一、价差回归策略概述
大家好，我是你们的量化实战讲师。今天咱们聊聊价差回归策略——说白了，就是利用两个资产价格之间的「不正常偏离」来赚钱。
我刚开始做量化那会儿，总觉得这玩意儿有点玄乎。两个股票，明明八竿子打不着，怎么就能配对交易呢？后来踩过几次坑才明白，这里面的门道其实挺深的。
1.1 什么是价差回归
先看个最简单的例子。
假设有两瓶矿泉水，A牌卖2块，B牌卖1块5。正常情况下，价差是0.5元。突然有一天，A牌涨到3块，B牌还是1块5，价差变成1.5元。这时候你会怎么想？
正常人都会觉得：A牌太贵了，过两天肯定得跌回来。这就是价差回归的核心思想——偏离均值的东西，迟早要回来。
在金融市场里，价差就是两个资产价格之间的差值。比如贵州茅台和五粮液，或者沪深300ETF和上证50ETF。当价差偏离历史均值太远时，我们就做反向操作：价差大了就卖空贵的、买入便宜的；价差小了就反过来。
核心要点：价差回归策略不是预测价格涨跌，而是预测「相对关系」的回归。说白了，我们不关心茅台明天是涨是跌，只关心它和五粮液之间的价差会不会缩小。
1.2 统计套利基础
统计套利，英文叫Statistical Arbitrage，简称Stat Arb。听起来高大上，其实本质就是「用统计学方法找套利机会」。
传统的无风险套利，比如同一只股票在A股和港股之间价差过大，你同时买入便宜的、卖出贵的，锁死利润。这种机会很少，而且转瞬即逝。
统计套利不一样。它不追求100%确定，而是追求「大概率赚钱」。就像打牌，你不需要每把都赢，只要长期下来胜率超过50%就行。
我2018年做过一个统计套利策略，回测年化收益15%，最大回撤才3%。当时觉得稳了，直接上实盘。结果呢？前三个月赚了8%，第四个月遇到一次极端行情，一天亏掉5%。
嗯，这里要提醒大家：统计套利不是无风险套利。它假设价差会回归，但万一不回归呢？这就是我们后面要讲的风险控制。
1.3 协整关系简介
说到价差回归，就绕不开一个概念——协整。
协整是什么？我打个比方你就懂了。
想象你牵着一条狗散步。你往前走，狗也往前走。虽然狗会东跑西跑，但绳子牵着，它跑不远。你和狗之间就是协整关系——长期看，你们总在一起。
在金融里，协整就是两个时间序列虽然各自随机游走，但它们之间的线性组合是平稳的。用数学话说：
y_t - β * x_t = ε_t
其中ε_t是平稳序列。
为什么要用协整？因为相关性高不代表能配对交易。比如茅台和五粮液，相关性0.9以上，但它们的价差可能越走越远，根本不回归。只有协整的配对，价差才会像被弹簧拉着一样，偏离了就会弹回来。
我的经验：做配对交易前，一定要做协整检验。我见过太多人只看相关性就上策略，结果亏得底裤都不剩。常用的检验方法是Engle-Granger两步法，或者Johansen检验。后面实战部分会详细讲代码实现。
1.4 策略核心逻辑
好了，前面铺垫了这么多，现在说说策略到底怎么玩。
价差回归策略的核心逻辑就三步：
- 找配对：找到两个协整的资产。比如螺纹钢和热卷，或者豆粕和豆油。
- 算价差：计算价差序列，并标准化。通常用Z-score：
Z = (当前价差 - 均值) / 标准差 - 设阈值：当Z-score超过某个阈值（比如±2）时开仓，回归到0附近时平仓。
举个例子：
# 伪代码示意
if Z_score > 2:
# 价差过大，做空价差
卖出资产A，买入资产B
elif Z_score < -2:
# 价差过小，做多价差
买入资产A，卖出资产B
elif abs(Z_score) < 0.5:
# 价差回归，平仓
平掉所有头寸看着简单吧？但实际坑很多。比如阈值设多少？2还是2.5？持仓周期多长？要不要加止损？
我曾经犯过一个低级错误：把阈值设成1.5，结果频繁交易，手续费吃掉一半利润。后来改成2.2，虽然交易次数少了，但每笔赚得更多，整体收益反而更好。
避坑指南：阈值不是越大越好，也不是越小越好。太小了频繁交易，太大了容易错过机会。我建议先用历史数据回测，找到最优参数。另外，别忘了考虑交易成本——滑点和手续费能吃掉你20%的利润。
知识体系总览
下面这张图，是我自己画的价差回归策略知识框架。你可以把它当成整个课程的地图：
这张图把整个知识体系串起来了。你看，从价差概念到统计套利，再到协整检验，最后落到核心逻辑，每一步都环环相扣。后面几章我们会逐一深入每个环节，包括怎么用Python做协整检验、怎么优化阈值参数、怎么加止损等等。
好了，第一章就到这里。记住一句话：价差回归策略赚的是「均值回归」的钱，不是「趋势延续」的钱。想清楚这一点，后面的路就好走了。
公众号:蓝海资料掘金营，微信deep3321