一、价差交易基础：什么是价差交易、统计套利的核心思想、价差回归的数学原理

1.1 价差交易：不只是「买低卖高」那么简单

先说说价差交易是什么。说白了，就是同时做多一个品种、做空另一个品种，赚它们之间价差波动的钱。

举个例子。我早年做螺纹钢和热卷的配对交易。螺纹钢和热卷都是钢材，但用途不同。正常情况下，热卷比螺纹钢贵个200-300块。有一回，热卷突然跌得比螺纹钢还便宜了。这时候我就买热卷、卖螺纹钢，等它们价差恢复正常。这就是最朴素的价差交易。

价差交易的核心，不是预测价格涨跌，而是预测「相对关系」的变化。你不需要知道大盘明天是涨是跌，你只需要知道A和B之间的价差会不会回归。

1.2 统计套利：用数学找「定价错误」

统计套利，听起来高大上，其实核心就一句话：找到历史上稳定的价差关系，当价差偏离时，赌它会回来。

我刚开始做统计套利时，犯过一个低级错误。我拿了两只银行股，发现它们价差很稳定，就开干了。结果价差越拉越大，亏得我头皮发麻。后来才发现，这两只银行的基本面已经变了——一个在转型零售，一个还在吃对公。历史关系已经失效了。

统计套利有几个前提条件，你得心里有数：

• 协整性：两个品种的价差必须是平稳的，不能越走越远
• 均值回归：价差偏离后，有回归均值的倾向
• 交易成本：你得算清楚，价差波动能不能覆盖手续费和滑点

1.3 价差回归的数学原理：别怕，就几个公式

数学原理其实不复杂。我们一步步来。

第一步：定义价差

假设有两个品种A和B，价格分别是P_A和P_B。最简单的价差就是：

Spread = P_A - P_B

但现实中，两个品种的波动幅度往往不一样。所以更常用的是「对冲后的价差」：

Spread = P_A - β × P_B

这个β，就是对冲比率。怎么算？用线性回归，把P_A对P_B做回归，斜率就是β。

第二步：检验平稳性

价差序列必须是平稳的，才能做均值回归。平稳性检验用ADF检验。我一般这么写：

from statsmodels.tsa.stattools import adfuller

# 假设 spread 是价差序列
result = adfuller(spread)
if result[1] < 0.05:
    print("价差平稳，可以做统计套利")
else:
    print("价差不平稳，换个配对试试")

第三步：计算回归阈值

价差平稳了，接下来就是找「什么时候进场」。我习惯用均值±N倍标准差作为阈值：

mean = np.mean(spread)
std = np.std(spread)

upper = mean + 2 * std   # 上轨
lower = mean - 2 * std   # 下轨

当价差突破上轨，我就做空价差（卖A买B）。跌破下轨，就做多价差（买A卖B）。

1.4 一张图看懂价差回归交易

下面这张图，是我自己画的核心逻辑框架。你看一遍就能明白整个流程：

1.5 几个必须知道的坑

做价差交易这些年，我踩过的坑不少。挑几个典型的说说：

• 历史关系会变：我曾经用2018年的数据回测，效果完美。结果2019年一实盘，亏成狗。为什么？因为市场结构变了。记得定期重新计算β和阈值。
• 别忽略交易成本：价差交易是高频还是低频？如果是高频，手续费和滑点能吃掉你大部分利润。我一般要求预期收益至少是成本的3倍才出手。
• 小心「假回归」：价差偏离后，不一定马上回归。它可能继续偏离，甚至永远不回来。所以止损一定要设。我习惯用「阈值+时间止损」——价差偏离超过阈值后，如果N个周期还没回归，就认赔出场。

1.6 总结一下

价差交易的核心，就是找到两个「会一起走」的品种，在它们走散时下注，等它们重新走在一起。统计套利用数学帮你找到这种「会一起走」的关系，而价差回归的数学原理——协整检验、均值回归、阈值设定——就是你的工具箱。

嗯，这一章就到这里。记住：别贪心，别扛单，别迷信历史。市场永远在变，你的策略也得跟着变。

---