3. 均值回归概念解析

均值回归是统计套利与量化研究中最容易被“口头理解”、却最难被“工程实现”的概念之一。很多初学者把它简单理解为“涨多了会跌、跌多了会涨”，但在真实的多资产研究中，这种直觉既可能带来盈利，也可能带来灾难。要真正掌握均值回归，必须把它与趋势跟踪区分开，理解平稳性、半衰期和 Ornstein-Uhlenbeck 过程，并进一步理解横截面均值回归与时间序列均值回归的本质差异。

一、核心原理：均值回归与趋势跟踪是两种相反的假设

趋势跟踪假设价格具有惯性：过去上涨的资产未来倾向于继续上涨，因此策略表现为“追涨杀跌”。均值回归则假设价格围绕某个均衡水平波动：当价格偏离均衡过远时，未来倾向于向均衡靠拢，因此策略表现为“高抛低吸”。两者并非谁绝对正确，而是对应不同的市场状态、时间尺度和资产结构。

在时间序列层面，均值回归关注的是单个资产自身价格或价差是否围绕稳定均值波动。例如某股票相对行业指数的价差长期在 -2% 到 +2% 之间摆动，当价差达到 +2.5% 时做空价差，回到 0 附近平仓。在横截面层面，均值回归关注的是同一时刻多个资产之间的相对强弱：过去一段时间表现最差的资产，未来可能相对表现更好；过去最强的资产，未来可能相对走弱。这种“横截面”视角是本章后续多资产统计研究的核心。

二、平稳性、半衰期与 Ornstein-Uhlenbeck 过程

均值回归的统计基础是平稳性。一个平稳序列的均值、方差和自协方差不随时间整体漂移。若价格序列本身不平稳，直接做均值回归非常危险；更常见的做法是构造价差或残差序列，并检验其平稳性。常用方法包括 ADF 检验、KPSS 检验和 Hurst 指数。Hurst 指数小于 0.5 通常意味着反持续性，即更偏向均值回归。

半衰期衡量偏离均值后回到一半距离所需的时间。它直接决定持仓周期和交易频率。若半衰期是 2 天，策略适合短周期；若半衰期是 60 天，则交易成本、资金占用和风险暴露都会显著不同。半衰期可通过 Ornstein-Uhlenbeck 过程估计。OU 过程是连续时间均值回归的标准模型：

dX_t = θ(μ - X_t)dt + σ dW_t

其中：
θ   ：回归速度，越大回归越快
μ   ：长期均值
σ   ：波动率
dW_t：布朗运动增量

在离散数据中，常用 AR(1) 形式估计：

X_t - X_{t-1} = a + b * X_{t-1} + ε_t

若 -2 < b < 0，则存在均值回归。
回归速度 θ = -ln(1 + b)
半衰期 H = ln(2) / θ

下面给出一个简化的 Python 估计示例，用于计算价差序列的半衰期：

import numpy as np
import statsmodels.api as sm

def half_life(spread):
    spread = np.asarray(spread)
    lag = spread[:-1]
    delta = np.diff(spread)
    lag = sm.add_constant(lag)
    model = sm.OLS(delta, lag).fit()
    b = model.params[1]
    theta = -np.log(1 + b)
    return np.log(2) / theta if theta > 0 else np.inf

三、方法流程：从价差构造到横截面信号

一个完整的均值回归研究流程通常包括以下步骤：

1. 选择资产池：横截面均值回归要求资产之间具有可比性，例如同行业股票、同类商品期货或相关性较高的 ETF。
2. 构造价差或残差：时间序列可用配对价差、ETF 与成分股价差；横截面可用收益率排序、估值因子残差或动量反转残差。
3. 检验平稳性：对价差序列做 ADF 检验，确认不存在单位根；同时观察 Hurst 指数是否低于 0.5。
4. 估计半衰期：用 OU 或 AR(1) 估计回归速度，确定合理的持有窗口。
5. 生成信号：当 Z-Score 超过阈值时开仓，回归到均值附近平仓。横截面则做多低排名组合、做空高排名组合。
6. 风险控制：设置止损、最大持有期、行业中性化和波动率目标。

下表对比了时间序列均值回归与横截面均值回归的核心差异：

维度	时间序列均值回归	横截面均值回归
研究对象	单资产或价差序列	同一时点多个资产的相对排序
核心假设	价格围绕自身历史均值波动	相对强弱会反转
典型信号	Z-Score 超过阈值	做多输家、做空赢家
主要风险	均值漂移、结构断裂	系统性因子暴露、拥挤交易
常见应用	配对交易、ETF 套利	多因子反转、行业轮动

四、案例与误区复盘

假设我们研究 20 只同行业股票，计算过去 20 日收益率并排序。横截面均值回归策略会买入排名最低的 5 只，卖空排名最高的 5 只，持有 5 日后平仓。若市场整体上涨，多头和空头可能同时上涨，但策略赚取的是相对收益差。此时必须做行业中性或市场中性处理，否则策略收益会被 Beta 暴露主导。

常见误区包括：第一，把非平稳价格直接做均值回归，结果在趋势中不断逆势加仓；第二，忽略半衰期，用日频信号却持有数月，资金效率极低；第三，在横截面策略中未控制行业和市值暴露，导致收益来自风格因子而非均值回归；第四，过度拟合阈值和回看窗口，样本外表现迅速衰减。

理解均值回归的本质，不是寻找一个永远有效的反转信号，而是识别在什么条件下、什么时间尺度上、哪些资产之间可能存在稳定的回归关系。横截面均值回归进一步把这种关系从“单资产历史”扩展到“多资产相对结构”，为后续的多资产统计研究提供了更丰富的建模空间。