2、配对交易理论基础：配对交易的核心思想、价差序列的构建、平稳性检验（ADF检验）

2.1 配对交易的核心思想

配对交易，说白了就是找两个“长得像”的股票，然后利用它们之间暂时的价格偏离来赚钱。

我刚开始接触这个策略时，觉得它挺反直觉的。做多一只股票，同时做空另一只？这不是对冲掉了嘛？嗯，没错，就是要对冲掉市场风险。你想想看，我们赚的不是大盘上涨的钱，而是两个股票之间“价差”回归的钱。

核心逻辑其实很简单：

• 找一对相关性高的股票——比如茅台和五粮液，或者中国平安和招商银行
• 它们的历史价差是稳定的——价差会在一个均值附近波动
• 当价差偏离均值时，我们赌它会回归——偏离大了就开仓，回归了就平仓

我在项目中遇到过一个问题：很多人以为只要两只股票走势像就能做配对。其实不然。走势像只是表象，真正关键的是价差序列要平稳。这个后面会细说。

2.2 价差序列的构建

好，现在我们来聊聊怎么构建价差序列。这是整个策略的基石。

假设我们选了股票A和股票B。价差不是简单地把价格相减就完事了。为什么？因为两只股票的价格尺度可能差很多。茅台2000块，五粮液200块，直接相减的话，茅台的价格波动会完全主导价差。

我个人习惯用两种方式构建价差：

1. 价格比率法：价差 = P_A / P_B
2. 回归残差法：先做线性回归 P_A = α + β * P_B + ε，然后取残差 ε 作为价差

在实际项目中，我更推荐回归残差法。因为它能剔除掉β系数的影响，得到更“干净”的价差信号。

举个例子：

import numpy as np
import statsmodels.api as sm

# 假设我们有两只股票的价格序列
prices_A = np.array([100, 102, 101, 105, 107])
prices_B = np.array([50, 51, 50.5, 52.5, 53.5])

# 添加常数项做回归
X = sm.add_constant(prices_B)
model = sm.OLS(prices_A, X).fit()
beta = model.params[1]
alpha = model.params[0]

# 构建价差序列
spread = prices_A - alpha - beta * prices_B
print("价差序列:", spread)

2.3 平稳性检验（ADF检验）

价差序列构建好了，接下来最关键的一步：检验它是不是平稳的。

什么叫平稳？简单说就是价差的均值、方差不会随时间变化。如果价差序列不平稳，那它可能越走越远，你的配对交易就会亏得很惨。

我曾经犯过一个错误：选了一对看起来走势很一致的股票，价差也构建好了，结果ADF检验没通过。我当时想“哎呀差一点，应该没事吧”，就直接上了实盘。结果呢？价差一路漂移，止损出局。嗯，从那以后我再也不敢跳过平稳性检验了。

ADF检验（Augmented Dickey-Fuller Test）是检验平稳性的标准方法。它的原假设是：序列存在单位根（即不平稳）。

判断标准很简单：

• p值 < 0.05：拒绝原假设，序列平稳 ✅
• p值 ≥ 0.05：不能拒绝原假设，序列不平稳 ❌

代码实现：

from statsmodels.tsa.stattools import adfuller

# 假设spread是我们构建的价差序列
result = adfuller(spread)

print(f"ADF统计量: {result[0]:.4f}")
print(f"p值: {result[1]:.4f}")

if result[1] < 0.05:
    print("✅ 价差序列平稳，可以做配对交易")
else:
    print("❌ 价差序列不平稳，需要重新选对")

2.4 知识体系总览

为了让你更直观地理解这一章的知识结构，我画了一张流程图：

2.5 实战中的几个坑

最后，分享几个我在实战中踩过的坑：

• 不要只看相关性——两只股票相关系数0.9以上，但价差可能完全不平稳。我见过太多人栽在这个坑里。
• 注意数据频率——日线数据做出来的价差，和分钟线做出来的可能完全不同。我个人习惯先用日线做筛选，再用小时线做交易。
• 价差回归不是必然的——即使ADF检验通过了，也只是统计意义上的“大概率回归”。黑天鹅事件来了，什么平稳性都不好使。

---

公众号:蓝海资料掘金营，微信deep3321