统计信号入门：均值回归与动量效应的数学本质

做量化交易这些年，我见过太多人一上来就搞深度学习、神经网络。说实话，有点可惜。因为真正赚钱的策略，往往藏在最基础的统计信号里。今天我们就聊聊两个最核心的概念——均值回归和动量效应。

你可能会问：这两个东西不是烂大街了吗？嗯，确实。但烂大街不代表你真正理解了。我见过不少交易员，把均值回归和动量搞混，结果亏得底裤都不剩。所以，咱们今天把它们的数学本质扒干净。

均值回归：价格会回到"家"吗？

均值回归，说白了就是价格涨多了会跌，跌多了会涨。为什么？因为市场有"价值引力"。我刚开始做期货时，总觉得这玩意儿太玄乎。直到有一次，我盯着螺纹钢的日线图看了三天三夜——嗯，确实有规律。

数学上，均值回归可以用 Ornstein-Uhlenbeck 过程来描述：

dX(t) = θ(μ - X(t))dt + σdW(t)

这里：

• θ 是回归速度。越大，回归越快
• μ 是长期均值。价格围绕它波动
• σ 是波动率。随机扰动的大小
• dW(t) 是布朗运动。随机性来源

你想想看，这个公式其实在说：价格偏离均值越远，被拉回来的力就越大。就像弹簧，拉得越长，弹回去的劲越猛。

动量效应：趋势是你的朋友？

动量效应正好相反。它认为：涨的还会涨，跌的还会跌。为什么？因为市场存在"羊群效应"和"信息扩散延迟"。

我记得有一次做股指期货的回测，发现一个有趣的现象：当某只股票连续三天涨幅超过5%后，接下来一周继续上涨的概率高达65%。这就是动量在起作用。

数学上，动量策略的核心是计算收益率序列的自相关：

ρ(k) = Cov(r_t, r_{t-k}) / Var(r_t)

当 ρ(k) > 0 时，说明过去收益和未来收益正相关——这就是动量信号。当 ρ(k) < 0 时，就是均值回归信号。

两种信号的数学对比

咱们用一张表来对比一下：

特征	均值回归	动量效应
自相关方向	负相关	正相关
交易逻辑	低买高卖	追涨杀跌
适用周期	短周期（分钟级）	中长周期（日线以上）
风险来源	趋势延续	趋势反转
数学模型	OU过程	AR(1)过程

看到没？它们其实是硬币的两面。同一个品种，在不同时间尺度上可能同时表现出两种特征。我做过一个实验：用5分钟K线做均值回归，用日线做动量，居然同时赚钱。

如何检测信号类型？

实战中，我们怎么判断当前市场是均值回归还是动量？我推荐用方差比检验（Variance Ratio Test）。

核心思想很简单：

• 如果价格是随机游走，方差随时间线性增长
• 如果存在均值回归，方差增长慢于线性
• 如果存在动量，方差增长快于线性

VR(q) = Var(r_t + r_{t-1} + ... + r_{t-q+1}) / (q * Var(r_t))

当 VR(q) < 1 时，均值回归。当 VR(q) > 1 时，动量效应。

一个简单的实战框架

说了这么多理论，咱们来点实际的。我常用的一个框架是这样的：

1. 数据预处理：去趋势、去季节性。用差分或HP滤波
2. 信号检测：计算自相关函数或方差比。确定当前是均值回归还是动量
3. 参数估计：如果是均值回归，估计θ和μ。如果是动量，估计AR系数
4. 交易信号生成：根据偏离程度或趋势强度，生成买卖信号
5. 风险控制：设置止损。我一般用2倍标准差作为阈值

你想想看，这个框架其实不复杂。但很多人就是不愿意花时间做第一步和第二步。直接上来就干，结果被市场教育得服服帖帖。

本章知识体系

下面这张图，是我做课程时画的。它把均值回归和动量效应的核心逻辑串起来了：

这张图把整个知识体系串起来了。从统计信号出发，分支出均值回归和动量效应两个方向。每个方向都有对应的数学模型和检测方法。最后落到交易策略上。

嗯，到这里，均值回归和动量效应的数学本质就讲完了。说白了，它们就是时间序列自相关结构的两种表现形式。理解了这个，你就掌握了统计信号的核心。

记住：市场不会永远均值回归，也不会永远动量。关键是识别当前市场处于哪种状态。这个能力，需要大量的实战积累。我做了五年才勉强做到七成准确率。