一、统计套利基础：什么是统计套利？可转债统计套利的底层逻辑与核心假设
1.1 从“捡钱”说起：统计套利的本质
先讲个我自己的经历。2019年我刚接触可转债时，发现一个现象：有些转债明明正股没怎么跌，转债价格却莫名其妙被打压。我当时第一反应是——这不对劲。后来我花了一周时间复盘，发现这类转债往往会在3-5天内修复价差。这就是统计套利的雏形。
统计套利，说白了就是利用历史统计规律，寻找价格偏离的“错误定价”机会。它不是无风险套利，而是基于概率的“大概率赚钱”策略。
你想想看，市场里那么多参与者，总有人会犯错。有人恐慌抛售，有人追涨杀跌。这些行为会导致某些资产的价格暂时偏离其合理价值。统计套利要做的，就是识别这些偏离，并在价格回归时获利。
核心定义：统计套利是一种基于历史数据和统计模型的量化交易策略，通过识别资产价格之间的统计关系，在价差偏离均值时建立头寸，等待价差回归获利。
1.2 可转债统计套利的底层逻辑
可转债为什么适合做统计套利？因为它有“债底”和“转股价值”两个锚。这两个锚决定了它的价格波动区间。
我习惯把可转债的价格拆成三部分：
- 纯债价值：相当于一个普通债券，有固定的利息和到期还本
- 转股期权价值：可以按约定价格换成股票的权利
- 情绪溢价：市场情绪带来的额外波动
统计套利的底层逻辑，就是围绕这三个部分做文章。具体来说：
- 价差回归：当转债价格与理论价值出现较大偏离时，大概率会回归
- 相对强弱：同一行业或相似条款的转债，价格走势具有相关性
- 波动率套利：隐含波动率与历史波动率出现偏差时，存在套利空间
我的经验：刚开始做统计套利时，我总想找“完美”的模型。后来发现，市场没那么精确。关键是找到那些偏离幅度足够大、回归概率足够高的机会。说白了，就是“抓大放小”。
1.3 核心假设：统计套利能成立的前提
统计套利不是万能的。它依赖几个关键假设。如果这些假设不成立，策略就会失效。我吃过这个亏，2018年有一波转债违约潮，很多统计模型直接崩了。
| 假设 | 说明 | 风险点 |
|---|---|---|
| 价格均值回归 | 偏离的价格最终会回到合理区间 | 市场结构变化可能导致回归失败 |
| 统计关系稳定 | 历史规律在未来依然有效 | 政策、规则变化会打破原有关系 |
| 流动性充足 | 能够以合理成本建仓和平仓 | 小盘转债流动性差，滑点大 |
| 无极端事件 | 市场不会出现黑天鹅 | 违约、退市等事件会摧毁模型 |
嗯，这里要注意。很多新手一上来就套用股票统计套利的模型，结果在可转债上亏得底朝天。为什么？因为可转债有“强赎”、“回售”、“下修”这些特殊条款，它们会改变价格运行的底层逻辑。
1.4 统计套利 vs 无风险套利
我经常被问到：“统计套利和无风险套利有什么区别？”
无风险套利，比如期现套利，理论上锁定了利润。但统计套利不是。它赚的是概率的钱。你可能会连续亏损几次，但只要长期坚持，胜率会站在你这边。
避坑指南：我曾经犯过一个错误——在统计套利中加了杠杆。结果遇到一次小概率事件，直接爆仓。统计套利最怕的就是“尾部风险”。记住：永远不要用统计套利去赌身家。
1.5 知识体系框架
下面这张图，是我做统计套利多年总结出来的知识体系。它涵盖了从底层逻辑到实战落地的完整路径。
1.6 一个简单的统计套利示例
光说不练假把式。我写个简单的 Python 代码，演示如何识别可转债的统计套利机会。
import pandas as pd
import numpy as np
import yfinance as yf # 实际中需使用可转债数据源
# 模拟两只相似可转债的价格序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100, freq='D')
bond_a = 100 + np.cumsum(np.random.randn(100) * 0.5)
bond_b = 100 + np.cumsum(np.random.randn(100) * 0.5) + 2 # 人为加偏移
# 计算价差
spread = bond_a - bond_b
z_score = (spread - spread.mean()) / spread.std()
# 生成交易信号
signal = np.where(z_score > 2, -1, 0) # 价差过大，做空
signal = np.where(z_score < -2, 1, signal) # 价差过小，做多
print(f"价差均值: {spread.mean():.2f}")
print(f"价差标准差: {spread.std():.2f}")
print(f"当前Z-score: {z_score[-1]:.2f}")
print(f"交易信号: {'做多' if signal[-1]==1 else '做空' if signal[-1]==-1 else '观望'}")实战建议：这个例子只是演示逻辑。实际中你需要考虑交易成本、滑点、以及可转债特有的条款风险。我一般会在 Z-score 超过 2.5 时才动手，留出安全边际。
1.7 本章小结
统计套利不是玄学，它是基于概率和统计规律的量化方法。可转债因为有债底和转股价值的双重锚定，天然适合做统计套利。但记住，它依赖几个关键假设，一旦假设被打破，策略就会失效。
我个人习惯把统计套利看作“概率游戏”。你不需要每笔都赢，只要长期下来期望收益为正就行。但前提是——你得控制好风险，别让一次黑天鹅把之前的利润全吐回去。