4. 失效监控概述
均值回归策略在回测中往往表现优雅，但在实盘中却可能因为市场结构变化而逐步失效。失效监控的核心任务，不是预测未来，而是尽早识别“当前策略赖以生存的统计前提是否已经被破坏”。本章将围绕失效监控的目标、关键指标、监控流程与常见失效模式展开，为后续章节的工程实现打下概念基础。
一、失效监控的目标：从“事后归因”转向“事前预警”
很多团队在策略亏损后才开始复盘，这属于事后归因。失效监控的目标是建立一套持续运行的观测体系，在策略出现重大回撤之前，捕捉到统计特征的漂移信号。具体而言，失效监控要回答三个问题：
- 策略是否仍然有效？即价差序列是否仍围绕均值波动，而非出现趋势性偏移。
- 失效是暂时的还是结构性的？暂时性失效可能来自流动性冲击或极端事件，结构性失效则意味着均值回归关系本身已经断裂。
- 应该降仓、暂停还是退出？监控结果必须能映射为明确的仓位动作，而不是只停留在图表上。
失效监控不是追求“零回撤”，而是在策略失效早期以可控成本降低暴露，避免在结构突变中持续加仓。
二、关键指标：漂移、半衰期与回归速度
均值回归策略的监控指标应围绕“均值是否稳定”和“回归是否有效”两个维度设计。以下三个指标是最核心的观测对象。
| 指标 | 含义 | 监控意义 | 典型异常信号 |
|---|---|---|---|
| 漂移 | 价差序列均值随时间的变化量 | 判断均值是否稳定 | 滚动均值持续单向移动，偏离历史中枢 |
| 半衰期 | 价差偏离均值后回归一半所需的时间 | 判断回归速度是否变慢 | 半衰期显著拉长，甚至超过持仓周期 |
| 回归速度 | 单位时间内价差向均值收敛的强度 | 判断回归动力是否减弱 | 回归系数下降，价差在均值附近停留时间变短或不再收敛 |
漂移通常用滚动窗口均值与长期均值的差值来衡量。半衰期可以通过对价差序列拟合 Ornstein-Uhlenbeck 过程得到，其近似关系为 half_life = ln(2) / theta，其中 theta 是回归速度参数。回归速度则可以直接使用滚动窗口内的自回归系数或均值回归系数来监控。
# 示例：滚动窗口半衰期监控
import numpy as np
import pandas as pd
def rolling_half_life(spread, window=60):
hl = []
for i in range(window, len(spread)):
y = spread[i-window:i]
x = y[:-1]
y_next = y[1:]
beta = np.polyfit(x, y_next, 1)[0]
theta = -np.log(beta) if beta > 0 else np.nan
hl.append(np.log(2) / theta if theta and theta > 0 else np.nan)
return pd.Series(hl, index=spread.index[window:])
# 当半衰期超过持仓周期的2倍时，触发预警
alert = rolling_half_life(spread) > 2 * holding_period
三个指标应联合使用：漂移告诉你“均值是否还在”，半衰期告诉你“回归是否还来得及”，回归速度告诉你“回归是否还有力”。
三、监控流程：从数据采集到动作触发
失效监控不是单一指标的计算，而是一条完整的流水线。建议按以下流程组织：
- 数据采集与清洗：持续获取价差序列、成交价、持仓周期等基础数据，处理缺失值与异常值。
- 指标计算：按固定频率计算漂移、半衰期、回归速度，并保留滚动窗口历史。
- 阈值判定：为每个指标设定静态阈值与动态阈值，动态阈值可基于历史分位数。
- 信号聚合：将多个指标的异常信号合成为统一的失效评分，避免单一指标误报。
- 动作触发：根据失效评分映射为降仓、暂停开仓、强制平仓等动作。
- 记录与复盘：记录每次触发的时间、指标值与后续表现，用于迭代阈值。
# 监控日志示例
2025-03-10 09:35:00 | spread_drift=0.82 | half_life=14.2 | reg_speed=0.031 | score=0.67 | action=reduce_position
2025-03-10 10:05:00 | spread_drift=1.15 | half_life=21.7 | reg_speed=0.018 | score=0.84 | action=pause_open
2025-03-10 10:35:00 | spread_drift=1.43 | half_life=33.5 | reg_speed=0.009 | score=0.93 | action=force_close
四、常见失效模式与复盘要点
均值回归策略的失效并非随机，通常集中在以下几种模式中：
- 均值漂移型失效：价差均值发生结构性偏移，历史中枢不再适用。常见于宏观政策变化、行业格局重构。
- 回归速度衰减型失效：价差仍然围绕均值波动，但回归速度显著下降，导致持仓周期被拉长，资金效率下降。
- 波动率突变型失效：价差波动率骤升，止损被频繁触发，策略在震荡中反复亏损。
- 流动性枯竭型失效：买卖价差扩大、成交困难，导致理论回归无法转化为实际收益。
- 过拟合型失效：回测中参数过度优化，实盘中无法复现，表现为指标在样本外迅速恶化。
最常见的误区是：只监控策略净值，不监控统计特征。净值回撤是结果，统计特征漂移才是原因。等到净值大幅回撤才行动，往往已经错过了最佳降仓窗口。
复盘时应重点关注：失效信号出现的时间是否早于净值回撤？阈值是否过于宽松或过于敏感？动作触发后是否真正降低了损失？只有把监控指标与仓位动作形成闭环，失效监控才具有实战价值。