第四章 均值回归策略详解：RSI反转策略、布林带回归策略、配对交易策略、统计套利基础

均值回归，这个词听起来挺学术的。说白了，就是价格涨多了会跌，跌多了会涨。就像一根被拉长的弹簧，松手后总要弹回去。我做了这么多年CTA，发现很多新手容易犯一个错误——总觉得趋势会永远持续下去。嗯，其实市场里大部分时间都在震荡，均值回归策略恰恰就是吃这碗饭的。

核心思想：价格围绕某个均值上下波动，偏离越远，回归的概率越大。这不是玄学，是统计规律。

4.1 RSI反转策略：超买超卖的信号游戏

RSI（相对强弱指标）是我个人最早接触的反转指标之一。它的逻辑很简单：计算一段时间内上涨和下跌的幅度比值，然后归一化到0-100之间。通常，RSI超过70算超买，低于30算超卖。

但这里有个坑——我刚开始做的时候，直接拿70和30作为阈值，结果被来回打脸。为什么？因为强趋势行情里，RSI可以在80以上待很久，你去做空，那就是接飞刀。

我的经验：RSI反转策略更适合震荡市。判断震荡还是趋势，可以结合ADX指标。ADX低于25时，用RSI反转效果最好。

来看一个简单的RSI反转策略实现：

import pandas as pd
import numpy as np

def rsi_reversal_strategy(df, period=14, overbought=70, oversold=30):
    """
    RSI反转策略
    df: 包含'close'列的DataFrame
    """
    # 计算RSI
    delta = df['close'].diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(period).mean()
    avg_loss = loss.rolling(period).mean()
    
    rs = avg_gain / avg_loss
    df['rsi'] = 100 - (100 / (1 + rs))
    
    # 生成信号
    df['signal'] = 0
    df.loc[df['rsi'] < oversold, 'signal'] = 1   # 超卖，买入
    df.loc[df['rsi'] > overbought, 'signal'] = -1 # 超买，卖出
    
    return df

你可能会问，为什么用14作为周期？这是 Wilder 当年提出的标准参数。但我建议你根据品种调整。比如股指期货波动大，我习惯用10；农产品波动小，用20更稳。

4.2 布林带回归策略：通道里的买卖点

布林带是我最喜欢的均值回归工具之一。它由三条线组成：中轨是移动平均线，上下轨分别是中轨加减两倍标准差。价格碰到上轨，说明偏离均值太远，大概率要回调；碰到下轨，同理。

我记得有一次做螺纹钢的夜盘，价格连续三根K线贴着上轨走。很多同事觉得要突破了，但我看到布林带开口并没有明显扩大，说明波动率没起来。结果呢？第四根K线直接砸回中轨。那次我赚了不少。

注意：布林带在波动率急剧变化时容易失效。比如突发消息导致跳空，价格直接突破上轨，这时候不要急着反向开仓。等一根K线确认，或者结合成交量判断。

布林带回归策略的代码实现：

def bollinger_reversal(df, window=20, num_std=2):
    """
    布林带回归策略
    """
    df['ma'] = df['close'].rolling(window).mean()
    df['std'] = df['close'].rolling(window).std()
    
    df['upper'] = df['ma'] + num_std * df['std']
    df['lower'] = df['ma'] - num_std * df['std']
    
    # 信号：价格触及上下轨后反向
    df['signal'] = 0
    df.loc[df['close'] < df['lower'], 'signal'] = 1
    df.loc[df['close'] > df['upper'], 'signal'] = -1
    
    # 过滤：只在价格回到中轨时平仓
    df['exit'] = 0
    df.loc[df['close'] > df['ma'], 'exit'] = 1  # 多头平仓
    df.loc[df['close'] < df['ma'], 'exit'] = -1 # 空头平仓
    
    return df

这里有个细节：我习惯用2倍标准差，但如果你做的是高频一点的周期，比如15分钟K线，1.5倍标准差可能更灵敏。参数没有标准答案，回测说了算。

4.3 配对交易策略：两个品种的价差游戏

配对交易是均值回归的进阶玩法。它不赌单个品种的方向，而是赌两个相关品种的价差会回归。比如螺纹钢和热卷，豆粕和菜粕，它们价格走势高度相关，但偶尔会走偏。

我曾经做过一个焦煤和焦炭的配对策略。这两个品种相关性高达0.9以上，但焦炭波动更大。当价差扩大到两个标准差时，我做空焦炭、做多焦煤，等价差回归后平仓。那一年这个策略的夏普比率做到了2.3。

配对交易的步骤：

  1. 找配对：计算相关系数，选相关性高的品种（一般要求0.8以上）
  2. 算价差：用回归或协整检验确定价差公式
  3. 设阈值：价差偏离到一定程度时开仓
  4. 等回归：价差回到均值时平仓

代码实现：

import statsmodels.api as sm

def pairs_trading(df1, df2, lookback=60, entry_z=2, exit_z=0.5):
    """
    配对交易策略
    df1, df2: 两个品种的价格序列
    """
    # 计算价差
    spread = df1['close'] - df2['close']
    
    # 滚动计算均值和标准差
    spread_mean = spread.rolling(lookback).mean()
    spread_std = spread.rolling(lookback).std()
    
    # 计算Z-score
    z_score = (spread - spread_mean) / spread_std
    
    # 信号
    df1['signal'] = 0
    df2['signal'] = 0
    
    # 价差过大，做空价差（卖1买2）
    df1.loc[z_score > entry_z, 'signal'] = -1
    df2.loc[z_score > entry_z, 'signal'] = 1
    
    # 价差过小，做多价差（买1卖2）
    df1.loc[z_score < -entry_z, 'signal'] = 1
    df2.loc[z_score < -entry_z, 'signal'] = -1
    
    # 价差回归，平仓
    df1.loc[abs(z_score) < exit_z, 'signal'] = 0
    df2.loc[abs(z_score) < exit_z, 'signal'] = 0
    
    return df1, df2

避坑指南：我曾经用相关系数选配对，结果发现两个品种虽然相关，但价差并不平稳。后来改用协整检验（Engle-Granger方法），效果好了很多。记住：相关不等于协整。

4.4 统计套利基础：从配对到多品种

统计套利是配对交易的升级版。它不局限于两个品种，而是用一组品种构建一个投资组合，使得组合的净值序列是平稳的。当净值偏离均值时，我们反向操作。

说白了，统计套利就是找一堆品种，让它们互相抵消掉趋势部分，只留下震荡部分。这个震荡部分，就是我们的利润来源。

基础步骤：

  1. 选品种池：通常选同板块的品种，比如黑色系、化工系
  2. 建模型：用主成分分析（PCA）或多元回归，找到组合权重
  3. 算残差：残差就是组合的净值序列，检验其平稳性
  4. 交易：残差偏离时开仓，回归时平仓

来看一个简单的PCA统计套利框架：

from sklearn.decomposition import PCA

def statistical_arbitrage(price_df, n_components=1, lookback=60):
    """
    基于PCA的统计套利
    price_df: 多品种价格DataFrame，每列一个品种
    """
    # 标准化
    returns = price_df.pct_change().dropna()
    scaled_returns = (returns - returns.mean()) / returns.std()
    
    # PCA分解
    pca = PCA(n_components=n_components)
    pca.fit(scaled_returns)
    
    # 主成分得分（市场共同因子）
    scores = pca.transform(scaled_returns)
    
    # 残差 = 原始收益 - 主成分解释的部分
    residuals = scaled_returns - pca.inverse_transform(scores)
    
    # 组合净值 = 残差的累积和
    portfolio_nav = residuals.cumsum()
    
    # 交易信号
    z_score = (portfolio_nav - portfolio_nav.rolling(lookback).mean()) / \
              portfolio_nav.rolling(lookback).std()
    
    return z_score

核心要点：统计套利不是无风险套利。它赌的是统计规律会持续，但极端行情下（比如2020年3月），所有相关性都会崩溃。所以仓位管理比策略本身更重要。

知识体系总览

下面这张图是我自己整理的均值回归策略知识结构，你可以把它当作学习地图：

均值回归策略知识体系 均值回归策略 RSI反转策略 布林带回归策略 配对交易策略 统计套利基础 超买超卖阈值设定 结合ADX过滤趋势 标准差倍数选择 波动率变化应对 相关性 vs 协整性 Z-score阈值设定 PCA主成分分解 残差平稳性检验 共同核心：价格偏离均值 → 反向开仓 → 回归平仓 ⚠ 注意事项 趋势行情中均值回归策略容易亏损，需结合趋势过滤 参数优化避免过拟合，建议使用滚动窗口验证

这张图把四种策略的关系理清楚了。你会发现，从RSI到统计套利，其实是一个从简单到复杂、从单品种到多品种的演进过程。我个人建议初学者先从RSI和布林带入手，等熟悉了均值回归的节奏，再尝试配对交易和统计套利。

最后说一句：均值回归策略不是万能药。它最怕的就是单边趋势行情。所以，我通常会把均值回归策略和趋势策略组合在一起，用权重分配来平滑收益曲线。具体怎么组合，后面的章节会详细讲。

公众号:蓝海数据掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →