第4章均值回归策略基础

第4章：均值回归策略基础

震荡市中的均值回归逻辑

做量化这些年，我见过太多人在趋势策略上栽跟头。其实在震荡市里，有一套逻辑特别管用——均值回归。

什么叫均值回归？说白了就是：价格涨多了会跌，跌多了会涨。就像一根被拉长的橡皮筋，松手后总会弹回去。这个道理听起来简单，但真要用好它，你得理解背后的数学逻辑。

我刚开始做策略研究时，总想着抓大趋势。结果呢？在震荡行情里反复被打脸。后来我慢慢悟出一个道理：市场80%的时间都在震荡，只有20%的时间在走趋势。你想想看，如果我们能把这80%的时间利用好，收益会怎样？

均值回归的核心假设是：价格围绕某个「均衡值」上下波动。这个均衡值可以是移动平均线，也可以是某个统计均值。当价格偏离均衡值太远时，回归的力量就会显现。

核心逻辑：

价格偏离均值越远，回归概率越大
偏离程度用标准差来衡量
回归需要时间，不是瞬间完成

这里有个坑，我踩过。均值回归策略最怕什么？怕趋势行情。一旦市场走出单边趋势，你的回归策略就会不断抄底、不断被套。所以，识别市场状态是第一步。

布林带策略的原理与参数设置

布林带是我个人最常用的均值回归工具之一。它由三条线组成：中轨（通常是20日均线）、上轨和下轨（中轨加减2倍标准差）。

原理其实很直观：

上轨 = 中轨 + k × 标准差
下轨 = 中轨 - k × 标准差
中轨 = N日移动平均线

当价格触及上轨时，说明偏离均值较远，可以考虑做空；触及下轨时，可以考虑做多。当然，这不是绝对的，需要结合其他指标确认。

参数怎么设？我分享下我的经验：

参数	默认值	我的建议	适用场景
N（周期）	20	15-30	日线用20，小时线用30
k（倍数）	2	1.5-2.5	波动大用2.5，波动小用1.5
计算方式	简单移动平均	指数加权移动平均	对近期数据更敏感

我曾经在回测中发现，默认的20日均线+2倍标准差在A股市场效果一般。后来我改成15日均线+1.8倍标准差，收益曲线明显平滑了。为什么？因为A股震荡频率高，需要更灵敏的布林带。

实战技巧：

布林带收窄时，往往预示着即将变盘。这时候不要急着入场，等方向明确再说。我习惯用「布林带宽度」指标来辅助判断：宽度 = (上轨 - 下轨) / 中轨。当宽度处于历史低位时，警惕变盘。

代码实现其实很简单：

import numpy as np
import pandas as pd

def bollinger_bands(data, window=20, num_std=2):
    """
    计算布林带
    data: 价格序列
    window: 移动平均周期
    num_std: 标准差倍数
    """
    middle = data.rolling(window=window).mean()
    std = data.rolling(window=window).std()
    
    upper = middle + num_std * std
    lower = middle - num_std * std
    
    return upper, middle, lower

# 使用示例
close_prices = pd.Series([...])  # 你的收盘价数据
upper, middle, lower = bollinger_bands(close_prices, window=20, num_std=2)

注意：

布林带不是万能的。在强趋势行情中，价格会沿着上轨或下轨运行，这时候做反向操作会死得很惨。我建议配合趋势指标（如ADX）一起使用，当ADX大于25时，放弃布林带策略。

RSI指标在震荡市中的应用

RSI（相对强弱指标）是我另一个常用的震荡指标。它的取值范围是0到100，通常认为：

RSI > 70：超买，可能回调
RSI < 30：超卖，可能反弹
RSI在30-70之间：正常震荡

但说实话，直接用70和30作为阈值，效果一般。为什么？因为不同品种、不同时间周期的RSI波动特征不一样。

我个人的做法是：动态调整阈值。比如，先计算过去100天的RSI均值，然后以均值±20作为新的阈值。这样能自适应市场的变化。

举个例子：

def adaptive_rsi_strategy(data, period=14, lookback=100):
    """
    自适应RSI策略
    data: 价格序列
    period: RSI计算周期
    lookback: 回溯周期
    """
    # 计算RSI
    delta = data.diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()
    
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    
    # 动态阈值
    rsi_mean = rsi.rolling(window=lookback).mean()
    upper_threshold = rsi_mean + 20
    lower_threshold = rsi_mean - 20
    
    return rsi, upper_threshold, lower_threshold

这里有个小技巧：RSI的背离信号比单纯超买超卖更可靠。什么叫背离？就是价格创新高，但RSI没创新高，这叫顶背离，是卖出信号。反过来，价格创新低，RSI没创新低，叫底背离，是买入信号。

RSI在震荡市的核心用法：

超买超卖：RSI > 70做空，RSI < 30做多（需配合趋势判断）
背离信号：价格与RSI走势不一致时，反转概率高
RSI形态：比如双顶、双底，比单一阈值更可靠
多周期共振：日线RSI和小时线RSI同时超买，做空胜率更高

我记得有一次做股指期货的日内策略，发现单纯用RSI超买超卖，胜率只有55%左右。后来加入背离信号，胜率提升到了62%。虽然只提高了7个百分点，但加上杠杆后，收益差距就大了。

最后说一句：任何指标都有失效的时候。布林带和RSI在震荡市好用，但一旦市场进入趋势行情，它们就会变成反向指标。所以，策略的核心不是指标本身，而是你对市场状态的判断。

嗯，这一章的内容就到这里。均值回归的逻辑、布林带的参数设置、RSI的实战应用，这三块是震荡市策略的基石。把这些吃透了，后面的内容会轻松很多。

📚 课程目录