一、配对交易基础：什么是配对交易、统计套利的数学原理、市场中性策略的核心思想
各位同学好，我是老张。今天咱们来聊聊配对交易最核心的三个概念。说实话，我刚开始接触量化交易时，也被这些术语搞得晕头转向。但做了几年实盘后，发现这些东西其实没那么玄乎。
咱们一个一个来拆解。
1.1 什么是配对交易
配对交易，说白了就是找两只走势相似的股票。一只涨了，另一只大概率也会涨。一只跌了，另一只也跟着跌。它们之间有个稳定的价差关系。
我举个例子你就明白了。
比如茅台和五粮液。都是白酒龙头，基本面相似，机构持仓也差不多。正常情况下，它们的价格走势高度同步。但偶尔会出现偏差——茅台涨了5%，五粮液只涨了2%。这时候，价差就拉大了。
配对交易的逻辑就是：做多那个涨得少的（五粮液），做空那个涨得多的（茅台）。等它们价差回归正常，两边平仓，赚取差价。
嗯，这里要注意：这不是套利，而是统计套利。因为价差回归不是100%确定的，只是大概率事件。
核心要点：
- 配对交易是市场中性策略的一种
- 依赖两只资产的历史相关性
- 赚的是价差回归的钱，不是方向性收益
1.2 统计套利的数学原理
统计套利的数学基础，其实就三个字：均值回归。
为什么会这样？因为金融时间序列里，很多配对组合的价差会围绕一个均值上下波动。当价差偏离均值太远时，就有回归的动力。
咱们用数学语言描述一下。
假设两只股票的价格分别为 P1 和 P2。它们的价差可以写成：
Spread = P1 - β * P2这里的 β 是 hedge ratio（对冲比率）。怎么算？最常用的方法就是 OLS 回归。
我习惯用 Python 的 statsmodels 库来做。代码很简单：
import statsmodels.api as sm
# 假设 df 包含两列：'stock1' 和 'stock2'
X = sm.add_constant(df['stock2'])
model = sm.OLS(df['stock1'], X).fit()
beta = model.params['stock2']得到 β 之后，我们就能计算价差序列。然后对这个序列做 ADF 检验，看看它是不是平稳的。
我在项目中遇到过很多次，明明两只股票看起来走势很像，但价差就是不平稳。这种情况千万别硬做，否则会亏得很惨。
避坑指南：
我曾经用两只同行业的股票做配对，相关系数高达0.95。结果实盘跑了三个月，价差越走越远，最后亏了8%。后来复盘发现，这两只股票的基本面已经发生了变化——一家公司换了管理层，战略方向完全不同了。
所以，统计套利的前提是：基本面逻辑要说得通。光看数据不行。
1.3 市场中性策略的核心思想
市场中性，说白了就是：不管大盘涨跌，我都能赚钱。
怎么做到？通过同时持有多头和空头头寸。多头赚了，空头可能亏；空头赚了，多头可能亏。但整体上，只要价差回归，就能盈利。
你想想看，这跟传统的做多策略有什么区别？
传统做多：大盘涨我就赚，大盘跌我就亏。这叫方向性策略。
配对交易：大盘涨，我可能多空都赚（如果价差扩大）；大盘跌，我可能多空都亏（如果价差缩小）。但最终，我赚的是价差回归的钱，跟大盘方向无关。
这就是市场中性的核心思想——剥离市场风险，只赚取价差收益。
我个人的经验是，市场中性策略在震荡市中表现最好。单边牛市里，纯做多策略收益更高；单边熊市里，纯做空策略收益更高。但市场中性策略的优势在于：回撤小，夏普比率高。
重要提醒：
市场中性不等于无风险。它只是消除了市场方向性风险，但还有：
- 配对失效风险（价差不回归）
- 流动性风险（无法及时平仓）
- 交易成本风险（频繁交易吃掉利润）
这些风险，咱们后面章节会详细讲。
1.4 知识体系框架
为了让你更直观地理解这三者的关系，我画了一张图：
这张图把三个概念串起来了。你仔细看看，它们不是孤立的，而是一个完整的逻辑链条。
1.5 实战中的注意事项
最后，我分享几个实战中的小经验：
- 选对配对标的：同行业、同板块、同风格的股票优先。别把茅台和特斯拉配在一起，那叫瞎搞。
- 控制交易频率：不是每次价差偏离都要交易。我一般设定2倍标准差作为开仓阈值。
- 注意交易成本：做空有融券成本，频繁交易会吃掉利润。我习惯用ETF代替个股做空，成本更低。
- 动态调整对冲比率：β不是一成不变的。我每周重新计算一次，确保对冲效果。
一个小技巧：
刚开始做配对交易时，建议先用模拟盘跑三个月。我当年就是太心急，直接上实盘，结果第一个月就亏了5%。后来老老实实跑模拟盘，才慢慢摸清门道。
记住：慢就是快。
好了，这一章的内容就到这里。配对交易的基础概念，你心里应该有数了。下一章咱们会讲如何用Python实现配对交易的完整流程，包括数据获取、价差计算、开平仓信号生成等。