一、配对交易入门：什么是统计套利？
大家好，我是老张。今天咱们聊聊配对交易。
说实话，我刚入行那会儿，听到「统计套利」这四个字，第一反应是——这玩意儿是不是得数学系博士才能搞？后来做多了才发现，核心思想其实挺朴素的。
1.1 什么是统计套利？
统计套利，说白了就是「找亲戚」。找两只股票，它们的历史价格走势像双胞胎一样形影不离。一旦它们暂时走散了，我们就赌它们会重新走到一起。
举个例子。我记得2018年做A股时，发现招商银行和兴业银行的价格走势高度相关。有一天招商突然涨了3%，兴业只涨了0.5%。这时候，我个人的习惯做法是：卖招商，买兴业。为什么？因为我相信它们会回归。
核心定义：统计套利是一种基于数学模型的市场中性策略，通过识别和利用金融资产之间的统计关系来获取稳定收益。
你想想看，这和传统套利有什么区别？传统套利是无风险的，比如同一只股票在两个交易所的价格差。但统计套利是有风险的——万一它们不回归了呢？嗯，这就是我们要用概率和统计来管理的地方。
1.2 配对交易的核心思想
配对交易是统计套利最经典的实现方式。核心就三步：
- 找配对：找到两只相关性高的股票
- 算价差：计算它们的价格差或比率
- 等回归：价差偏离均值时开仓，回归时平仓
我曾经犯过一个错：只看相关性系数高就配对，结果两只股票都是银行股，遇到行业利空一起跌。嗯，这里要注意——相关性不等于因果关系。
我的经验：配对交易不是找「长得像」的股票，而是找「有共同基本面驱动」的股票。比如同行业的龙头和龙二，或者同一产业链的上下游。
1.3 市场中性策略
为什么配对交易能穿越牛熊？因为它自带「市场中性」属性。
什么叫市场中性？就是你做多一只股票的同时，做空另一只。大盘涨了，你的多头赚钱、空头亏钱；大盘跌了，多头亏钱、空头赚钱。整体上，市场波动对你的影响被对冲掉了。
我给大家画个图，看看这个逻辑：
看到没？大盘涨跌都被对冲掉了。真正赚钱的，是价差回归的那部分。这就是市场中性策略的精髓。
注意：市场中性不代表完全无风险。如果两只股票的基本面发生了根本性变化（比如一个被收购了），价差可能永远不回归。这就是所谓的「配对破裂」风险。
1.4 均值回归原理
配对交易能赚钱，靠的是「均值回归」这个统计现象。
什么叫均值回归？就是价格偏离均值太远后，大概率会往回走。就像橡皮筋拉得太长，松手就会弹回去。
我给大家看个简单的代码，计算两只股票的价差：
import numpy as np
import pandas as pd
# 假设我们有两只股票的价格数据
stock_a = np.array([100, 102, 101, 105, 103, 98, 99])
stock_b = np.array([50, 51, 50.5, 52.5, 51.5, 49, 49.5])
# 计算价差
spread = stock_a - stock_b * 2 # 假设对冲比率为2
# 计算均值和标准差
mean_spread = np.mean(spread)
std_spread = np.std(spread)
print(f"价差均值: {mean_spread:.2f}")
print(f"价差标准差: {std_spread:.2f}")
# 判断当前价差是否偏离
current_spread = spread[-1]
z_score = (current_spread - mean_spread) / std_spread
print(f"当前Z-score: {z_score:.2f}")
if abs(z_score) > 2:
print("价差偏离超过2个标准差，触发交易信号！")
这段代码的核心逻辑就是：当价差偏离均值超过2个标准差时，我们认为它「太远了」，大概率会回归。
我的建议：阈值设2个标准差是经典做法，但不同市场、不同股票对要调参。我习惯先用1.5个标准差做测试，看回测效果再调整。
1.5 实战中的避坑指南
做配对交易这些年，我踩过不少坑。分享几个典型的：
- 不要只看日线：我曾经用日线数据做回测，效果漂亮得很。一上实盘，亏得亲妈都不认识。为什么？因为日线掩盖了日内波动。后来我改用小时线，效果才稳定。
- 注意交易成本：配对交易是双边交易，一买一卖手续费翻倍。如果你的策略每次只赚0.5%，手续费吃掉0.3%，那基本白干。
- 流动性陷阱：有些股票看着配对关系很好，但成交量太小。你开仓容易，平仓时滑点能把你利润全吃掉。
一句话总结：统计套利配对交易，就是找两只「走散了的双胞胎」，赌它们会重新走到一起。核心是市场中性，靠均值回归赚钱。
好了，第一章就聊到这儿。记住我说的——别只看相关性，要看基本面驱动。下一章咱们聊聊怎么用协整检验来科学地找配对，而不是靠肉眼瞎猜。
公众号:蓝海资料掘金营，微信deep3321