📚 课程目录第1章统计套利概述

一、统计套利概述

统计套利，说白了就是「找规律赚钱」。

我刚开始接触这个领域时，觉得它特别玄乎。后来做多了才发现，核心思想其实很简单：找到两个或多个资产之间稳定的统计关系，当这个关系暂时偏离时，押注它会回归。

举个例子。我曾在项目中跟踪过贵州茅台和五粮液的股价走势。你会发现，这两只股票长期走势高度同步。某天茅台突然涨了3%，五粮液只涨了0.5%——这时候，统计套利者就会买入五粮液、卖出茅台，赌它们的价差会回到正常水平。

这不是猜涨跌，而是赌「关系」的稳定性。

统计套利的本质：利用历史数据中发现的统计规律，构建多空组合，从价格偏离中获利。

很多人会把统计套利和无风险套利搞混。我当年也犯过这个错——以为套利就是稳赚不赔。其实差别很大。

无风险套利，比如同一只股票在A股和港股的价格差。理论上你可以低价买入、高价卖出，锁住利润。但现实中，这种机会几乎被高频交易者抢光了。

统计套利不一样。它承认风险的存在——你赌的是「大概率会回归」，但偶尔也会不回归。我曾经在2015年股灾时吃过这个亏，后面会细说。

注意：统计套利不是无风险套利。它赚的是「概率优势」的钱，不是「确定性」的钱。模型失效时，亏损可能超出预期。

做统计套利，绕不开两个数学概念：均值回归和协整。

均值回归，听起来高大上，其实就是「涨多了会跌，跌多了会涨」。但要注意——不是所有资产都均值回归。

我个人的经验是：趋势性强的品种（比如某些成长股）不适合做均值回归策略。你想想看，一只股票从10块涨到100块，每次回调你都觉得「该跌了」，结果一路踏空。

均值回归的数学表达很简单：

假设价格序列为 P_t
定义偏离度：z = (P_t - μ) / σ
当 |z| > 阈值时，认为价格偏离均值，存在回归机会

阈值怎么设？我习惯用2倍标准差。但这不是铁律，后面章节会讲怎么优化。

协整才是统计套利的核心。它描述的是：两个或多个非平稳序列，它们的线性组合是平稳的。

这句话什么意思？

拿茅台和五粮液来说。单独看，每只股票的价格都是随机游走的（非平稳）。但它们的价差——或者说某个线性组合——却会在一个固定范围内波动（平稳）。这就是协整。

检验协整的常用方法是Engle-Granger两步法：

第一步：用OLS回归估计协整关系
  Y_t = α + β * X_t + ε_t

第二步：检验残差 ε_t 是否平稳
  使用ADF检验（Augmented Dickey-Fuller Test）
  如果残差平稳，则存在协整关系

小技巧：做协整检验时，别忘了考虑滞后阶数。我刚开始做时直接用默认值，结果很多假阳性。后来改成根据AIC自动选择滞后阶数，效果好了不少。

任何策略都有前提假设。统计套利也不例外。我把它总结为三条：

这三条假设，每一条都可能被打破。

第一条，历史不重演怎么办？2008年金融危机时，很多长期稳定的配对关系一夜之间崩塌。我认识的一个交易员，就是因为死守一个历史回测完美的配对，亏掉了全年利润。

第二条，市场如果一直无效呢？嗯，这种情况很少见，但一旦发生，就是灾难。所以止损很重要。

第三条，交易成本。我建议你在回测时，至少把滑点和手续费算到实际成本的1.5倍。别问我为什么——吃过亏的人都知道。

下面这张图，是我梳理的统计套利核心知识框架。你可以把它当作后续学习的导航图。

这张图把本章的核心内容串起来了。从定义出发，对比无风险套利，深入数学基础，最后落到市场假设。后面的章节，就是在这个框架上不断填充细节。

嗯，第一章就到这里。内容不多，但都是基础。打好地基，后面盖楼才稳。