一、统计套利概述

什么是统计套利？

统计套利，说白了就是利用数学模型找「亲戚」。

我刚开始接触这个领域时，觉得它特别像侦探破案——你要找到那些价格走势高度相关的资产对，然后盯着它们。一旦发现它们「闹别扭」了，比如本该同涨同跌的，突然一个往东一个往西，那就是机会来了。

举个例子：

• 贵州茅台和五粮液，长期看走势几乎一致
• 某天茅台涨了3%，五粮液却跌了1%
• 这时候你买入五粮液，卖出茅台
• 等它们价差回归正常，平仓获利

这就是统计套利最朴素的形式。它不关心价格涨跌的方向，只关心「价差」是否合理。

统计套利 vs 无风险套利

很多人容易把这两个概念搞混。我当年也踩过这个坑。

对比维度	统计套利	无风险套利
风险程度	有风险，概率性盈利	理论上零风险
机会频率	较高，每天几十次	极低，偶尔出现
持仓时间	几小时到几天	几秒到几分钟
资金容量	大，几千万没问题	小，抢不过机构
依赖条件	统计规律、协整关系	市场定价错误

无风险套利，比如同一只股票在不同交易所的价差。你这边买那边卖，稳赚。但问题是——这种机会几乎轮不到散户。我见过一些高频团队，他们的延迟是微秒级的，普通人根本抢不到。

统计套利就不一样了。它承认风险的存在，但用概率和数学来管理风险。说白了，你是在做「大概率赚钱」的生意，而不是「肯定赚钱」的生意。

数学基础：协整与均值回归

这两个概念是统计套利的基石。我建议你花点时间搞懂它们。

协整

协整，简单理解就是「两个变量虽然各自随机游走，但它们的线性组合是平稳的」。

嗯，这句话有点绕。我换个说法：

• 你和你朋友在公园里散步，你俩的路线都是随机的
• 但你们之间始终牵着一条绳子
• 绳子长度就是「价差」，它会在某个范围内波动
• 一旦绳子拉得太长或太短，你们就会互相靠近

这就是协整关系。两个价格序列本身不平稳，但它们的差值（或比值）是平稳的。

怎么检验协整？最常用的是Engle-Granger两步法：

import statsmodels.api as sm
import numpy as np

# 假设 price_a 和 price_b 是两个价格序列
def check_cointegration(price_a, price_b):
    # 第一步：回归
    X = sm.add_constant(price_a)
    model = sm.OLS(price_b, X).fit()
    residuals = model.resid
    
    # 第二步：检验残差是否平稳
    adf_result = sm.tsa.stattools.adfuller(residuals)
    p_value = adf_result[1]
    
    # p值小于0.05，说明残差平稳，即存在协整关系
    return p_value < 0.05, p_value

均值回归

均值回归，就是「涨多了会跌，跌多了会涨」。听起来像废话？但数学上它是有严格定义的。

一个均值回归过程，可以用Ornstein-Uhlenbeck过程来描述：

# 模拟均值回归过程
import numpy as np

def simulate_ou_process(theta, mu, sigma, n_steps):
    """
    theta: 回归速度（越大回归越快）
    mu: 长期均值
    sigma: 波动率
    """
    x = np.zeros(n_steps)
    x[0] = mu + 2 * sigma  # 初始偏离均值
    
    for t in range(1, n_steps):
        dx = theta * (mu - x[t-1]) + sigma * np.random.randn()
        x[t] = x[t-1] + dx
    
    return x

theta 这个参数很关键。它决定了价差偏离后多久能回来。theta 越大，回归越快，交易机会越多。但也要小心——theta 太大可能意味着市场效率高，价差很难出现大的偏离。

适用市场与品种

不是所有市场都适合做统计套利。我总结了几条经验：

• 流动性要好——你想想看，如果买卖价差比你的利润还大，那还玩什么？
• 相关性要稳定——同行业、同板块的股票最合适。比如银行股、能源股
• 交易成本要低——统计套利是薄利多销，手续费高了就白干
• 做空机制要完善——不能做空的话，很多策略就废了

具体来说：

市场	适合程度	说明
A股	中等	融券成本高，但ETF套利可以做
美股	高	做空方便，流动性好，品种多
期货	高	跨期套利、跨品种套利都很成熟
加密货币	中等	波动大，但流动性分散，滑点严重
外汇	低	相关性太强，价差机会少

本章知识体系

下面这张图，是我梳理的统计套利核心知识框架。你可以把它当作一张地图：

这张图把统计套利的四个核心维度串起来了。你从「定义」出发，理解它是什么；然后对比「无风险套利」，知道它的定位；接着掌握「数学基础」，这是工具；最后看「适用市场」，这是实战环境。

嗯，第一章的内容就到这里。记住一句话：统计套利不是圣杯，它只是一个工具。用得好，它能稳定盈利；用得不好，它也能让你亏得莫名其妙。关键还是你对市场的理解和对风险的敬畏。

---

公众号:蓝海资料掘金营，微信deep3321