2. 配对交易基础
配对交易并不是“找两个走势相似的股票，一个涨多了就空它、另一个跌多了就买它”这么简单。它背后依赖的是一套可检验的统计假设：两个价格序列之间存在长期稳定的均衡关系，短期偏离会被某种力量拉回。理解均值回归、协整与平稳性，是判断一组配对是否值得交易的前提；而区分配对交易与套利，则决定了你对收益来源和风险的预期是否现实。
一、核心原理：均值回归与价差的“弹性”
均值回归（Mean Reversion）指某个变量在偏离其长期均值后，有倾向回到均值的统计特征。配对交易把这一思想用在两个资产的价差（或价比）上：若A、B长期同步，那么价差spread = P_A − β·P_B 应当围绕某个稳定水平波动。当spread显著高于历史均值时，做空A、做多B；当spread显著低于均值时，做多A、做空B。盈利来自价差回归，而不是方向性判断。
但“价差会回归”不是自然规律，而是需要验证的假设。若两个价格各自随机游走、彼此没有稳定关系，价差可能长期发散，回归交易就会变成逆势扛单。因此，配对筛选的第一步不是看图形像不像，而是做统计检验。
二、平稳性与协整：配对交易的统计地基
平稳性（Stationarity）描述一个时间序列的统计特性（均值、方差、自相关）不随时间整体漂移。严格平稳要求联合分布不变，弱平稳通常要求均值恒定、方差有限、自协方差只与时间间隔有关。价格序列通常不平稳（有趋势、方差变化），但收益率序列往往更接近平稳。配对交易真正关心的是：价差序列是否平稳。
协整（Cointegration）是比“相关”更强的概念。两个不平稳序列若存在某个线性组合是平稳的，则称它们协整。例如P_A和P_B都是一阶单整I(1)，但P_A − β·P_B ~ I(0)，说明它们被同一组长期因素绑定，短期可以分离，长期不会无限远离。相关系数只衡量同期同向变动，不能保证价差稳定；协整则直接针对价差的可交易性。
常用检验流程如下：
- 对两个价格序列做单位根检验（ADF、PP或KPSS），确认同阶单整，通常要求均为I(1)。
- 用OLS估计长期关系：P_A = α + β·P_B + ε，得到残差序列ε。
- 对残差做ADF检验。若拒绝“存在单位根”，则残差平稳，支持协整关系。
- 也可用Engle-Granger两步法或Johansen检验处理多资产情形。
- 估计价差的均值与标准差，设定开仓、平仓、止损阈值。
# 以Python statsmodels为例的简化流程
import numpy as np, statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
# 1) 价格序列 pa, pb 均为I(1)的假设需先检验
X = sm.add_constant(pb)
model = sm.OLS(pa, X).fit()
spread = model.resid
# 2) 对残差做ADF检验
adf_stat, pvalue, usedlag, nobs, crit, icbest = adfuller(spread)
print("ADF stat:", adf_stat, "p-value:", pvalue)
# 3) 若p-value较小（如<0.05），可认为残差平稳，协整关系成立
zscore = (spread - spread.mean()) / spread.std()
# 当zscore > 2 做空价差；zscore < -2 做多价差；回归0附近平仓需要强调：ADF的p值受样本量、滞后阶数、趋势项设定影响；协整关系也可能随时间变化。回测中应使用滚动窗口重新估计β和残差分布，而不是用全样本参数“偷看未来”。
三、配对交易与套利的区别
很多人把配对交易直接叫“统计套利”，但两者在风险属性上有本质差异。无风险套利通常依赖同一资产在不同市场或不同合约间的确定价差，理论上可锁定利润；配对交易是统计意义上的套利，价差回归只是概率事件，可能不回归甚至继续扩大。
| 维度 | 配对交易 | 无风险套利 |
|---|---|---|
| 收益来源 | 价差均值回归的统计规律 | 同一资产/现金流的定价不一致 |
| 风险性质 | 存在模型风险、结构变化风险、逼空风险 | 理论风险极低，主要执行与对手方风险 |
| 持有期 | 数天到数月，取决于回归速度 | 通常较短，依赖价差收敛窗口 |
| 典型例子 | 同行业两只股票、ETF与成分股 | 期现套利、跨市场同一标的价差 |
| 关键检验 | 协整、平稳性、半衰期 | 现金流、交割规则、交易成本 |
四、常见应用场景与实战要点
配对交易在以下场景中较常见：
- 同行业股票配对：如两家业务高度重合的银行、能源或消费公司，受共同宏观因子驱动，价差具备回归基础。
- ETF与成分股/期货配对：利用一篮子与单只成分股之间的短期错定价，但需处理权重、分红与展期。
- 可转债与正股：转股溢价率、波动率变化会制造价差机会，但条款复杂，需额外建模。
- 跨期合约配对：同一品种不同到期月合约的价差，受库存、季节性和资金成本影响。
- ADR与本地股：同一公司在不同市场的价格，受汇率、资本管制和交易时差影响。
实战中建议按以下清单推进：
- 经济逻辑先行：先确认两资产有共同驱动因素，再做统计检验，避免纯数据挖掘。
- 检验同阶单整与协整，估计半衰期，半衰期过长（如超过60个交易日）则资金效率低。
- 用滚动窗口估计β与z-score阈值，避免全样本参数带来的前视偏差。
- 计入交易成本、融券费用、冲击成本与滑点，很多“纸面回归”会被成本吃掉。
- 设置最大持有期与硬止损，防止价差结构性发散导致无限亏损。
- 回测中保留样本外区间，观察参数稳定性与不同市场状态下的表现。
总结来看，配对交易的基础可以压缩成一句话：用经济逻辑找候选，用协整与平稳性做验证，用均值回归定信号，用风险控制兜底。把“统计套利”还原为“有条件的概率交易”，才能在后续的筛选与回测中保持清醒。