4、配对交易策略：如何选择配对品种？相关性分析与协整检验实战
配对交易的核心，说白了就是找两个「长得像」的品种。
你想想看，如果两个品种的价差总是围绕一个均值波动，那当价差偏离均值时，我们就可以做多一个、做空另一个，等它回归。这就是配对交易的基本逻辑。
但问题来了——怎么判断两个品种「长得像」？
我刚开始做跨品种套利时，犯过一个低级错误：看到两个品种走势图几乎重合，就兴冲冲地建仓了。结果呢？价差越走越远，最后止损出局。后来我才明白，光看走势图是不够的，我们需要更严谨的数学工具。
4.1 相关性分析：第一道筛选
相关性分析是最直观的方法。它衡量两个品种价格变动的同步程度。
常用的指标是皮尔逊相关系数，取值范围在 -1 到 1 之间。1 表示完全正相关，-1 表示完全负相关，0 表示不相关。
经验阈值：我个人习惯把相关系数 > 0.8 作为初步筛选标准。低于这个值，配对效果通常不理想。
但这里有个坑——相关性不等于因果性。两个品种可能因为共同的市场因素而表现出高相关性，但它们的价差并不一定具有均值回归特性。
举个例子：
螺纹钢和热卷，两者都受钢铁行业影响，相关系数经常在 0.9 以上。但它们的价差会随着供需结构变化而漂移，并不稳定。这就是为什么相关性分析只能作为第一道筛选。
4.2 协整检验：真正的试金石
协整检验才是配对交易的核心。它检验的是两个品种之间是否存在长期均衡关系。
说白了，相关性看的是「走势像不像」，协整看的是「价差会不会回归」。
我常用的方法是 Engle-Granger 两步法：
- 第一步：用 OLS 回归估计协整关系。假设品种 A 和品种 B，我们做回归：A = α + β × B + ε
- 第二步：对残差 ε 进行单位根检验（ADF 检验）。如果残差是平稳的，说明两个品种存在协整关系。
实战技巧：ADF 检验的 p 值通常要求小于 0.05。但我建议你更严格一些，设成 0.01。我在项目中遇到过 p 值刚好 0.04 的配对，回测表现不错，但实盘时价差突然发散，亏了不少。后来我反思，可能是样本内过拟合了。
4.3 实战代码：从数据到结论
下面我给出一个完整的 Python 示例，展示如何从数据获取到协整检验的全流程。
import pandas as pd
import numpy as np
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
import yfinance as yf
# 1. 获取数据
# 以两只 ETF 为例：GLD（黄金）和 IAU（黄金）
tickers = ['GLD', 'IAU']
data = yf.download(tickers, start='2020-01-01', end='2023-12-31')['Adj Close']
# 2. 计算相关系数
corr = data[tickers[0]].corr(data[tickers[1]])
print(f'相关系数: {corr:.4f}')
# 3. 协整检验 - Engle-Granger 两步法
# 第一步：OLS 回归
X = sm.add_constant(data[tickers[1]])
model = sm.OLS(data[tickers[0]], X)
results = model.fit()
residuals = results.resid
# 第二步：ADF 检验
adf_result = adfuller(residuals)
print(f'ADF 统计量: {adf_result[0]:.4f}')
print(f'p 值: {adf_result[1]:.4f}')
if adf_result[1] < 0.05:
print('结论：存在协整关系，适合配对交易')
else:
print('结论：不存在协整关系，不建议配对')
注意：这个例子中 GLD 和 IAU 都是跟踪黄金价格的 ETF，理论上应该高度协整。但如果你用不同品种，比如螺纹钢和热卷，结果可能就不一样了。我曾经测试过螺纹钢和热卷的 5 分钟高频数据，协整关系在 2021 年之前很稳定，但 2021 年之后因为限产政策，价差结构发生了根本性变化，协整关系就失效了。
4.4 选择配对品种的完整流程
根据我的实战经验，选择配对品种可以按以下步骤来：
- 行业逻辑筛选：先凭经验判断两个品种是否属于同一产业链。比如螺纹钢和热卷、豆粕和豆油、黄金和白银。
- 相关性分析：计算滚动相关系数（比如 60 天窗口），确保相关性稳定在 0.8 以上。
- 协整检验：用 ADF 检验确认残差平稳性。p 值建议 < 0.01。
- 回测验证：用历史数据模拟交易，检查夏普比率、最大回撤等指标。
- 压力测试：看看极端行情下（比如 2020 年 3 月），价差是否还能回归。
嗯，这里要注意一点：协整关系不是一成不变的。我建议你每 3 个月重新检验一次，或者用滚动窗口的方式动态更新。
4.5 常见误区与避坑指南
- 误区一：只看相关性，不看协整。相关性高不代表价差会回归。
- 误区二：协整检验通过就万事大吉。我曾经有一个配对，协整检验 p 值 0.003，但实盘时价差持续偏离了 3 个月，最后被迫止损。后来发现是样本内数据太短，没有覆盖到结构性变化。
- 误区三：忽略交易成本。配对交易通常需要双边开仓，手续费和滑点会吃掉不少利润。我建议你在回测时至少考虑 2 个 tick 的滑点。
核心总结：相关性分析是「找朋友」，协整检验是「验朋友」。两者缺一不可。我个人的经验是，先做相关性筛选，再做协整检验，最后用回测验证。这样能过滤掉 80% 以上的无效配对。
4.6 本章知识体系
下面这张图展示了配对品种选择的完整逻辑流程：
这张图把整个流程串起来了。从行业逻辑开始，到压力测试结束，每一步都不能跳过。我见过不少新手，相关性分析一过就直接上实盘，结果亏得灰头土脸。
我的建议：刚开始做配对交易时，先找那些「天然配对」的品种，比如同一商品的不同月份合约、同一指数的不同 ETF。这些品种的协整关系通常比较稳定，适合练手。等积累了一定经验，再尝试跨品种配对，比如螺纹钢和热卷、豆粕和豆油。
好了，关于配对品种的选择，今天就聊到这里。记住：相关性分析是敲门砖，协整检验才是试金石。两者结合，才能找到真正适合配对交易的品种。