第二章 套利交易基础理论：一价定律、无风险套利与统计套利、套利交易的数学基础
各位交易员朋友，大家好。我是老张，在量化套利这个行当里摸爬滚打了十几年。今天咱们聊点硬核的——套利交易的基础理论。很多人觉得套利就是“低买高卖”，这话没错，但太粗糙了。真正的套利，背后有一套严密的逻辑和数学支撑。
我个人习惯，每次开新策略之前，都会先把这几个基础概念在脑子里过一遍。为什么？因为很多亏钱的策略，根源就是基础没打牢。你想想看，地基不稳，楼盖得再高也是白搭。
2.1 一价定律：套利的逻辑起点
一价定律，说白了就是：同一资产，在同一时间，价格应该一样。如果不一样，就存在套利机会。
举个例子。我在2015年做股指期货套利时，遇到过沪深300股指期货主力合约和次月合约价差突然拉大到50个点。正常情况下，价差应该在20个点左右。为什么会出现这种情况？因为市场情绪恐慌，有人不计成本地抛售。这时候，一价定律就被暂时打破了。
核心要点：一价定律成立的前提是：
- 资产完全相同（或可替代）
- 市场无摩擦（无交易成本、无限制）
- 信息完全对称
现实中，这些前提几乎都不成立。所以，套利机会才会存在。
嗯，这里要注意：一价定律不是自然规律，它是经济学假设。我们做套利，就是在利用这个假设被打破的瞬间。
2.2 无风险套利：教科书里的“完美”机会
无风险套利，听起来很美。理论上，你不需要承担任何风险，就能赚到钱。但我在实战中告诉你：真正的无风险套利，几乎不存在。
为什么？因为市场太聪明了。一旦出现无风险套利机会，资金会瞬间涌入，把价差抹平。你想想看，如果真有这种好事，谁还去上班？
我曾经在2018年做过一次跨市场ETF套利。当时上证50ETF在A股和港股同时上市，两边价格差了0.3%。我算了一下，扣除手续费和汇率成本，还能赚0.1%。结果呢？我下单的时候，价格已经变了。等我成交，价差已经没了。
避坑指南：我曾经以为无风险套利是“稳赚不赔”的。后来发现，它面临三大风险：
- 执行风险：你看到的价格，不一定能成交
- 流动性风险：市场深度不够，你进得去，出不来
- 模型风险：你算的价差，可能忽略了某些成本
所以，我现在的策略里，从来不说“无风险”，只说“低风险”。
2.3 统计套利：实战派的武器
既然无风险套利不靠谱，那我们用什么？统计套利。这是实战派最常用的工具。
统计套利的逻辑很简单：利用历史统计规律，寻找价格偏离的机会。它不要求价格完全回归，只要求大概率回归。
举个例子。我做过一个螺纹钢和热卷的跨品种套利。这两个品种都是钢材，价格走势高度相关。我计算了它们的价差历史分布，发现价差在[-50, 50]区间内波动。当价差超过80时，我就做空价差（卖螺纹买热卷）；当价差低于-80时，我就做多价差（买螺纹卖热卷）。
个人经验：统计套利的关键在于：
- 相关性要稳定：我一般用滚动窗口计算相关系数，低于0.7的品种直接放弃
- 价差要均值回复：用ADF检验，p值小于0.05才考虑
- 止损要严格：我习惯设2倍标准差作为止损线
你可能会问：统计套利会不会失效？会。我记得2020年3月，疫情导致市场恐慌，很多统计套利策略都爆仓了。为什么？因为价差不再均值回复，而是单边运行。所以，统计套利不是万能的，它需要配合风控。
2.4 套利交易的数学基础
做套利，不懂数学是不行的。但别怕，我们不需要搞什么高深的数学，掌握几个核心工具就够了。
2.4.1 价差计算
价差是套利的基础。最简单的价差公式：
价差 = 资产A价格 - 资产B价格 × 对冲比率对冲比率怎么算？我习惯用线性回归。比如，我要做贵州茅台和五粮液的配对交易。我取过去60天的收盘价，做回归：
茅台价格 = α + β × 五粮液价格 + ε这里的β就是对冲比率。我一般用最小二乘法（OLS）来估计。
代码示例：用Python计算对冲比率
import numpy as np
from sklearn.linear_model import LinearRegression
# 假设price_a和price_b是两列价格数据
X = price_b.reshape(-1, 1)
y = price_a
model = LinearRegression()
model.fit(X, y)
beta = model.coef_[0] # 对冲比率
alpha = model.intercept_ # 截距2.4.2 均值回复检验
统计套利的前提是价差均值回复。怎么检验？用ADF检验。
from statsmodels.tsa.stattools import adfuller
# spread是价差序列
result = adfuller(spread)
p_value = result[1]
if p_value < 0.05:
print("价差是平稳的，适合做统计套利")
else:
print("价差不平稳，放弃")我个人习惯，p值小于0.01才放心。为什么？因为0.05的显著性水平，在实盘中经常失效。
2.4.3 交易信号生成
有了价差和平稳性检验，接下来就是生成交易信号。我常用的方法是：
- Z-score法：计算价差的Z-score，当Z-score > 2时做空价差，Z-score < -2时做多价差
- 分位数法：取价差的历史90%分位数和10%分位数作为阈值
- 布林带法：用移动平均±2倍标准差作为上下轨
实战技巧：我一般不用固定的阈值。因为市场在变，价差的波动率也在变。我习惯用滚动窗口（比如60天）动态计算阈值。这样能适应市场的变化。
2.4.4 风险控制数学
套利交易不是稳赚的。我们需要用数学来控制风险。
| 风险指标 | 计算公式 | 我的经验值 |
|---|---|---|
| 最大回撤 | Max(峰值 - 谷值) / 峰值 | 不超过5% |
| 夏普比率 | (年化收益 - 无风险利率) / 年化波动率 | 大于1.5 |
| 胜率 | 盈利交易次数 / 总交易次数 | 大于60% |
| 盈亏比 | 平均盈利 / 平均亏损 | 大于1.5 |
嗯，这里要注意：这些指标都是事后统计。实盘中，我还会加一个“单笔最大亏损”的限制，比如不超过总资金的2%。
2.5 知识体系框架
说了这么多，咱们用一张图来总结一下本章的核心逻辑。
这张图把本章的核心逻辑串起来了。从一价定律出发，衍生出无风险套利和统计套利。而数学基础，是连接理论和实战的桥梁。最后，所有理论都要落到实战应用上。
好了，第二章的内容就到这里。记住：理论是地图，实战是走路。没有地图，你会迷路；但只看地图，你永远到不了目的地。