2. 策略理论基础：统计套利原理、均值回归理论、协整与相关性概念入门

好，咱们正式开始聊策略的理论基础。说实话，很多人一听到「理论」两个字就想打瞌睡。我当年也是。但后来踩过几次坑才发现，不懂理论就上手做配对交易，基本等于闭着眼睛开车。

这一章，我会把三个核心概念掰开揉碎讲清楚：统计套利、均值回归、还有协整与相关性。你不需要有金融背景，只要懂一点概率统计就行。

2.1 统计套利：不是预测涨跌，是找「价差」的便宜

先问一个问题：你觉得做交易最难的是什么？

我个人觉得，最难的是「预测方向」。明天大盘是涨是跌？茅台是涨是跌？没人能百分百说准。但统计套利换了个思路——我不猜方向，我只赌「价差会回来」。

举个例子。假设有两家公司，A和B，业务高度相似。正常情况下，A比B贵5块钱。但今天因为某个消息，A突然比B贵了20块。这时候，我卖空A、买入B，赌的就是这个价差会缩回到5块附近。

这就是统计套利的本质：利用历史统计规律，捕捉价差的短期偏离。

我在项目中遇到过最典型的案例是银行股配对。招商银行和兴业银行，长期价差稳定在某个区间。但2020年有一次，价差突然拉大到历史极值。我当时按统计套利逻辑进场，结果价差继续扩大，差点爆仓。嗯，后来我加了止损，才活下来。

2.2 均值回归：万物皆可「回归」吗？

均值回归，说白了就是一句话：涨多了会跌，跌多了会涨。

听起来像废话？但它在金融市场里确实存在。比如一只股票，长期市盈率在15倍左右。如果某天跌到10倍，大概率会慢慢涨回去；如果涨到25倍，大概率会跌回来。

为什么会这样？因为市场情绪会过度反应。恐慌时卖过头，贪婪时买过头。但长期来看，基本面会拉回价格。

不过，这里有个大坑——均值回归不是必然发生的。

所以，做配对交易时，我习惯先检查两个股票的基本面是否还相似。如果一家公司转型了，或者被收购了，原来的均值就不适用了。

2.3 协整与相关性：别把「相关」当「因果」

这是新手最容易搞混的地方。我刚开始做配对交易时，也犯过这个错。

相关性衡量的是两个变量是否「一起动」。比如，茅台涨的时候，五粮液也涨，它们相关性很高。但相关性高不代表它们会「回归」。

协整则不同。它衡量的是两个变量之间是否存在长期稳定的线性关系。即使短期偏离，长期也会拉回来。

举个例子：

• 相关性高但不协整：一个醉汉牵着一条狗。醉汉往东走，狗也往东走，但狗可能越跑越远，永远不会回到醉汉身边。
• 协整：醉汉和狗之间有一根弹性绳。狗跑远了，会被绳子拉回来。

做配对交易，我们找的是「有弹性绳」的股票对，而不是「一起散步」的股票对。

2.4 如何检验协整？用代码说话

理论说完了，咱们上点干货。我一般用Python的statsmodels库做协整检验。最常用的是Engle-Granger两步法。

第一步：用OLS回归估计两个股票的价格关系。

第二步：检验残差是否平稳（用ADF检验）。

代码长这样：

import statsmodels.api as sm
import pandas as pd

# 假设df_pairs有两列：stock_a和stock_b
# 第一步：OLS回归
X = sm.add_constant(df_pairs['stock_a'])
model = sm.OLS(df_pairs['stock_b'], X).fit()
residuals = model.resid

# 第二步：ADF检验残差平稳性
from statsmodels.tsa.stattools import adfuller
adf_result = adfuller(residuals)

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

if adf_result[1] < 0.05:
    print('残差平稳，存在协整关系')
else:
    print('残差不平稳，不存在协整关系')

注意：p值小于0.05，说明残差平稳，两个股票存在协整关系。这时候才能做配对交易。

2.5 一张图看懂本章知识体系

下面这张SVG图，把统计套利、均值回归、协整与相关性的关系画清楚了。你一看就明白。

2.6 避坑总结：三个常见错误

最后，我把自己踩过的坑总结一下，你直接拿去用：

错误类型	具体表现	我的建议
把相关当协整	只看相关系数高就做配对	必须做ADF检验，p值小于0.05才用
忽略基本面变化	公司重组后还按旧均值交易	每季度检查一次基本面，变了就换对
不止损硬扛	价差越拉越大，还幻想回归	设2倍标准差止损，到了就砍

嗯，这一章的内容就到这。理论是枯燥的，但它是你后续实战的根基。下一章我们会聊如何用数据筛选股票对，到时候你会感谢今天啃下来的这些概念。

---