3. 均值回归现象
一、均值回归的直观理解
均值回归（Mean Reversion）描述的是这样一个现象：当一个变量偏离其长期均衡水平后，存在一种内在力量把它拉回中心。它并不是说价格“必须”回到某个固定数字，而是说偏离越远，回归的倾向越强。理解这一点，可以用三个日常类比：
- 橡皮筋：拉得越长，回弹的力越大。价格偏离均值越远，回归压力通常越明显。
- 体温调节：健康人的体温围绕 36.5°C 波动，发烧是偏离，退烧过程就是回归。
- 醉汉走路：他每一步方向随机，但长期看不会无限远离路灯，因为存在“回家”的微弱牵引。
在量化语言中，均值回归通常用 Ornstein-Uhlenbeck（OU）过程刻画：
dX_t = θ(μ - X_t)dt + σ dW_t
θ：回归速度（越大回归越快）
μ：长期均值
σ：波动率
dW_t：布朗运动增量其中 θ 是本章后续建模的核心参数。θ 越大，偏离被纠正得越快；θ 趋近于 0，过程就退化为随机游走。
二、金融物理中的实例
均值回归在金融市场中并非处处成立，但在特定品种和特定时间尺度上非常典型。以下是几个常见场景：
| 场景 | 回归对象 | 典型 θ 量级 | 说明 |
|---|---|---|---|
| 配对交易 | 两只股票价差 | 中高 | 价差偏离历史均值后做空高估、做多低估 |
| 商品跨期价差 | 近月与远月合约价差 | 中 | 受仓储、交割制度约束，价差有边界 |
| 利率 | 短期利率 | 中低 | 央行政策目标形成长期锚 |
| 波动率 | 隐含波动率指数 | 高 | VIX 具有明显的脉冲后回落特征 |
| 日内微观结构 | 买卖价差、订单失衡 | 很高 | 做市商库存管理导致快速回归 |
以配对交易为例，假设股票 A 与股票 B 历史价差均值为 0，标准差为 1。当价差达到 +2 时，均值回归策略会做空 A、做多 B，等待价差回到 0 附近平仓。这里的 θ 决定了价差回归的速度，也直接决定了持仓时间和资金占用成本。
金融物理视角下，均值回归常被解释为“势能井”：价格被某种经济摩擦或制度约束限制在均衡附近，偏离会积累反向势能。
三、与趋势和随机游走的区别
很多初学者会把均值回归、趋势和随机游走混为一谈。三者在统计特征上有本质差异：
- 均值回归：自相关为负，偏离后倾向于反向修正，方差随时间收敛。
- 趋势（动量）：自相关为正，上涨后倾向于继续上涨，方差随时间扩张。
- 随机游走：自相关为零，过去信息无法预测未来方向，方差随时间线性增长。
可以用一个简单实验区分三者。对同一段价格序列计算滞后 1 期的自相关系数：
import numpy as np
def lag1_autocorr(series):
s = np.asarray(series, dtype=float)
s = s - s.mean()
return np.corrcoef(s[:-1], s[1:])[0, 1]
# 均值回归序列：负自相关
# 趋势序列：正自相关
# 随机游走：接近 0更严格的判断可以结合方差比检验（Variance Ratio Test）或 ADF 单位根检验。若 ADF 拒绝单位根，说明序列更可能是均值回归而非随机游走。
常见误区：把“价格围绕均线波动”直接等同于均值回归。均线本身会随价格移动，真正的均值回归需要检验序列是否具有稳定的长期均值和负自相关。否则可能只是趋势中的正常回调。
四、案例复盘与建模启示
考虑一个真实场景：某商品近月与远月价差在过去两年围绕 50 波动，标准差约 8。某日价差扩大到 78，即偏离约 3.5 个标准差。若直接做空价差，可能面临两种结果：
- 价差在数日内回归到 55，策略盈利；
- 价差继续扩大到 95，因为出现了交割规则变化或库存极端紧张，此时均值本身发生了漂移。
这个案例说明：均值回归建模的关键不只是估计 θ，还要判断均值 μ 是否稳定。若 μ 发生结构性变化，回归速度再快也可能失效。因此实战中通常需要：
- 滚动估计 μ 和 θ，而不是用全样本固定值；
- 设置偏离阈值和止损边界，防止“均值漂移”导致爆仓；
- 结合基本面或制度约束，确认回归逻辑仍然成立。