4. 价差计算：实时价差计算、均值回复模型与协整检验

套利交易的核心，说白了就是盯着价差做文章。你想想看，两个高度相关的资产，价格走势本该像双胞胎一样同步，可一旦它们走散了，机会就来了。我做了这么多年量化风控，见过太多人一上来就盯着绝对价格差，结果被市场来回打脸。嗯，这里面的门道，咱们今天好好聊聊。

4.1 实时价差计算：别被表面数字骗了

实时价差计算，听起来简单吧？就是A价格减去B价格。但我在项目中遇到过一个问题：如果两个资产的价格量级差太多，比如一个几百块，一个几块钱，那价差波动就完全被高价资产主导了。这其实是个坑。

我个人习惯用两种方式处理：

• 简单价差：spread = P_A - P_B。适用于同品种、同量级的资产，比如两个股指期货。
• 标准化价差：spread = (P_A / P_B) - 1 或者 spread = ln(P_A / P_B)。适用于不同量级的资产，比如股票对。

为什么要标准化？举个例子，茅台和五粮液，价格差几百块，但它们的比值其实很稳定。你盯着绝对价差做交易，很容易被价格水平的变化误导。

4.2 均值回复模型：价差会回来吗？

均值回复，是套利策略的底层信仰。说白了，就是相信价差不会永远偏离，迟早会回到均值附近。我刚开始做套利时，总觉得这个假设太理想化，直到有一次在股指期货上验证了它的有效性——价差偏离到3个标准差后，果然在5分钟内回归了。

常用的均值回复模型有两种：

模型	公式	适用场景
简单移动平均	spread - SMA(spread, n)	短期套利，快速反应
指数加权移动平均	spread - EWMA(spread, lambda)	长期套利，平滑噪声

我个人更偏爱EWMA，因为它对近期数据更敏感，能更快捕捉到价差的异常波动。不过要注意，lambda值的选择很关键——太小了噪声多，太大了反应迟钝。我一般取0.94，这是风险管理领域常用的衰减因子。

4.3 协整检验：它们真的会一起走吗？

协整检验，是套利策略的「合法性验证」。你想想看，如果两个资产根本没有长期均衡关系，那均值回复就是空中楼阁。我曾经吃过这个亏——用两个看起来走势很像的股票做套利，结果价差越走越远，亏得我头皮发麻。

常用的协整检验方法是Engle-Granger两步法：

1. 第一步：用OLS回归估计协整关系。公式：Y = alpha + beta * X + epsilon
2. 第二步：对残差epsilon进行单位根检验（ADF检验）。如果残差是平稳的，说明存在协整关系。

代码实现其实不复杂，我贴一段我常用的Python代码：

import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller

# 假设price_a和price_b是两个价格序列
def cointegration_test(price_a, price_b):
    # 第一步：OLS回归
    X = sm.add_constant(price_b)
    model = sm.OLS(price_a, X).fit()
    residuals = model.resid
    
    # 第二步：ADF检验
    adf_stat, p_value, _, _, critical_values, _ = adfuller(residuals)
    
    return {
        'beta': model.params[1],
        'alpha': model.params[0],
        'adf_stat': adf_stat,
        'p_value': p_value,
        'is_cointegrated': p_value < 0.05
    }

这里有个坑：ADF检验的p值阈值，我建议用1%而不是5%。为什么？因为协整检验的样本量通常不大，5%的显著性水平容易误判。我曾经用5%的阈值跑回测，结果策略在实盘时直接崩了——后来发现是伪协整。

4.4 知识体系总览

说了这么多，咱们用一张图把核心逻辑串起来。这张图是我做套利风控时必画的框架，每次看都能提醒自己别漏掉关键步骤。

这张图从左到右，其实就是一个完整的套利风控流水线。每一步都有坑，每一步都需要你用心去打磨。我做了这么多年，最大的体会就是：风控不是事后补救，而是事前设计。价差计算、均值回复、协整检验，这三板斧用好了，套利策略的胜率能提升一大截。