1. 统计套利概述

大家好，欢迎来到这门课。我是你们的老朋友，一个在量化交易坑里摸爬滚打多年的工程师。

今天咱们聊点实在的——统计套利。说白了，它不是什么玄学，而是一套用数学和统计工具，从市场里「薅羊毛」的方法。

1.1 什么是统计套利？

先讲个故事。我刚入行那会儿，带我的老交易员跟我说过一句话：「市场不是完全有效的，但也不是完全无效的。我们要找的，就是那个『不完全』的缝隙。」

统计套利，就是利用这个缝隙。它不依赖内幕消息，也不赌公司基本面突变。它只相信一件事：两个或多个资产的价格，在统计上存在某种稳定的关系。当这种关系暂时偏离时，我们就进场；等它回归时，我们就获利。

举个例子。我做过一个项目，跟踪某两只银行股。它们同属一个行业，业务结构相似，历史上价格走势几乎同步。有一天，A股突然跌了2%，B股只跌了0.5%。这时候，价差拉大了。按照统计套利的思路，我们做多A、做空B，赌的就是这个价差会缩回去。

你可能会问：「万一不缩回去呢？」嗯，这就是统计套利的核心——我们赌的是概率，不是确定性。

1.2 统计套利 vs 无风险套利

很多新手容易把这两者搞混。我刚开始学的时候也犯过这个错。咱们用一张表说清楚：

对比维度	无风险套利	统计套利
风险特征	理论上零风险	存在模型风险、尾部风险
机会来源	市场定价错误（如同一资产在不同交易所价差）	价格关系的统计偏离
持有时间	极短（秒级到分钟级）	中等（小时级到天级）
资金容量	通常较小	相对较大
典型场景	ETF套利、期货期现套利	配对交易、股指期货跨期套利
失败后果	几乎不会失败	可能持续亏损（如果关系破裂）

看到区别了吗？无风险套利是「捡钱」，但机会少、门槛高。统计套利是「赚概率钱」，机会多，但需要你扛得住波动。

1.3 统计套利的数学基础

聊完了概念，咱们来点硬核的。统计套利的数学基础，其实就三个关键词：平稳性、协整、均值回归。

1.3.1 平稳性

平稳性，说白了就是一个时间序列的统计性质不随时间变化。比如，均值稳定、方差稳定。为什么这个重要？因为如果序列本身就不稳定，你没法用它做预测。

我习惯用这个比喻：平稳序列就像一条平静的河，水位虽然有波动，但始终围绕一个水平线。非平稳序列就像涨潮的海水，一直在往上走或往下走，你没法说「它该回到哪里」。

检验平稳性最常用的方法是ADF检验（Augmented Dickey-Fuller Test）。代码很简单：

from statsmodels.tsa.stattools import adfuller

# 假设 price_series 是某只股票的价格序列
result = adfuller(price_series)
print(f'ADF统计量: {result[0]}')
print(f'p值: {result[1]}')

# p值小于0.05，通常认为序列平稳
if result[1] < 0.05:
    print('序列平稳')
else:
    print('序列非平稳，需要差分')

1.3.2 协整

协整是统计套利的灵魂。两个非平稳序列，如果它们的线性组合是平稳的，那它们就存在协整关系。

举个例子。你想想看，一个醉汉牵着一条狗走路。醉汉的路线是随机的（非平稳），狗的路线也是随机的（非平稳），但狗和醉汉之间的距离，始终被绳子约束着——这个距离就是平稳的。这就是协整。

检验协整，我常用Engle-Granger两步法：

import statsmodels.api as sm

# 第一步：回归
# 假设 price_a 和 price_b 是两个价格序列
price_a = sm.add_constant(price_a)
model = sm.OLS(price_b, price_a).fit()
residuals = model.resid

# 第二步：对残差做ADF检验
result = adfuller(residuals)
print(f'残差p值: {result[1]}')

if result[1] < 0.05:
    print('存在协整关系')
else:
    print('不存在协整关系')

1.3.3 均值回归

协整关系存在，意味着价差（残差）会围绕0上下波动。这就是均值回归。我们的交易策略，就是在这个价差偏离到一定程度时进场，等它回归时离场。

但这里有个坑：均值回归的速度和幅度，不是固定的。我见过一些策略，价差偏离到2个标准差就进场，结果价差继续扩大到4个标准差，直接爆仓。所以，仓位管理和止损是统计套利的必修课。

1.4 知识体系总览

为了让你对本章内容有个整体印象，我画了一张图：

1.5 本章小结

好了，咱们把第一章的内容捋一捋：

• 统计套利不是无风险套利，它赌的是概率，不是确定性。
• 核心数学工具：平稳性检验（ADF）、协整检验（Engle-Granger）、均值回归假设。
• 关键风险：模型可能失效，历史关系可能破裂。仓位管理和止损是保命符。

我个人觉得，统计套利最迷人的地方在于：它把交易从「艺术」变成了「科学」。你不需要猜涨跌，你只需要找到稳定的关系，然后机械地执行。当然，找到这个关系本身，就是一门学问。