一、配对交易基础：什么是配对交易、统计套利原理、协整与相关性、均值回归策略

说实话，我第一次接触配对交易是在2015年。当时我在做ETF套利，发现两只银行股经常同涨同跌，但偶尔会拉开差距。我就在想——能不能等它们拉开时做空强的、做多弱的，等它们重新靠拢再平仓？

后来我才知道，这玩意儿有个正式名字，叫配对交易。说白了，就是利用两个相关资产之间的价差波动来赚钱。你不需要判断市场涨跌，只需要判断它们之间的关系会不会回归。

1.1 什么是配对交易

配对交易的核心思想很简单：找到两只走势高度相关的股票（或任何资产），当它们的价差偏离正常范围时，做空强势的、做多弱势的，赌它们会重新回到均衡状态。

举个例子。我做过一个经典的配对：可口可乐和百事可乐。这两家公司业务相似，股价长期走势几乎同步。但有时候，可口可乐因为某个财报超预期涨了3%，百事只涨了0.5%。这时候价差就拉大了。我的策略是：卖出可口可乐，买入百事可乐，等它们价差回归后平仓。

嗯，这里要注意——配对交易不是无风险套利。它赌的是统计上的回归，而不是确定性的回归。万一基本面变了，价差可能永远回不来。

1.2 统计套利原理

统计套利，听起来高大上，其实原理不复杂。它基于一个假设：资产价格在短期内可能偏离，但长期会回归统计上的均衡。

我习惯把统计套利分成三步走：

1. 找关系——找到两个或多个资产之间的统计规律
2. 算阈值——确定什么时候算"偏离"（比如价差超过2个标准差）
3. 做交易——偏离时开仓，回归时平仓

你想想看，这跟传统套利有什么区别？传统套利是确定性的——比如同一只股票在不同交易所的价差，你买入低价、卖出高价，稳赚。但统计套利是概率性的——你只能保证"大概率"会回归，不是100%。

1.3 协整与相关性

很多人搞混这两个概念。我刚开始做配对交易时也犯过这个错——只看相关性，不看协整。

相关性衡量的是两个变量之间的线性关系强度。相关系数接近1或-1，说明它们同涨同跌。但相关性有个大问题：它只看短期波动，不关心长期关系。

协整就不一样了。它衡量的是两个时间序列之间是否存在长期均衡关系。即使两个序列各自随机游走（非平稳），它们的线性组合可能是平稳的——这就是协整。

举个例子。一个醉汉牵着一条狗走路。醉汉的路径是随机的，狗的路径也是随机的，但狗绳的长度是固定的。醉汉和狗的位置就是协整关系——它们可能到处乱跑，但距离始终在绳子范围内。

指标	相关性	协整
衡量什么	短期线性关系	长期均衡关系
适用场景	趋势跟踪	配对交易
常见误区	高相关≠协整	需要单位根检验
检验方法	Pearson相关系数	Engle-Granger检验

1.4 均值回归策略

均值回归是配对交易的底层逻辑。它假设价差会在均值附近波动，偏离越大，回归的概率越高。

具体怎么做？我一般用以下步骤：

1. 计算价差：价差 = 资产A价格 - β × 资产B价格（β是协整系数）
2. 标准化：把价差转换成Z-score，方便设定阈值
3. 设定开仓阈值：比如Z-score超过2或低于-2时开仓
4. 设定平仓阈值：Z-score回归到0附近时平仓
5. 设定止损：Z-score超过3或-3时止损

下面是一个简单的Python示例，展示如何计算Z-score并生成交易信号：

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import coint

# 假设我们有两只股票的价格数据
# price_a, price_b 是pandas Series

# 1. 计算协整系数
def calculate_beta(price_a, price_b):
    # 用OLS回归估计beta
    cov = np.cov(price_a, price_b)
    beta = cov[0,1] / cov[1,1]
    return beta

# 2. 计算价差和Z-score
def calculate_spread_zscore(price_a, price_b, beta, window=20):
    spread = price_a - beta * price_b
    zscore = (spread - spread.rolling(window).mean()) / spread.rolling(window).std()
    return spread, zscore

# 3. 生成交易信号
def generate_signals(zscore, entry_threshold=2.0, exit_threshold=0.5):
    signals = pd.Series(index=zscore.index, data=0)
    
    # 开仓信号
    signals[zscore > entry_threshold] = -1  # 做空价差
    signals[zscore < -entry_threshold] = 1   # 做多价差
    
    # 平仓信号
    signals[abs(zscore) < exit_threshold] = 0
    
    return signals

嗯，这里有个细节——窗口大小的选择很关键。窗口太小，Z-score波动太频繁，容易产生虚假信号。窗口太大，反应太慢，可能错过最佳开仓点。我一般用20-60个交易日，具体看品种的波动特性。

最后说一句——均值回归策略在震荡市中表现最好。如果市场出现单边趋势，或者配对的基本面发生重大变化，策略就会失效。所以，永远要设止损，别死扛。