配对交易与协整分析：统计套利的实战指南 • halo 的技术博客

什么是配对交易？#

配对交易（Pairs Trading）是一种典型的市场中性策略，通过寻找两个高度相关的资产，当价格偏离历史均衡时做多低估资产、做空高估资产，等待价格回归获利。

核心思想：均值回归 + 对冲市场系统性风险

协整理论：配对交易的数学基础#

平稳性检验#

在进行配对交易前，必须验证两个价格序列是否存在协整关系：

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import coint, adfuller

# Augmented Dickey-Fuller检验（平稳性）
def adf_test(series):
    result = adfuller(series, autolag='AIC')
    return {
        'ADF Statistic': result[0],
        'p-value': result[1],
        'Critical Values': result[4]
    }

# 协整检验
def cointegration_test(series1, series2):
    result = coint(series1, series2)
    return {
        'coint_stat': result[0],
        'p-value': result[1],
        'critical_values': result[2]
    }

python

协整 vs 相关性#

维度	相关性	协整
衡量	短期联动	长期均衡
平稳性要求	无	需要
套利意义	弱	强
实际案例	同行业股票	股指期货vs现货

实战步骤：构建配对交易策略#

Step 1: 候选股票筛选#

# 示例：在同一行业内寻找潜在配对
import yfinance as yf
from itertools import combinations

def find_potential_pairs(tickers, start='2020-01-01'):
    """寻找协整配对的候选股票"""
    data = yf.download(tickers, start=start)['Adj Close']
    
    pairs = []
    for ticker1, ticker2 in combinations(tickers, 2):
        # 协整检验
        score, pvalue, _ = coint(data[ticker1], data[ticker2])
        if pvalue < 0.05:  # 显著协整
            pairs.append({
                'pair': (ticker1, ticker2),
                'p-value': pvalue,
                'coint_score': score
            })
    
    return sorted(pairs, key=lambda x: x['p-value'])

python

Step 2: 计算价差和Z分数#

def calculate_spread_zscore(price1, price2, window=20):
    """计算价差和Z分数"""
    # 对冲比例（用OLS回归）
    import statsmodels.api as sm
    X = sm.add_constant(price2)
    model = sm.OLS(price1, X).fit()
    beta = model.params[1]
    
    # 计算价差
    spread = price1 - beta * price2
    
    # 计算Z分数
    zscore = (spread - spread.rolling(window).mean()) / spread.rolling(window).std()
    
    return spread, zscore, beta

python

配对交易价差可视化

Step 3: 交易信号生成#

class PairsTradingStrategy:
    def __init__(self, entry_zscore=2.0, exit_zscore=0.5):
        self.entry_zscore = entry_zscore
        self.exit_zscore = exit_zscore
        
    def generate_signals(self, zscore):
        """生成交易信号：1=做多价差，-1=做空价差，0=平仓"""
        signals = pd.Series(0, index=zscore.index)
        
        # 进场：Z分数超过阈值
        signals[zscore > self.entry_zscore] = -1  # 做空价差
        signals[zscore < -self.entry_zscore] = 1   # 做多价差
        
        # 出场：Z分数回归
        signals[(signals != 0) & (abs(zscore) < self.exit_zscore)] = 0
        
        return signals.fillna(0)

python

风险管理要点#

1. 止损规则#

def stop_loss(zscore, max_zscore=4.0):
    """Z分数超过历史极值时止损"""
    return abs(zscore) > max_zscore

python

2. 持仓时间限制#

配对交易应有最大持仓周期（如20个交易日），避免价差长期不回归。

3. 资金管理#

单对配对：总资金的2-5%
同时持仓配对数量：≤5对
动态调整：根据波动率调整仓位

实证案例：A股银行股配对#

以招商银行(600036) 和 平安银行(000001) 为例：

# 回测设置
pair = ('600036.SS', '000001.SZ')
start_date = '2020-01-01'
end_date = '2025-12-31'

# 回测结果
results = backtest_pairs_strategy(
    pair, 
    start_date, 
    end_date,
    initial_capital=1000000,
    commission=0.0003
)

print(f"年化收益率: {results['annual_return']:.2%}")
print(f"夏普比率: {results['sharpe_ratio']:.2f}")
print(f"最大回撤: {results['max_drawdown']:.2%}")

python

回测净值曲线

常见陷阱与应对#

陷阱1：伪协整#

现象：样本内协整显著，样本外失效

应对：

使用滚动窗口检验协整稳定性
样本外测试至少6个月
考虑结构断裂检验

陷阱2：交易成本侵蚀利润#

现象：高频来回交易，手续费吃掉收益

应对：

设置合理的Z分数阈值（≥2.0）
考虑交易成本优化阈值
使用限价单减少滑点

陷阱3：模型退化#

现象：市场结构变化导致配对关系失效

应对：

定期重新检验协整关系
设置配对失效监控指标
建立配对轮换机制

进阶话题#

多资产配对交易#

扩展到一篮子股票 vs 指数ETF：

更稳定的协整关系
更好的流动性
更高的对冲效率

机器学习增强#

使用LSTM预测价差回归时间：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 构建LSTM模型预测价差方向
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(lookback, n_features)),
    LSTM(50),
    Dense(1)
])

python

总结#

配对交易是统计套利的核心策略，成功的关键在于：

严格的协整检验：确保长期均衡关系存在
合理的风险管理：止损、仓位、持仓时间
持续的监控与优化：市场变化时需要调整参数
低交易成本执行：对手续费和滑点敏感

实战建议：从流动性好的大盘股开始，使用分钟级数据回测，逐步建立自己的配对交易系统。

参考资源：

Vidyamurthy, G. (2004). Pairs Trading: Quantitative Methods and Analysis
Pole, A. (2007). Statistical Arbitrage: Algorithmic Trading Insights and Techniques
Chan, E. (2013). Algorithmic Trading: Winning Strategies and Their Rationale