3、价差回归概述：什么是价差回归、统计套利基础、协整与回归的关系、课程目标与学习路径
3.1 什么是价差回归？
先问个问题：两个资产的价格，会不会像「橡皮筋」一样？
拉远了，总会弹回来。这就是价差回归的核心思想。
说白了，价差回归就是利用两个或多个相关资产的价格差，在偏离均值时入场，在回归时获利。我做了这么多年量化，发现很多新手一上来就盯着单边趋势，结果被市场反复打脸。其实，价差回归策略的胜率往往更高，因为它赌的是「均值回归」这个统计规律。
举个例子：
- 假设股票A和股票B同属一个行业，历史价差均值是10元
- 某天价差扩大到15元，你卖出A、买入B
- 等价差回到10元附近，平仓获利
听起来简单？嗯，但坑也不少。后面我会一一拆解。
3.2 统计套利基础
统计套利，本质上就是「用统计学找规律，用概率赚钱」。
它和传统套利不一样。传统套利是无风险的，比如同一只股票在不同交易所的价差。但统计套利是有风险的——你赌的是价差会回归，但万一不回归呢？
我在项目中遇到过最典型的案例：2015年股灾期间，很多原本高度相关的股票突然「脱钩」，价差一去不返。那段时间，做统计套利的朋友们亏得很惨。
所以，统计套利的核心前提是：
- 相关性：资产之间要有稳定的统计关系
- 平稳性：价差序列要围绕均值波动
- 可交易性：流动性足够，交易成本可控
重要提醒：统计套利不是无风险套利。它赚的是「大概率」的钱，但小概率事件一旦发生，亏损可能很大。仓位管理比策略本身更重要。
3.3 协整与回归的关系
很多新手会把「协整」和「相关性」搞混。我刚开始做量化时也犯过这个错。
相关性高，不代表协整。比如两个股票都跟着大盘涨跌，相关性很高，但它们的价差可能越走越远，根本不回归。
协整是什么？
协整描述的是两个或多个非平稳时间序列的线性组合是平稳的。翻译成人话：
- 单个资产价格是「醉汉走路」，没有固定均值
- 但它们的组合（价差）却像「拴在一起的醉汉」，走不远就会回来
回归呢？回归是找到这个线性组合的系数。比如：
# 价差 = 资产A - β * 资产B
# 通过回归找到β，使得价差序列最平稳所以，协整是「目标」，回归是「工具」。没有回归，你找不到最优的配对比例；没有协整，你做的回归可能是「伪回归」。
我的经验：做配对交易时，我习惯先用ADF检验验证协整关系，再用OLS回归求系数。顺序不能反。先回归再检验，容易掉进「数据挖掘」的陷阱。
3.4 课程目标与学习路径
这门课的目标很明确：让你从零到一，掌握价差回归策略的完整实现。
具体来说，学完这门课，你应该能：
- 理解核心概念：协整、平稳性、均值回归、半衰期
- 独立实现策略：从数据获取、配对筛选、回测到实盘
- 避开常见坑：伪回归、过拟合、交易成本陷阱
学习路径我建议这样走：
| 阶段 | 内容 | 预计时间 |
|---|---|---|
| 基础篇 | 统计基础、协整检验、回归方法 | 2周 |
| 核心篇 | 配对筛选、价差计算、交易信号 | 3周 |
| 实战篇 | 回测框架、参数优化、风险管理 | 3周 |
| 进阶篇 | 多资产配对、机器学习辅助、实盘部署 | 2周 |
我个人建议，不要跳过基础篇直接看实战。我曾经带过一个实习生，上来就写回测代码，结果连ADF检验的p值都解释不清楚。嗯，后来他老老实实回去补基础了。
避坑指南：我曾经花了一个月优化一个价差策略，回测曲线漂亮得不行。结果实盘第一天就亏了5%。后来发现，我用的历史数据有「前视偏差」——回测时用了未来信息。所以，数据清洗和回测设计一定要严谨。
3.5 本章知识体系
下面这张图，帮你理清本章的核心逻辑：
这张图展示了本章的三个核心模块：价差回归、统计套利、协整与回归。它们层层递进，最终指向课程目标——从理论到实战。
好了，第一章就到这里。记住，做价差回归策略，耐心比聪明更重要。后面我们会一步步深入，把每个环节都讲透。
公众号:蓝海资料掘金营，微信deep3321