1. 课程导入

一、为什么从“均值回归”开始

在量化交易与系统化投资中，均值回归是最容易被直觉接受、也最容易被误用的思想之一。它的核心命题可以概括为一句话：当价格或价差在短期内显著偏离其长期均衡水平时，未来有较大概率向均衡方向收敛。这里的“均值”不是某条固定均线，而是一个由统计规律、基本面约束或套利机制共同支撑的动态中枢。

理解均值回归，必须同时接受两个事实。第一，偏离确实会反复出现，因为市场情绪、流动性冲击、资金调仓和短期供需失衡会持续制造错误定价。第二，偏离并不保证收敛，因为结构性变化、制度变迁、信用风险或趋势性资金流可能让“均值”本身发生漂移。因此，均值回归策略的成败不取决于是否相信回归，而取决于如何定义均值、如何度量偏离、如何组合多个模型、以及如何在回归失败时控制损失。

二、核心原理：均值、偏离与收敛机制

均值回归的数学基础通常来自平稳时间序列或协整关系。对于单资产价格序列，若其对数价格近似围绕某个缓慢变化的水平波动，则可用Ornstein-Uhlenbeck过程描述：

dX_t = θ(μ - X_t)dt + σ dW_t

其中：
θ：回归速度，越大表示偏离后收敛越快
μ：长期均值水平
σ：波动率
X_t：当前观测值

当θ显著大于0时，序列具有均值回归特性；当θ接近0时，更接近随机游走，回归假设不成立。对于配对或多资产场景，常用协整检验判断价差是否平稳，例如Engle-Granger两步法或Johansen检验。

但统计显著不等于可交易。真实市场中，回归速度、交易成本、冲击成本和资金容量共同决定策略净值。一个θ很高的价差可能因为点差和手续费而无法覆盖成本；一个θ较低的价差可能需要更长持有期，从而暴露于更多不确定性。因此，均值回归策略的第一原则是：先确认回归机制的经济逻辑，再确认统计特征，最后才讨论参数与执行。

三、多模型组合：从单点判断到概率共识

单一均值回归模型容易在特定市场状态下失效。例如，布林带回归在震荡市表现良好，但在单边趋势中会连续止损；配对交易在行业逻辑稳定时有效，但在成分股基本面分化时会持续亏损。多模型组合的目的不是简单叠加信号，而是通过不同均值定义、不同时间尺度、不同资产维度的模型，形成更稳健的概率共识。

常见的组合维度包括：

• 时间尺度组合：短周期（分钟至小时）捕捉情绪偏离，中周期（日线）捕捉统计套利，长周期（周线）捕捉基本面回归。
• 资产维度组合：单资产均值回归、配对价差回归、多资产协整组合、跨品种套利。
• 信号类型组合：Z-Score偏离、布林带突破、RSI极值、卡尔曼滤波动态均值、机器学习残差回归。
• 权重分配组合：等权、风险平价、波动率倒数加权、基于历史表现的动态加权。

组合后的信号不再是“买或卖”的二元判断，而是目标仓位。例如，每个模型输出一个标准化分数，再通过加权求和映射到[-1,1]区间，最终乘以风险预算得到实际仓位。这样可以在部分模型失效时，依靠其他模型维持整体稳健性。

四、风险控制：均值回归策略的生命线

均值回归策略最危险的时刻，是“偏离继续扩大”的时候。此时若没有明确的风控规则，很容易陷入加仓摊平、亏损扩大的恶性循环。风险控制需要覆盖四个层面：

五、课程整体框架与学习目标

本课程共30章，按照“认知—建模—组合—风控—实战”的主线展开。第1部分建立均值回归与多模型组合的认知框架；第2部分深入单模型构建，包括Z-Score、布林带、配对交易、协整、卡尔曼滤波等；第3部分进入多模型组合与权重优化；第4部分系统讲解风险控制、资金管理与回撤控制；第5部分通过完整案例复盘，将前述方法落地为可执行的交易系统。

学习目标如下：

1. 能够独立判断一个价格序列或价差是否具备均值回归特性，并解释其经济逻辑。
2. 能够构建至少三种均值回归模型，并完成参数敏感性分析与样本外验证。
3. 能够设计多模型组合框架，合理分配权重并控制组合相关性。
4. 能够建立从头寸到组合到执行层的完整风控体系。
5. 能够通过复盘识别策略失效信号，并做出暂停、调整或退出的决策。

六、一个典型场景：从偏离到回归的完整链路

假设你监控两只同行业股票A和B，历史价差围绕0波动。某日价差Z-Score达到2.5，模型判断价差偏高，触发做空价差（空A多B）。但接下来价差继续扩大到3.5，此时你面临三个选择：止损、持有等待、或加仓。正确的做法不是凭感觉，而是依据预设规则：

if zscore >= 2.5:
    开仓做空价差
if zscore >= 3.5:
    触发硬止损，平仓
if 持有时间 > 10个交易日:
    时间止损，平仓
if 协整关系p值 > 0.05:
    暂停该配对，重新筛选

这个简单示例体现了本课程的核心逻辑：信号负责发现机会，组合负责分散风险，风控负责限制损失，复盘负责持续改进。四者缺一不可。

七、常见误区与复盘要点

• 误区一：把均线当均值。均线只是均值的估计之一，且滞后。真正的均值需要结合协整、基本面或动态滤波。
• 误区二：忽略回归速度。回归太慢的策略，资金占用时间长，年化收益可能被时间成本吞噬。
• 误区三：过度优化参数。在历史数据上追求完美参数，往往导致样本外失效。应使用滚动窗口和样本外测试。
• 误区四：组合等于分散。如果多个模型高度相关，组合后风险并未降低。必须监控模型间相关性。
• 误区五：没有退出机制。均值回归策略的退出规则比入场规则更重要，包括止盈、止损、时间止损和逻辑止损。

八、本章小结

均值回归是一种关于“偏离与收敛”的概率假设，而不是确定性规律。多模型组合通过不同视角提高信号稳健性，风险控制则确保在假设失效时仍能生存。接下来，你将逐步进入具体模型的构建与验证。请记住：先有逻辑，再有统计，最后才有交易。