第一章：策略核心原理

做量化交易这些年，我见过太多人一上来就撸代码、跑回测，结果亏得底裤都不剩。为什么？说白了，策略的原理没吃透。今天咱们就从最经典的配对交易开始，把地基打牢。

1.1 配对交易的基本逻辑

配对交易，英文叫Pairs Trading。它的核心思想很简单：找到两只走势高度相关的股票，当它们的价格出现偏离时，做多弱的、做空强的，赌它们会回归。

我刚开始接触这个策略时，觉得这不就是「高抛低吸」吗？后来发现，没那么简单。你想想看，如果两只股票的相关性只是巧合，那你就等着被市场教育吧。

配对交易的底层逻辑，建立在三个假设上：

• 长期均衡关系：两只股票的价格存在某种稳定的数学关系
• 短期偏离可逆：一旦偏离，市场力量会把它拉回来
• 对冲风险：多空组合能抵消大盘波动的影响

嗯，这里要注意。不是随便找两只同行业的股票就能做配对。我踩过这个坑——曾经把茅台和五粮液做配对，结果发现它们的价差序列根本不平稳。后来才明白，协整检验才是王道。

1.2 价差序列的构建

价差序列，就是配对交易的核心数据。怎么构建？通常有两种方法：

方法	公式	适用场景
简单价差	spread = P_A - β × P_B	两只股票价格量级相近
标准化价差	spread = (P_A / P_B) - 1	价格差异较大时

我个人习惯用简单价差，但前提是β要算准。β怎么算？用OLS回归。代码长这样：

import numpy as np
import statsmodels.api as sm

# 假设 price_a 和 price_b 是两列价格序列
X = sm.add_constant(price_b)
model = sm.OLS(price_a, X).fit()
beta = model.params[1]  # 这就是我们要的β

# 构建价差
spread = price_a - beta * price_b

我在项目中遇到过一个问题：β不是一成不变的。市场环境变了，β也会漂移。所以，我建议用滚动窗口来动态计算β，窗口大小一般选60到120个交易日。

1.3 均值回归假设

价差序列构建好了，接下来要验证它是不是均值回归的。说白了，就是看这个序列会不会「弹回来」。

怎么验证？最常用的方法是ADF检验。如果检验结果显著，说明序列是平稳的，均值回归假设成立。

from statsmodels.tsa.stattools import adfuller

result = adfuller(spread)
p_value = result[1]

if p_value < 0.05:
    print("序列平稳，均值回归假设成立")
else:
    print("序列不平稳，别做配对交易")

我曾经犯过一个错误：只看ADF检验的p值，忽略了序列的波动性。结果呢？价差确实回归了，但波动太大，止损被打穿了。所以，我建议你同时看序列的标准差，确保波动在可接受范围内。

1.4 Z-Score与交易信号生成

有了价差序列，怎么判断什么时候该进场？Z-Score就是我们的信号灯。

Z-Score的计算公式：

z_score = (当前价差 - 价差均值) / 价差标准差

当Z-Score的绝对值大于某个阈值时，我们就认为价差偏离到了极端位置，可以开仓了。

阈值怎么设？我一般用±2。为什么？因为正态分布下，Z-Score超过±2的概率只有5%左右。这意味着，我们只在「小概率事件」发生时出手。

交易信号的逻辑：

• Z-Score > 2：价差过高，做空价差（卖A买B）
• Z-Score < -2：价差过低，做多价差（买A卖B）
• Z-Score 回归到 0 附近：平仓离场

你想想看，这个逻辑是不是很直观？但实际跑起来，问题就来了。阈值设得太小，交易太频繁，手续费吃掉利润；设得太大，一年开不了几次仓，资金利用率低。

最后，咱们用一张图来总结配对交易的核心流程：

这张图把整个流程串起来了。从选标的到生成信号，每一步都环环相扣。你想想看，如果中间任何一环出了问题，整个策略就废了。

好了，这一章的内容就到这儿。记住一句话：策略原理是根，代码是叶。根扎得深，叶子才能茂盛。