第2章核心原理

第二章核心原理：价差回归、协整关系与统计套利

各位同学，欢迎来到第二章。这一章是整个跨品种对冲策略的“内功心法”。

说实话，很多人做套利策略，上来就写代码、跑回测，结果亏得一塌糊涂。为什么？因为没搞懂背后的数学逻辑。今天我们就来把这层窗户纸捅破。

2.1 价差回归原理——套利的底层逻辑

先问一个问题：为什么两个品种的价格会“一起涨、一起跌”？

举个例子。螺纹钢和热卷，都是钢铁产品。螺纹钢用来盖楼，热卷用来造汽车。如果螺纹钢突然暴涨，热卷却不动，会发生什么？

钢厂会立刻调整生产线，多产螺纹钢、少产热卷。结果螺纹钢供给增加，价格回落；热卷供给减少，价格上升。最终，两者的价差会回到合理区间。

这就是价差回归的核心逻辑：当价差偏离正常范围时，市场力量会把它拉回来。

核心公式：

价差 = P₁ - β × P₂

其中 β 是对冲比率，P₁、P₂ 是两个品种的价格。

我个人习惯把价差想象成一根“橡皮筋”。你把它拉得越远，它弹回来的力量就越大。我们做套利，就是在橡皮筋拉得最远的时候出手。

2.2 协整关系与平稳性——别把“相关”当“因果”

很多新手犯过一个错误：看到两个品种走势很像，就以为可以做套利。

我当年也踩过这个坑。记得有一次，我发现A股和某商品期货走势高度相关，相关系数0.85。兴冲冲做了策略，结果亏得怀疑人生。

为什么？因为相关性 ≠ 协整性。

相关性描述的是“走势像不像”，协整性描述的是“价差会不会回归”。

举个直观的例子：一个醉汉牵着一条狗。醉汉走路东倒西歪（非平稳），狗也东跑西颠（非平稳）。但狗和醉汉之间的距离（价差）是有限的——狗跑远了会被绳子拉回来。这个“距离”就是平稳的。

协整关系，就是这根“绳子”。

平稳性检验（ADF检验）：

我们通常用ADF检验来判断价差是否平稳。p值小于0.05，说明价差是平稳的，可以做套利。

代码示例：

from statsmodels.tsa.stattools import adfuller

# 计算价差
spread = price1 - beta * price2

# ADF检验
result = adfuller(spread)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')

if result[1] < 0.05:
    print('价差平稳，存在协整关系')
else:
    print('价差不平稳，不适合做套利')

2.3 统计套利基础——用数学说话

统计套利，说白了就是“用概率赚钱”。

传统套利靠的是“无风险”机会，比如同一只股票在不同交易所的价格差异。但这种机会转瞬即逝，普通人根本抢不到。

统计套利不一样。它承认风险存在，但通过数学证明：长期来看，胜率在你这边。

具体怎么做？

找配对：找到两个协整的品种（比如豆油和棕榈油）
算价差：计算两者的价差序列
定阈值：用均值±n倍标准差设定开仓/平仓线
执行交易：价差偏离时开仓，回归时平仓

避坑指南：

我曾经在回测中看到年化30%的收益，兴奋得直接上实盘。结果一个月亏了15%。

后来才发现，我用的数据是日线，但交易频率是分钟级。回测和实盘完全不是一回事。

记住：回测用的数据频率，必须和交易频率一致。

2.4 均值回归策略逻辑——核心交易框架

均值回归策略，是统计套利最经典的实现方式。它的逻辑很简单：

当价差高于上轨：做空价差（卖高买低）
当价差低于下轨：做多价差（买高卖低）
当价差回归均值：平仓获利

这里有个关键参数：阈值怎么设？

我个人的经验是：

参数	常见取值	说明
开仓阈值	均值 ± 2σ	约95%的价差落在这个范围内
平仓阈值	均值 ± 0.5σ	价差回归到均值附近时平仓
止损阈值	均值 ± 3.5σ	防止价差持续偏离导致巨亏

你想想看，如果价差已经偏离到3个标准差以外，还硬扛着不加止损，那跟赌博有什么区别？

完整策略代码框架：

import numpy as np
import pandas as pd

class MeanReversionStrategy:
    def __init__(self, entry_z=2.0, exit_z=0.5, stop_z=3.5):
        self.entry_z = entry_z
        self.exit_z = exit_z
        self.stop_z = stop_z
        
    def generate_signals(self, spread):
        mean = np.mean(spread)
        std = np.std(spread)
        
        z_score = (spread - mean) / std
        
        signals = pd.Series(0, index=spread.index)
        
        # 开仓信号
        signals[z_score > self.entry_z] = -1  # 做空价差
        signals[z_score < -self.entry_z] = 1  # 做多价差
        
        # 平仓信号
        signals[abs(z_score) < self.exit_z] = 0
        
        # 止损信号
        signals[abs(z_score) > self.stop_z] = 0
        
        return signals

2.5 知识体系总览

说了这么多，我们来画一张图，把整个知识体系串起来。

这张图很清楚地展示了从原理到策略的完整链路。每一层都建立在前一层的基础上，缺一不可。

嗯，到这里，核心原理部分就讲完了。记住一句话：没有协整关系的套利，就是赌博。下一章我们会深入实战，用真实数据跑一遍完整的策略流程。