均值回归的理论基础#
均值回归（Mean Reversion）是量化交易中最经典的策略之一，其核心假设是：资产价格会围绕某个均衡值波动，偏离均值后终将回归。
这个概念可以追溯到19世纪的高尔顿（Francis Galton）提出的”回归到均值”现象。在金融市场中，均值回归策略广泛应用于：
- 配对交易（Pairs Trading）
- 统计套利（Statistical Arbitrage）
- 波动率交易（Volatility Trading）
- 行业轮动（Sector Rotation）
数学原理：Ornstein-Uhlenbeck过程#
均值回归可以用Ornstein-Uhlenbeck (OU) 过程来建模：
dX_t = θ(μ - X_t)dt + σdW_t其中：
- θ (回归速度)：价格回归均值的速度
- μ (长期均值)：均衡价格
- σ (波动率)：随机扰动的标准差
- W_t：维纳过程（布朗运动）
关键指标：半衰期（Half-Life）#
半衰期为价格回归到均值一半所需的时间：
HL = ln(2) / θ实战意义：
- HL < 10天：短期均值回归，适合高频交易
- HL 10-30天：中期策略，适合日内/隔夜
- HL > 30天：长期策略，适合持仓数周
构建均值回归策略的步骤#
1. 选择标的#
适合均值回归的资产特征：
- ✅ 有清晰的长期均值
- ✅ 波动率高但不过度（适合做波段）
- ✅ 流动性好（降低交易成本）
- ✅ 有经济逻辑支撑（不只是统计现象）
经典标的：
- 股指ETF（如沪深300ETF、标普500ETF）
- 商品期货（如原油、黄金）
- 外汇对（如EUR/USD）
- 配对股票（如可口可乐 vs 百事可乐）
2. 计算均值和标准差#
常用方法：
import pandas as pd
import numpy as np
# 方法1：简单移动平均
rolling_mean = price.rolling(window=20).mean()
rolling_std = price.rolling(window=20).std()
# 方法2：指数加权移动平均（更灵敏）
ewm_mean = price.ewm(span=20).mean()
ewm_std = price.ewm(span=20).std()
# 方法3：卡尔曼滤波（自适应）
from pykalman import KalmanFilter
kf = KalmanFilter(transition_matrices=[1], observation_matrices=[1])
state_means, _ = kf.filter(price.values)3. 生成交易信号#
Z-Score策略（最常用）：
z_score = (price - rolling_mean) / rolling_std
# 交易规则
if z_score < -2:
signal = 1 # 买入（价格低估）
elif z_score > 2:
signal = -1 # 卖出（价格高估）
else:
signal = 0 # 持有或空仓布林带策略（Bollinger Bands）：
upper_band = rolling_mean + 2 * rolling_std
lower_band = rolling_mean - 2 * rolling_std
if price < lower_band:
signal = 1 # 买入
elif price > upper_band:
signal = -1 # 卖出4. 风险管理#
均值回归策略的风险在于价格可能不回归（趋势行情）。
防护措施：
- 止损线：Z-Score突破±3时止损
- 最大持仓时间：超过N天未回归就平仓
- 仓位管理：根据Z-Score大小动态调整仓位
- 相关性监控：标的的相关性突然失效要警惕
# 动态仓位管理
position_size = (1 / abs(z_score)) * base_position
position_size = min(position_size, max_position) # 上限约束Python实战：配对交易示例#
以**工商银行(601398) vs 建设银行(601939)**为例：
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import coint
# 1. 获取价格数据
gs = pd.read_csv('ICBC.csv', index_col=0, parse_dates=True)['Close']
ccb = pd.read_csv('CCB.csv', index_col=0, parse_dates=True)['Close']
# 2. 协整检验（确保长期均衡关系）
score, p_value, _ = coint(gs, ccb)
print(f"协整检验 p-value: {p_value:.4f}") # <0.05 说明存在协整关系
# 3. 计算对冲比例（OLS回归）
from sklearn.linear_model import LinearRegression
X = ccb.values.reshape(-1, 1)
y = gs.values
model = LinearRegression().fit(X, y)
hedge_ratio = model.coef_[0]
# 4. 计算价差（Spread）
spread = gs - hedge_ratio * ccb
# 5. 计算Z-Score
z_score = (spread - spread.rolling(20).mean()) / spread.rolling(20).std()
# 6. 生成交易信号
signal = pd.Series(0, index=z_score.index)
signal[z_score < -2] = 1 # 买入工商银行，卖出建设银行
signal[z_score > 2] = -1 # 卖出工商银行，买入建设银行
signal[z_score.between(-0.5, 0.5)] = 0 # 平仓
# 7. 回测
returns = signal.shift(1) * (np.log(gs / gs.shift(1)) - hedge_ratio * np.log(ccb / ccb.shift(1)))
cumulative_returns = returns.cumsum()均值回归 vs 动量策略#
| 特征 | 均值回归 | 动量策略 |
|---|---|---|
| 市场状态 | 震荡市 | 趋势市 |
| 持仓时间 | 短-中期 | 中-长期 |
| 交易频率 | 高 | 低 |
| 胜率 | 高（60-70%） | 低（40-50%） |
| 盈亏比 | 低（0.5-1） | 高（2-3） |
| 最大风险 | 趋势行情 | 均值回归 |
组合使用：
- 用ADF检验（Augmented Dickey-Fuller）判断当前是趋势还是均值回归
- 趋势行情用动量，震荡行情用均值回归
实盘注意事项#
1. 交易成本#
均值回归策略交易频繁，交易成本影响大：
# 考虑交易成本后的净收益
gross_return = 0.002 # 毛利0.2%
transaction_cost = 0.001 # 手续费0.1%
net_return = gross_return - transaction_cost # 净利0.1%优化方法：
- 提高入场阈值（Z-Score从±2提高到±2.5）
- 降低交易频率（用日线而非小时线）
- 选择低费率的券商
2. 滑点控制#
均值回归策略常在极端价格成交（涨停/跌停），滑点大：
# 限价单 + 智能路由
order = LimitOrder(price=current_price * 0.995) # 限价单
order.set_smart_routing(True) # 智能路由到最优交易所3. 模型衰减#
均值回归的半衰期会变化（市场结构改变）：
# 滚动估计半衰期
half_life = []
for window in rolling_windows:
theta = estimate_ou_parameters(price[window])['theta']
half_life.append(np.log(2) / theta)
# 如果半衰期显著变长，说明均值回归失效
if half_life[-1] > 2 * half_life[0]:
print("警告：均值回归速度显著下降！")进阶：机器学习优化#
传统均值回归的局限性：
- ❌ 固定阈值（Z-Score ±2）不适应市场变化
- ❌ 忽略其他信息（成交量、波动率、宏观因子）
- ❌ 无法捕捉非线性关系
解决方案：用LSTM预测均值回归时机
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 构建LSTM模型
model = Sequential([
LSTM(50, return_sequences=True, input_shape=(lookback, n_features)),
LSTM(50),
Dense(1)
])
# 特征工程
features = pd.DataFrame({
'z_score': z_score,
'volatility': price.rolling(20).std(),
'volume_ratio': volume / volume.rolling(20).mean(),
'rsi': compute_rsi(price, 14)
})
# 标签：未来5天是否回归
labels = (price.shift(-5) - rolling_mean) / rolling_std < 0.5
# 训练模型
model.fit(features, labels, epochs=50, batch_size=32)绩效评估#
用以下指标评估均值回归策略：
# 1. 夏普比率
sharpe = returns.mean() / returns.std() * np.sqrt(252)
# 2. 最大回撤
cumulative = (1 + returns).cumprod()
running_max = cumulative.cummax()
drawdown = (cumulative - running_max) / running_max
max_drawdown = drawdown.min()
# 3. 卡尔马比率（年化收益 / 最大回撤）
calmar = returns.mean() * 252 / abs(max_drawdown)
# 4. 胜率
win_rate = (returns > 0).sum() / len(returns)总结#
均值回归策略是量化交易的基石，核心要点：
- 理论基础：价格围绕均值波动，偏离后会回归
- 数学工具：OU过程、Z-Score、半衰期
- 实战步骤：选标的 → 算均值 → 生成信号 → 风险管理
- 风险控制：止损、最大持仓时间、动态仓位
- 进阶方向：机器学习优化、配对交易、统计套利
适用场景：
- ✅ 震荡市、无趋势行情
- ✅ 高波动率高流动性资产
- ✅ 有经济逻辑支撑的价差
不适用场景：
- ❌ 强趋势行情（容易止损）
- ❌ 黑天鹅事件（均值可能永久改变）
- ❌ 高交易成本的市场
下期预告：LSTM神经网络在量化交易中的应用 — 用深度学习捕捉非线性模式！
本文代码仅供参考，实盘交易需谨慎验证。均值回归策略在趋势行情中会发生连续止损，务必做好风险控制。