一、课程导论与策略原理

什么是价差回归策略

价差回归策略，说白了就是赌两个东西的价格差会回到正常水平。

我刚开始接触这个策略时，觉得它挺反直觉的。做多一个、做空另一个，两边都开仓，这不是自己跟自己打架吗？后来在实盘里跑了一轮才明白——这恰恰是它的精髓所在。

举个例子。假设有两支股票，A和B，历史上它们的价差一直在±2%之间波动。某天价差突然拉大到5%。这时候你会怎么想？我个人习惯是：先别急着追涨杀跌，而是考虑价差会不会回归。

价差回归策略的核心假设就是：价差不会永远偏离均值。它像一根被拉长的橡皮筋，迟早会弹回来。

统计套利基础

统计套利，英文叫Statistical Arbitrage，简称Stat Arb。它跟传统套利最大的区别在哪？

传统套利是确定性的。比如同一只股票在两个交易所价格不同，你低价买、高价卖，这差价是稳赚的。但统计套利不一样——它赚的是概率钱。

我记得有一次做回测，发现一组配对在90%的时间里价差都在±1.5倍标准差以内。这意味着什么？意味着只要价差超出这个范围，回归的概率就很高。当然，那剩下的10%可能会让你亏得很惨。嗯，这里要注意：统计套利不是无风险套利。

统计套利的基础步骤，我一般这么拆：

1. 找配对：找到两个相关性高的标的
2. 算价差：计算它们的价格差或比率
3. 定阈值：确定什么时候开仓、什么时候平仓
4. 做回归：等待价差回归均值

你想想看，这其实就是在做一件事：用历史规律去预测未来。历史会重演吗？不一定。但至少在金融市场里，很多价差关系确实有回归的特性。

配对交易的核心逻辑

配对交易是价差回归策略最经典的实现方式。它的逻辑其实很简单：

找到两只走势相似的股票，当它们的价差偏离正常范围时，做多被低估的那只，做空被高估的那只。等价差回归后，两边同时平仓，赚取价差收敛的利润。

我曾经犯过一个低级错误：选了两只看起来走势很像的股票，结果发现它们的基本面完全不同。一个是科技股，一个是消费股。价差拉大后，科技股继续涨，消费股继续跌，价差越拉越大，最后止损出局。那次教训让我明白：相关性不等于因果关系。

配对交易的核心逻辑，我用一张图来展示：

这张图把配对交易的完整流程串起来了。从选配对到平仓，每一步都有讲究。

价差回归策略的数学基础

说到数学，很多人可能会头疼。但价差回归策略用到的数学其实不复杂。

核心就两个概念：均值和标准差。

均值就是价差的平均水平。标准差衡量价差波动的幅度。当价差偏离均值超过一定倍数的标准差时，我们就认为它「异常」了。

举个例子：

# 假设价差数据
spread = [0.5, 0.3, -0.2, 0.1, 0.4, -0.3, 0.2, -0.1, 0.6, -0.4]

# 计算均值和标准差
mean = sum(spread) / len(spread)  # 0.11
std = (sum((x - mean)**2 for x in spread) / len(spread))**0.5  # 约0.33

# 设定阈值（2倍标准差）
upper = mean + 2 * std  # 0.77
lower = mean - 2 * std  # -0.55

# 判断当前价差是否异常
current_spread = 0.8
if current_spread > upper:
    print("价差偏高，做空价差")
elif current_spread < lower:
    print("价差偏低，做多价差")
else:
    print("价差正常，观望")

这段代码虽然简单，但已经包含了价差回归策略的核心逻辑。我在实际项目中，会把阈值设成动态的，根据市场波动率调整。市场波动大的时候，阈值放宽一点；波动小的时候，阈值收紧一点。

策略的适用场景与局限

价差回归策略不是万能的。它有自己的舒适区。

适用场景：

• 高流动性市场（股票、期货、ETF）
• 同行业、同板块的标的
• 波动率适中的市场环境

局限：

• 价差可能长期不回归（这叫「统计套利的噩梦」）
• 交易成本高时，利润会被侵蚀
• 市场结构变化时，历史规律可能失效

我记得有一次做原油ETF的配对交易，价差偏离了4倍标准差还没回归。后来一查，原来是两个ETF跟踪的原油期货合约月份不同，一个近月一个远月，价差结构已经变了。那次亏了不少，但也让我学会了：做配对交易前，一定要搞清楚两个标的之间的真实关系。

好了，这一章的内容就到这里。价差回归策略的核心逻辑其实不复杂，难的是执行细节。后面的章节，我们会一步步把这些细节拆开来看。

---