量化交易中如何计算和使用统计套利策略

📅 2026-09-04 12:32👁️ 11775 阅读💬 0 评论

企业微信

统计套利的核心逻辑

统计套利策略基于资产价格之间的长期均衡关系，当价格偏离均衡时入场，期待回归均衡后获利。其数学基础是协整理论，而非简单的相关性。相关性高不代表价格差会收敛，协整则保证价差序列是平稳的，即均值回归属性。运行统计套利需要找到一对或多只具有协整关系的标的，构建价差序列，并计算其标准差。

第一步：筛选协整对

协整检验常用Engle-Granger两步法或Johansen检验。以股票对为例，若A和B的价格序列分别为P_A和P_B，先做回归：P_A = α + β P_B + ε。若残差ε是平稳序列，则A和B协整。平稳性检验用ADF检验，p值小于0.05拒绝非平稳原假设。实际应用中，可对同行业股票、ETF与一篮子股票、期货跨期合约等进行全组合扫描，选择ADF p值最低且经济逻辑合理的配对。

关键参数是β值，反映对冲比例。若β=1.5，则每买入1单位A，需卖出1.5单位B。注意β需定期重估，因为协整关系可能随时间漂移。

量化交易中如何计算和使用统计套利策略

第二步：构建价差与波动带

得到协整对后，定义价差S = P_A - β P_B。计算历史价差的移动平均MA和标准差σ。常用长度60至120个周期。设定入场阈值：当Z-score = (S - MA) / σ 超过+2时，做空价差（卖出A，买入B）；当Z-score低于-2时，做多价差（买入A，卖出B）。出场阈值通常设为0.5或0，即价差回归均值附近。

对于灵活的统计套利，阈值可动态调整。比如使用布林带通道，当价差突破2σ并回落时开仓。止损设置可基于最大偏离，如超过3σ强行平仓，防止协整关系崩溃带来的大规模亏损。

第三步：动态调仓与半衰期

统计套利并非一劳永逸。需监控价差的均值回归速度，用半衰期衡量。半衰期是价差偏离后回到均衡所需时间的一半。计算半衰期可通过对数价差序列的一阶自回归：ΔS_t = λ S_{t-1} + ε_t，半衰期 = -log(2) / λ。λ为负值，若λ接近0，说明均值回归极慢，不适合做统计套利。一般选择半衰期在3至10个交易日内的配对。

调仓频率与半衰期相关。若半衰期较短，则持仓周期短，可提高交易频次；若较长，则需耐心持有。合理设置再平衡间隔，例如每日收盘前检查价差是否触发信号。β值每月滚动回归更新一次，避免参数过时。

第四步：风险管理与成本控制

统计套利的风险主要来自三方面：协整关系破坏、交易成本侵蚀利润、极端市场波动。协整关系可能因公司基本面变化而瓦解，因此每季度重新检验协整性。止损必须果断，当价差突破3σ且无回归迹象时离场。

交易成本包括佣金、滑点和冲击成本。高频统计套利需选择流动性好的品种，并估算价差回归的盈利空间能否覆盖成本。例如，若价差均值回归期望盈利为每单位0.5元，双边交易成本为0.1元，则仍可执行。注意设置最小开仓价差阈值，如Z-score必须大于2.2才触发，避免噪声交易。

第五步：python实现简易统计套利

以下代码演示了协整检验和交易信号生成的基本框架，用于股票对数。实际使用需接入数据源和下单接口。


import numpy as np

import pandas as pd

from statsmodels.tsa.stattools import coint, adfuller

# 假设有价格数据df，包含列 'A', 'B'

df = pd.read_csv('prices.csv', index_col=0, parse_dates=True)

# 1. 协整检验

coint_t, pvalue, _ = coint(df['A'], df['B'])

print(f'coint p-value: {pvalue:.4f}')  # p<0.05则协整

# 2. 计算价差和zscore

# 用滚动窗口估计beta（简单OLS）（实际可用滚动回归）

window = 60

spread = df['A'] - df['B']  # 假设beta=1

mean = spread.rolling(window).mean()

std = spread.rolling(window).std()

z = (spread - mean) / std

# 3. 信号生成

entry_threshold = 2.0

exit_threshold = 0.5

positions = pd.Series(0, index=df.index)

for i in range(1, len(z)):

    if positions.iloc[i-1] == 0:

        if z.iloc[i] > entry_threshold:

            positions.iloc[i] = -1  # 做空价差

        elif z.iloc[i] < -entry_threshold:

            positions.iloc[i] = 1   # 做多价差

    else:

        if positions.iloc[i-1] == -1 and z.iloc[i] < exit_threshold:

            positions.iloc[i] = 0

        elif positions.iloc[i-1] == 1 and z.iloc[i] > -exit_threshold:

            positions.iloc[i] = 0

        else:

            positions.iloc[i] = positions.iloc[i-1]