2、配对交易基础：核心思想、统计套利与市场中性策略
好，咱们正式开始聊配对交易。说实话，我最早接触这个策略的时候，觉得它挺玄乎的——两个股票还能搞出“配对”来？后来自己动手跑了几次回测，才明白这玩意儿背后的逻辑其实很朴素。
2.1 配对交易的核心思想
配对交易的核心，说白了就是一句话：找两个走势高度相关的资产，做多一个、做空另一个。
你想想看，如果两个股票历史上一直“形影不离”，比如茅台和五粮液，突然有一天茅台涨了5%，五粮液只涨了1%，这正常吗？大概率不正常。这时候你就可以做多五粮液、做空茅台，赌它们的价差会回归到历史均值附近。
核心逻辑：
- 找到一对协整的资产（后面会细讲协整检验）
- 监控它们的价差（Spread）
- 价差偏离均值时开仓，回归时平仓
我个人习惯把配对交易比作“橡皮筋效应”。两个资产之间像绑了一根橡皮筋，拉得太开就会弹回去。嗯，这个比喻虽然糙了点，但道理是通的。
2.2 统计套利简介
统计套利，英文叫 Statistical Arbitrage，简称 Stat Arb。它跟传统的无风险套利不一样。无风险套利是“板上钉钉”的赚钱机会，比如同一只股票在两个交易所的价格差。但统计套利是“大概率赚钱”，不是100%确定。
为什么会这样？因为统计套利依赖的是历史统计规律。比如我们通过历史数据发现，A和B的价差在95%的时间里都落在±2个标准差以内。那么当价差跑到3个标准差时，我们就赌它会回来。但万一它不回来呢？嗯，这就是风险所在。
避坑指南：我曾经在2015年股灾期间跑过一个配对策略，价差突破了历史极值后继续扩大，最后止损出局。后来我学乖了——统计套利不是万能药，一定要设止损。
统计套利有几个关键步骤：
- 筛选候选对：用协整检验、相关系数等方法找潜在配对
- 估计价差：通常用线性回归计算对冲比率（Hedge Ratio）
- 设定阈值：确定开仓和平仓的价差水平
- 执行交易：价差触及阈值时开仓，回归时平仓
2.3 市场中性策略
配对交易本质上是一种市场中性策略。什么叫市场中性？就是你的组合整体对市场涨跌不敏感。你做多一只股票，同时做空另一只，大盘涨了你的多头赚钱、空头亏钱，大盘跌了反过来。只要配对选得好，整体收益跟大盘走势关系不大。
我记得有一次跟朋友聊策略，他说：“那岂不是大盘跌的时候也能赚钱？”我说：“理论上是的，但前提是你的配对真的协整。”说白了，市场中性策略的核心是剥离系统性风险，只赚取相对价值回归的钱。
| 策略类型 | 风险来源 | 收益来源 |
|---|---|---|
| 传统做多 | 市场系统性风险 | 市场上涨 |
| 配对交易 | 配对失效风险 | 价差回归 |
| 市场中性 | 模型风险、流动性风险 | 统计套利机会 |
这里有个关键点：市场中性不是说你的组合永远不亏钱，而是说你的收益跟市场涨跌的相关性接近于零。我见过很多新手以为市场中性就是“稳赚不赔”，结果遇到配对失效时亏得比大盘还惨。
2.4 知识体系框架
下面这张图是我自己画的，把配对交易的核心逻辑串起来了。你看一眼就能明白整个流程：
2.5 一个简单的代码示例
光说不练假把式。下面我用 Python 演示一下配对交易中最基础的一步——计算价差。这段代码我实际跑过，你直接复制就能用。
import numpy as np
import pandas as pd
import statsmodels.api as sm
# 模拟两个协整序列
np.random.seed(42)
t = np.arange(100)
y1 = 0.5 * t + np.random.normal(0, 1, 100)
y2 = 0.5 * t + np.random.normal(0, 1, 100)
# 计算对冲比率（线性回归）
X = sm.add_constant(y1)
model = sm.OLS(y2, X).fit()
hedge_ratio = model.params[1]
# 计算价差
spread = y2 - hedge_ratio * y1
print(f"对冲比率: {hedge_ratio:.4f}")
print(f"价差均值: {np.mean(spread):.4f}")
print(f"价差标准差: {np.std(spread):.4f}")注意：实际应用中，对冲比率不是一成不变的。我建议每隔一段时间重新估计一次，比如每周或每月。否则价差结构变了，你的策略可能就失效了。
2.6 小结
配对交易的核心就三件事：找配对、算价差、赌回归。统计套利给了我们一个概率上的优势，市场中性则让我们不用操心大盘涨跌。但别忘了——模型会失效，价差可能不回归。所以，止损和动态调整是必须的。
我个人觉得，配对交易是量化入门最好的策略之一。它逻辑清晰，代码实现也不复杂，而且能让你真正理解“统计套利”这四个字的分量。嗯，下一章我们会深入聊协整检验的具体方法，到时候你会看到更多数学细节。