3、统计与概率基础：均值、方差、协方差、相关系数、正态分布、平稳性、自相关、偏度峰度等核心统计概念
统计套利的本质是寻找资产价格之间稳定的统计规律，并利用这种规律的暂时偏离进行交易。无论是配对交易、均值回归策略，还是多因子模型，其底层逻辑都建立在一系列统计概念之上。如果对这些概念的理解仅停留在“会用函数计算”的层面，而缺乏对数学含义与市场映射的深刻把握，策略在实盘中往往会因“统计陷阱”而失效。本章将系统梳理统计套利中最高频使用的八个核心统计量，从数学定义、市场含义、计算逻辑到实战应用，构建一套完整的统计思维框架。
3.1 描述性统计：均值、方差、偏度与峰度
核心原理：均值（Mean）是随机变量取值的集中趋势度量，在统计套利中通常指价差序列的长期均衡水平。方差（Variance）及其平方根标准差（Standard Deviation）衡量数据围绕均值的离散程度，是构建布林带、计算Z-Score的基础。偏度（Skewness）描述分布的不对称性：正偏度意味着右尾更长，负偏度意味着左尾更长。峰度（Kurtosis）衡量分布尾部的厚度，超额峰度（Excess Kurtosis）大于0表示分布具有“厚尾”特征，即极端值出现的概率高于正态分布。
市场映射：在配对交易中，价差序列的均值对应着两只股票长期维持的均衡比价关系；标准差决定了均值回归通道的宽度；偏度揭示了价差偏离方向的不对称性——若价差呈正偏态，则正向偏离（价差扩大）的幅度可能更大；峰度则直接关系到尾部风险，厚尾分布意味着使用正态假设计算出的VaR会严重低估极端损失。
| 统计量 | 数学定义 | 市场含义 | 套利应用 |
|---|---|---|---|
| 均值 μ | E[X] = Σxᵢ/n | 价差均衡水平 | 判断价差是否偏离中枢 |
| 标准差 σ | √E[(X-μ)²] | 价差波动幅度 | 设定开仓/止损阈值（如±2σ） |
| 偏度 S | E[(X-μ)³]/σ³ | 偏离方向的不对称性 | 调整非对称止盈止损 |
| 峰度 K | E[(X-μ)⁴]/σ⁴ | 极端值出现概率 | 评估尾部风险，修正仓位 |
3.2 相关性分析：协方差、相关系数与协整
核心原理：协方差（Covariance）度量两个变量同向变化的程度，但其数值受量纲影响，难以直接比较。皮尔逊相关系数（Pearson Correlation Coefficient）将协方差标准化到[-1, 1]区间，公式为 ρ = Cov(X,Y)/(σₓ·σᵧ)。相关系数衡量的是线性相关，无法捕捉非线性关系。更重要的是，相关系数描述的是“同步变动”而非“长期均衡”——两只股票相关系数很高，但价差可能并不稳定，因为相关系数会随时间漂移。
协整（Cointegration）是统计套利中比相关系数更关键的概念。协整刻画的是两个或多个非平稳时间序列的线性组合呈现平稳性。Engle-Granger两步法是最常用的协整检验方法：第一步对两个价格序列做OLS回归，第二步对残差序列做ADF单位根检验。若残差序列平稳，则说明两个序列存在协整关系，即它们之间存在长期均衡约束。
3.3 时间序列特性：平稳性、自相关与正态性
平稳性（Stationarity）：严格平稳要求联合分布随时间平移不变，实际应用中通常使用弱平稳（均值、方差恒定，自协方差仅与滞后阶数有关）。ADF检验（Augmented Dickey-Fuller Test）是判断序列平稳性的标准方法，原假设为“存在单位根（非平稳）”。在统计套利中，我们构造的价差序列必须是平稳的，否则均值回归逻辑不成立。
自相关（Autocorrelation）：自相关函数（ACF）度量序列与其自身滞后版本的相关性。若价差序列在滞后1阶或2阶存在显著正自相关，说明价差变动具有动量效应；若存在负自相关，则暗示均值回归特性。Ljung-Box Q检验用于判断多个滞后阶数的联合显著性。自相关结构直接决定了策略的交易频率和持仓周期。
正态性检验：Jarque-Bera检验结合偏度和峰度判断序列是否服从正态分布。虽然价差序列通常近似正态，但实际金融数据常呈现“尖峰厚尾”特征。若拒绝正态假设，则基于正态分布的Z-Score开仓阈值（如±2）需要调整，可改用分位数阈值或t分布假设。
# Python伪代码：价差序列的平稳性与自相关检验
from statsmodels.tsa.stattools import adfuller, acf
from statsmodels.stats.diagnostic import acorr_ljungbox
# 假设spread为价差序列
adf_stat, p_value, _, _, _, _ = adfuller(spread)
print(f'ADF检验p值: {p_value:.4f}') # p<0.05 拒绝单位根，序列平稳
# 自相关检验
acf_vals = acf(spread, nlags=10)
ljung_box_stat, ljung_box_p = acorr_ljungbox(spread, lags=[5, 10])
print(f'Ljung-Box p值: {ljung_box_p.values}') # p<0.05 存在显著自相关3.4 实战案例：基于统计检验的配对筛选与策略构建
案例背景：某量化团队希望从沪深300成分股中筛选出适合做配对交易的股票对。初步通过行业分类和相关系数筛选出3组候选配对，但需要进一步通过统计检验确认其适用性。
初始数据与目标：选取2023年1月至2024年6月的日收盘价数据（约350个交易日）。候选配对：① 贵州茅台 vs 五粮液（同属白酒板块）；② 招商银行 vs 兴业银行（同属银行板块）；③ 宁德时代 vs 比亚迪（同属新能源车产业链）。目标是筛选出价差平稳、自相关结构适合均值回归的配对。
分析过程：
- 相关系数计算：三组配对的日收益率相关系数分别为0.82、0.91、0.76，均高于0.7的初筛阈值。
- 协整检验：对每组配对的价格序列取对数后进行Engle-Granger两步法检验。结果：配对①的残差ADF检验p值为0.03（平稳）；配对②的p值为0.11（非平稳）；配对③的p值为0.07（临界）。
- 价差序列构建：对配对①计算价差 spread = log(P_A) - β·log(P_B)，其中β为OLS回归系数。计算价差的均值、标准差、偏度、峰度。
- 自相关分析：配对①价差序列的ACF显示滞后1阶自相关系数为-0.23（显著），滞后2阶为-0.08（不显著），说明存在一阶均值回归动力。
- 正态性检验：Jarque-Bera统计量为18.7（p<0.01），拒绝正态假设，价差分布呈尖峰厚尾特征。
操作与结果：最终选择配对①（茅台-五粮液）作为交易标的。设定Z-Score开仓阈值：由于厚尾特征，将传统±2σ调整为±1.8σ（对应约92%分位数），止损阈值设为±3.5σ。回测结果显示，年化收益率为12.3%，最大回撤4.8%，夏普比率1.85。配对②因协整检验不通过被剔除，避免了后续可能出现的价差永久性偏离风险。
复盘经验：相关系数高只是必要不充分条件，协整检验是核心筛选步骤；厚尾分布下应适当放宽开仓阈值、收紧止损阈值；自相关结构决定了策略的持仓周期——本例中一阶负自相关意味着适合短线交易（持仓1-3天）。
3.5 总结复盘：统计概念在策略中的协同作用
统计套利策略的构建是一个从“描述”到“推断”再到“决策”的递进过程。均值与方差提供了价差的基本画像；偏度与峰度揭示了分布的尾部风险；协方差与相关系数完成了初筛；协整检验确认了长期均衡关系；平稳性保证了均值回归逻辑的成立；自相关结构决定了交易频率；正态性检验则影响阈值设定与仓位管理。这八个概念并非孤立存在，而是构成一个完整的决策链条。在实际应用中，建议建立如下统计检验流程：
| 步骤 | 检验内容 | 通过标准 | 失败处理 |
|---|---|---|---|
| 1 | 相关系数初筛 | ρ > 0.7 | 淘汰 |
| 2 | 协整检验 | ADF p < 0.05 | 淘汰 |
| 3 | 价差平稳性 | ADF p < 0.05 | 调整β或更换配对 |
| 4 | 自相关结构 | 存在显著负自相关 | 考虑动量策略或放弃 |
| 5 | 偏度/峰度 | 记录分布特征 | 调整阈值与仓位 |
最后需要强调的是，统计工具是“术”，对市场微观结构的理解才是“道”。任何统计检验都无法完全消除模型风险，建议在策略上线前进行滚动窗口的参数敏感性测试，并设置基于统计量恶化的熔断机制（如协整p值连续上升时暂停交易）。