1. 统计套利基础：什么是统计套利？它与无风险套利的区别

做交易这些年，我见过太多人一听到「套利」两个字，眼睛就发亮。好像只要找到套利机会，就能躺着赚钱了。

嗯，现实没那么简单。

今天咱们先聊清楚一个最基础的问题：统计套利到底是什么？它跟教科书里说的无风险套利，到底差在哪？

先从一个小故事说起

我记得刚入行那会儿，带我的老交易员给我讲过一个例子。

他说，你想象一下，北京和上海都有同一款茅台酒。北京卖3000块，上海卖3100块。你从北京买一瓶，带到上海卖掉，扣除运费和税费，净赚50块。

这就是无风险套利——价差是确定的，利润是锁死的。

但现实中的金融市场，哪有这么完美的机会？

更多时候，我们看到的是这种情况：贵州茅台和五粮液，历史上它们的价格走势高度相关。突然有一天，茅台涨了3%，五粮液只涨了0.5%。你觉得这个价差「不正常」，于是做多五粮液、做空茅台，赌它们会回归。

这就是统计套利——你赌的是一个概率，而不是一个确定的结果。

核心定义：统计套利 vs 无风险套利

咱们用一张表把区别说清楚：

对比维度	无风险套利	统计套利
利润确定性	100%确定	基于概率，有亏损风险
持仓时间	极短（秒级到分钟级）	可长可短（分钟级到数周）
市场效率要求	极低，利用定价错误	中等，利用统计规律
风险来源	执行风险、流动性风险	模型风险、价差持续偏离风险
典型例子	同一资产在不同交易所的价差	配对交易、指数套利
资金容量	通常较小	相对较大

说白了，无风险套利是「捡钱」，但捡到的都是小钱，而且门槛极高。统计套利是「赌概率」，赌对了赚大钱，赌错了也得认亏。

统计套利的底层逻辑

我个人习惯把统计套利理解成三个步骤：

1. 找关系 —— 找到两个或多个资产之间稳定的统计关系（比如相关性、协整关系）
2. 等偏离 —— 等待这个关系出现「异常」偏离
3. 赌回归 —— 押注这个偏离会回归到历史均值

你想想看，这跟做趋势交易完全不一样。趋势交易是「追涨杀跌」，统计套利是「高抛低吸」——只不过这个「高」和「低」不是看绝对价格，而是看相对关系。

一个真实的坑：我曾经踩过的雷

我曾经做过一个配对交易策略，用两只银行股——招商银行和兴业银行。历史数据显示，它们的价差在±2个标准差之内波动，非常稳定。

我信心满满地上了仓位。结果呢？

2020年疫情来了，招商银行因为零售业务占比高，跌得比兴业银行惨得多。价差直接突破了5个标准差，而且持续了整整两个月没有回归。

那笔交易亏了15%。

后来我复盘才明白：统计关系是会「断掉」的。基本面变了，历史规律就不再适用了。

统计套利的数学基础

说到数学，别怕。统计套利最核心的数学工具其实就两个：

• 协整检验（Cointegration Test） —— 判断两个时间序列是否存在长期均衡关系
• Z-Score —— 衡量当前价差偏离历史均值的程度

举个简单的例子。假设我们做多A、做空B，构建一个价差序列：

价差 = 价格_A - β × 价格_B

其中 β 是通过回归算出来的对冲比率

Z-Score = (当前价差 - 历史均值) / 历史标准差

当 Z-Score > 2 时，做空价差（卖A买B）
当 Z-Score < -2 时，做多价差（买A卖B）
当 Z-Score 回归到 0 附近时，平仓

这个逻辑看起来简单吧？但实际跑起来，坑多得很。比如β值要不要动态更新？Z-Score的窗口期选多长？这些细节都会直接影响收益。

统计套利的分类

根据我自己的经验，统计套利大致可以分为三类：

类型	描述	典型策略
配对交易	两只相关性高的股票	做多弱势股，做空强势股
篮子套利	一组资产 vs 另一组资产	行业ETF vs 成分股组合
跨品种套利	不同品种但有关联	原油 vs 燃料油、黄金 vs 白银

我个人比较喜欢做篮子套利，因为单只股票容易出幺蛾子（比如财报暴雷），但一篮子股票的风险就分散多了。

一张图看懂统计套利流程

下面这张SVG图，是我自己梳理的统计套利完整流程。你可以把它当成一个检查清单：

统计套利的适用场景

不是所有市场都适合做统计套利。我总结了一下，至少需要满足三个条件：

• 流动性充足 —— 不然你建仓平仓的滑点就能吃掉利润
• 存在稳定关系 —— 资产之间要有经济逻辑上的关联，不能是纯统计巧合
• 交易成本低 —— 统计套利的单笔利润通常很薄，手续费高了就没得玩

最后说两句

统计套利不是「圣杯」。它只是一种交易思路，一种基于概率的博弈方式。

我见过有人用统计套利稳定盈利了五年，也见过有人三个月就把账户亏光。区别在哪？不在于模型有多复杂，而在于对风险的认知有多深。

记住一句话：统计套利赚的是「均值回归」的钱，但均值不回归的时候，你得有办法活下来。

---

公众号:蓝海资料掘金营，微信deep3321