3. 配对交易原理：基于协整关系的配对交易策略核心思想

配对交易，说白了就是找两个「长得像」的股票，然后赌它们之间的价差会回归。嗯，这个思路听起来简单，但真正落地的时候，坑可不少。我最早接触这个策略是在2015年，当时做美股统计套利，踩过不少雷，今天我把核心逻辑掰开揉碎了讲给你听。

3.1 什么是配对交易？

配对交易的核心思想其实很朴素：找到两只相关性高的股票，当它们的价格出现偏离时，做多被低估的那只，做空被高估的那只，等价格回归后平仓获利。

你想想看，如果两只股票长期走势一致，那短期偏离就是机会。比如可口可乐和百事可乐，它们同属饮料行业，受同样的宏观因素影响，价格走势天然就接近。

3.2 协整关系：比相关性更靠谱

很多人一上来就找相关系数高的股票对，这是个误区。我刚开始做的时候也犯过这个错——找了两只相关系数0.95的股票，结果价差越走越远，亏得我头皮发麻。

为什么会这样？因为相关性高不代表价差会回归。举个例子：

• 相关性：两只股票同涨同跌，但价差可能越拉越大
• 协整性：两只股票的价差围绕某个均值波动，迟早会回来

协整关系才是配对交易的数学基础。它描述的是：两个非平稳时间序列的线性组合是平稳的。翻译成人话就是——两只股票各自乱跑，但它们之间的差距是有规律的。

3.3 协整检验的实操步骤

咱们直接上代码，看看怎么检验两只股票是否协整。这里以A股中的茅台和五粮液为例：

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller

# 假设我们已经有了两只股票的价格序列
# price_a: 茅台, price_b: 五粮液

def cointegration_test(price_a, price_b):
    # 第一步：用OLS估计协整系数
    price_a = sm.add_constant(price_a)
    model = sm.OLS(price_b, price_a)
    result = model.fit()
    
    # 第二步：提取残差
    residuals = result.resid
    
    # 第三步：对残差做ADF检验
    adf_result = adfuller(residuals, maxlag=1)
    
    # 如果p值小于0.05，说明残差平稳，即存在协整关系
    is_cointegrated = adf_result[1] < 0.05
    
    return {
        'is_cointegrated': is_cointegrated,
        'p_value': adf_result[1],
        'hedge_ratio': result.params[1],  # 对冲比率
        'residuals': residuals
    }

# 调用函数
result = cointegration_test(maotai_prices, wuliangye_prices)
print(f"是否协整: {result['is_cointegrated']}")
print(f"对冲比率: {result['hedge_ratio']:.4f}")

这段代码的核心就三步：回归、取残差、检验平稳性。嗯，就这么简单。但要注意，ADF检验的滞后阶数选择很关键，我一般用AIC准则自动选。

3.4 对冲比率与价差计算

找到协整关系后，下一步就是算对冲比率。说白了就是：做多1股茅台，需要做空多少股五粮液？

对冲比率就是上面代码里的 hedge_ratio。假设结果是0.8，那就意味着：

• 做多100股茅台
• 做空80股五粮液
• 这样组合的价差就是平稳的

价差的计算公式：

spread = price_b - hedge_ratio * price_a

当价差偏离均值超过某个阈值（比如2倍标准差），就开仓。等它回归到均值附近，就平仓。

3.5 交易信号与仓位管理

有了价差序列，交易信号就清晰了。我习惯用Z-score来标准化价差：

z_score = (spread - spread.mean()) / spread.std()

# 交易规则
if z_score > 2.0:
    # 做空价差：做空price_b，做多price_a
    print("开仓：价差过高，预期回归")
elif z_score < -2.0:
    # 做多价差：做多price_b，做空price_a
    print("开仓：价差过低，预期回归")
elif abs(z_score) < 0.5:
    # 平仓：价差回归均值
    print("平仓：价差已回归")

阈值设多少合适？我做过回测，2倍标准差在大多数情况下表现最好。但如果你做高频，可以缩到1.5倍。记住，阈值越小，交易频率越高，但假信号也越多。

3.6 核心知识体系

下面这张图是我自己总结的配对交易核心逻辑，你看一眼就能明白整个流程：

3.7 实盘中的注意事项

最后聊几个实战中容易踩的坑：

1. 交易成本：配对交易是双边交易，手续费和滑点会吃掉利润。我建议选流动性好的股票，别碰小盘股。
2. 协整关系会失效：公司基本面变了，协整关系就没了。比如茅台和五粮液，如果茅台突然转型做房地产，那这对就废了。
3. 不要过度优化：回测时参数调得再好，实盘也可能翻车。我见过有人把阈值调到1.8倍标准差，回测年化30%，实盘直接亏20%。
4. 仓位控制：单笔配对仓位别超过总资金的5%，分散到5-10个股票对，风险就小很多。

好了，配对交易的核心思想就这些。说白了就是找协整、算价差、等回归。下一节我们会讲如何用Python搭建完整的回测框架，到时候我会把实盘踩过的坑都告诉你。

---

公众号:蓝海资料掘金营，微信deep3321