4、配对交易策略：协整理论、配对选择、价差计算、交易信号与止损
配对交易，说白了就是找两个「同命相连」的品种。
一个涨，另一个也跟着涨。一个跌，另一个也跑不掉。
但有时候它们会闹别扭，暂时走散了。这时候，我们就买入那个被低估的，卖出那个被高估的。等它们重新「和好」，我们就平仓赚钱。
嗯，这个思路听起来简单。但实际操作中，有个核心问题：你怎么判断两个品种是真的「同命相连」，还是只是碰巧走在一起？
这就引出了我们今天的主角——协整理论。
4.1 协整理论：找到真正的「灵魂伴侣」
很多人刚开始做配对交易，喜欢算相关系数。觉得两个品种相关系数高，就能配对。
我踩过这个坑。相关系数高，只能说明它们过去走势像。但未来呢？说不定明天就分道扬镳了。
协整不一样。它检验的是两个时间序列的长期均衡关系。说白了，就是看它们之间有没有一个「橡皮筋」在拉着。
你想想看，如果两个品种是协整的，那么它们的价差（Spread）就会围绕一个均值来回波动。偏离太远了，一定会被拉回来。
我个人习惯用 Engle-Granger 两步法来检验协整：
- 第一步：做回归
用其中一个品种的价格（Y）对另一个品种的价格（X）做线性回归：
Y = α + β * X + ε - 第二步：检验残差
提取残差序列 ε，用 ADF 检验看它是否平稳。如果残差平稳，就说明 Y 和 X 是协整的。
核心要点： 协整 ≠ 高相关。两个完全不相关的品种，也可能协整。两个高度相关的品种，也可能不协整。一定要用统计检验说话。
这里我贴一段 Python 代码，是我项目中常用的协整检验函数：
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
def check_cointegration(y, x):
"""
检验 y 和 x 是否协整
返回： (is_cointegrated, p_value, hedge_ratio)
"""
# 第一步：OLS回归，计算对冲比率
x_const = sm.add_constant(x)
model = sm.OLS(y, x_const).fit()
hedge_ratio = model.params[1]
residuals = model.resid
# 第二步：ADF检验残差平稳性
adf_result = adfuller(residuals, autolag='AIC')
p_value = adf_result[1]
# 通常 p < 0.05 认为残差平稳，即协整
is_cointegrated = p_value < 0.05
return is_cointegrated, p_value, hedge_ratio小技巧： 我建议在检验前，先对价格序列取对数。这样对冲比率 β 就变成了「弹性系数」，解释起来更直观。比如 β=1.2，意味着 X 涨 1%，Y 平均涨 1.2%。
4.2 配对选择：从候选到确认
协整检验通过了，是不是就能直接上？别急，还有几个坑要避开。
我曾经在回测中选了一对协整性很好的股票，结果实盘亏得很惨。后来发现，这两个公司属于同一个行业，但其中一个刚换了管理层，基本面已经变了。
所以，配对选择我一般分三步走：
- 第一步：行业筛选
同行业、同板块的优先。比如银行股配银行股，能源股配能源股。跨行业配对，逻辑上很难解释。 - 第二步：相关性初筛
虽然协整是核心，但相关性可以帮我们快速缩小范围。我一般要求 60 日滚动相关系数 > 0.7。 - 第三步：协整检验
用上面的代码跑一遍。p 值 < 0.05 才算合格。
另外，我还会看一个指标：半衰期（Half-life）。它衡量的是价差偏离均值后，平均需要多久才能回归。半衰期太短（比如 1 天），交易机会少，手续费还高。半衰期太长（比如 60 天），资金占用太久，风险也大。
我个人偏好半衰期在 5-20 天之间的配对。
4.3 价差计算：标准化才有意义
协整检验通过后，我们得到了对冲比率 β。接下来就是计算价差：
Spread = Y - β * X
但这里有个问题：不同配对的价差，数值大小不一样。有的价差在 0.5 附近波动，有的在 50 附近波动。没法统一设阈值。
所以，我习惯把价差标准化：
Z-score = (Spread - mean(Spread)) / std(Spread)
标准化之后，所有配对的价差都在同一个尺度上。Z-score = 2，就表示当前价差偏离均值 2 个标准差。这样设置交易信号就方便多了。
注意： 计算均值和标准差时，要用滚动窗口。我一般用 60 天的滚动窗口。窗口太短，统计不稳定。窗口太长，反应太迟钝。
4.4 交易信号：什么时候进场，什么时候出场
有了 Z-score，交易信号就清晰了。我常用的规则是：
| Z-score 范围 | 信号 | 操作 |
|---|---|---|
| Z > 2.0 | 价差过高 | 做空价差：卖出 Y，买入 X |
| Z < -2.0 | 价差过低 | 做多价差：买入 Y，卖出 X |
| |Z| < 0.5 | 价差回归 | 平仓 |
| |Z| > 3.0 | 极端偏离 | 强制止损 |
嗯，这里有个细节：进场阈值（2.0）和出场阈值（0.5）之间，留了足够的空间。这样能避免频繁交易，减少手续费损耗。
我刚开始做的时候，进场和出场都设成 1.5，结果来回打脸。后来改成 2.0 进场、0.5 出场，效果好了很多。
4.5 止损：别让「均值回归」变成「均值毁灭」
配对交易最大的风险是什么？
不是价差不回归，而是价差永远不回归。
你想想看，如果两个品种的基本面发生了根本性变化，原来的协整关系可能就断了。价差偏离 5 个标准差、10 个标准差，都有可能。这时候还死扛着等回归，那就是在赌博。
所以，止损是必须的。我一般设两道防线：
- 第一道：价格止损
当 Z-score 超过 3.0 时，无条件平仓。不管后面会不会回归，先出来再说。 - 第二道：时间止损
如果持仓超过 30 天，价差还没回归，也平仓。资金是有时间成本的。
避坑指南： 我曾经有一笔配对交易，价差偏离到 4.0 还没止损。结果那对股票因为行业政策突变，协整关系彻底破裂。最后亏了 15% 才割肉。从那以后，我再也不敢忽视止损了。
4.6 一张图看懂配对交易全流程
说了这么多，我画了一张流程图，把整个配对交易的逻辑串起来：
这张图把整个流程串起来了。从候选池到协整检验，再到价差计算、信号判断、执行交易，最后到止损平仓。每一步都不能少。
4.7 实战中的几个提醒
最后，分享几个我在实战中总结的点：
- 不要过度优化： 进场阈值 2.0 还是 2.5？滚动窗口 60 天还是 90 天？这些参数差不多就行。过度优化只会让策略在样本外失效。
- 注意交易成本： 配对交易是双边交易，手续费是双倍的。如果价差波动很小，可能还不够手续费。我一般要求每次交易的预期收益至少覆盖 3 倍手续费。
- 动态调整配对： 协整关系不是一成不变的。我建议每 3 个月重新检验一次。如果协整关系消失了，就换一对。
个人习惯： 我每天开盘前会跑一遍所有配对的 Z-score。如果发现某个配对的 Z-score 突然跳到 2.5 以上，我会先看看有没有新闻。确认没有基本面变化，再进场。这个习惯帮我躲过了好几次黑天鹅。
好了，配对交易的核心内容就这些。说白了，就是找两个协整的品种，在价差偏离时进场，在价差回归时离场。再加上严格的止损，就是一个完整的策略了。