有明显的趋势项

我在项目中遇到过一件事。有一次做螺纹钢的跨期套利，价差看着挺规整，ADF检验p值0.03，我以为稳了。结果实盘跑了两个月，价差直接偏离了三个标准差，亏得我头皮发麻。后来复盘发现，那段时间钢厂环保限产，近月合约被资金硬拉，价差结构变了。所以，检验通过不代表永远有效，要定期重检。

# Python示例：ADF检验
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller

# 假设spread是价差序列
result = adfuller(spread, autolag='AIC')
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
if result[1] < 0.05:
    print('价差存在均值回归特征')
else:
    print('价差不平稳，谨慎操作')

我的小技巧：除了ADF，我还会用KPSS检验做交叉验证。ADF原假设是“有单位根”，KPSS原假设是“平稳”。两个都通过，才放心。

3.2 价差分布分析：你的价差长什么样？

均值回归检验通过了，接下来要看价差的分布形态。说白了，就是搞清楚价差平时在什么范围内晃悠，极端值出现的概率有多大。

我一般看三个东西：

  • 偏度（Skewness）：正偏还是负偏？正偏说明价差容易向上偏离，负偏则相反。做套利时，这会影响你开仓的方向偏好。
  • 峰度（Kurtosis）：尖峰还是平峰？尖峰意味着价差经常在均值附近，但偶尔会有极端值。这对止损设置很重要。
  • 分位数：5%、25%、50%、75%、95%分位数。我习惯用这个来设定开仓和止盈的阈值。

举个例子。我曾经做豆粕的跨期套利，发现价差分布是明显的尖峰厚尾。这意味着什么？意味着大部分时间价差在窄幅波动，但一旦突破，就是大行情。所以我设了比较宽的止损，防止被假突破洗出去。

# Python示例：分布统计
import numpy as np
from scipy import stats

skew = stats.skew(spread)
kurt = stats.kurtosis(spread, fisher=True)  # 正态分布为0
quantiles = np.percentile(spread, [5, 25, 50, 75, 95])

print(f'偏度: {skew:.3f}')
print(f'峰度: {kurt:.3f}')
print(f'分位数: {quantiles}')

注意：峰度值如果大于3（或Fisher峰度大于0），说明尾部风险比正态分布大。这时候用正态分布假设去算概率，会严重低估极端风险。我曾经吃过这个亏，后来改用经验分布。

3.3 价差波动率聚类：大波动后面跟着大波动

做套利的人，最怕的不是波动，而是波动突然变大。因为波动率一上来，价差可能瞬间打穿你的止损线。

波动率聚类，说白了就是“大波动后面往往跟着大波动，小波动后面跟着小波动”。这不是玄学，是金融时间序列的典型特征。

我一般用两个方法来看：

  1. 滚动标准差：计算过去N期的价差标准差，看它是不是有聚集现象。
  2. ARCH效应检验：用拉格朗日乘子检验（LM检验），看残差是否存在条件异方差。

如果存在波动率聚类，那你的仓位管理就要更谨慎。我个人的做法是：当波动率处于高位时，降低仓位；波动率低位时，可以适当加仓。

# Python示例：波动率聚类可视化
import matplotlib.pyplot as plt

# 计算20日滚动标准差
rolling_std = spread.rolling(window=20).std()

plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(spread, label='价差')
plt.legend()
plt.subplot(2, 1, 2)
plt.plot(rolling_std, label='20日滚动标准差', color='red')
plt.legend()
plt.show()

避坑指南：我曾经在波动率高位时硬扛，结果连续被止损三次。后来我学乖了，波动率超过历史90%分位数时，直接暂停交易，等波动率回落再说。

3.4 价差自相关性分析：价差有没有“惯性”？

最后一个维度，自相关性。这玩意儿告诉你：今天的价差和昨天的价差有没有关系？

如果自相关系数显著为正，说明价差有趋势性，今天涨了明天可能继续涨。如果显著为负，说明价差有反转性，今天涨了明天可能跌。如果是零附近，那就是随机波动。

做跨期套利，我更喜欢负自相关。因为这意味着价差偏离后，回归的概率更大。正自相关的话，你追进去可能被趋势继续打脸。

我一般看两个东西：

  • 自相关函数（ACF）：看各阶滞后的相关系数。
  • 偏自相关函数（PACF）：排除中间变量后的净相关。
# Python示例：自相关分析
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
plot_acf(spread, lags=30, ax=ax1)
plot_pacf(spread, lags=30, ax=ax2)
plt.show()

实战经验：如果ACF在滞后1-3阶显著为负，且之后快速衰减到零附近，这是典型的均值回归信号。我遇到这种价差，基本会重仓做。但如果ACF衰减很慢，比如10阶以后还显著，那就要小心了，可能是长记忆过程，回归周期很长，不适合短线套利。

知识体系总览

这四个维度不是孤立的。我一般按这个流程走：先做均值回归检验，过了再看分布形态，然后检查波动率特征，最后分析自相关性。四个维度都符合预期，才敢上实盘。

下面这张图，是我自己总结的价差统计特征分析框架，你可以参考一下。

价差统计特征分析框架 价差序列 均值回归检验 价差分布分析 波动率聚类 自相关性分析 ADF检验 KPSS检验 偏度 峰度 分位数 滚动标准差 ARCH检验 ACF PACF 四个维度综合判断，决定是否执行套利策略

嗯，这一章的内容就到这。四个统计特征，每个都有它的用处。你回去可以把你的价差数据跑一遍，看看符合几条。如果四条都满足，那恭喜你，找到了一个不错的套利标的。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →