配对交易实务：从协整检验到实盘执行

引言#

配对交易（Pairs Trading）是最经典的统计套利策略之一，其核心理念是寻找两个历史价格走势高度相关的资产，当价差偏离常态时做多低估资产、做空高估资产，等待价差回归获利。本文将深入探讨配对交易的完整实务流程。

协整检验：配对交易的基石#

为什么需要协整而非简单相关？#

很多初学者误以为只要两只股票相关系数高就能配对，这是错误的。相关系数衡量的是同期线性关系，而协整性（Cointegration）衡量的是长期均衡关系。

协整的关键特征：

• 两只股票的线性组合是平稳过程
• 价差（Spread）具有均值回归特性
• 即使各自都是非平稳的时间序列（如随机游走），其线性组合也可以是平稳的

Augmented Dickey-Fuller (ADF) 检验#

实际应用中，我们采用 ADF 检验来验证价差是否平稳：

from statsmodels.tsa.stattools import adfuller
import numpy as np

def check_cointegration(price1, price2):
    """检验两个价格序列的协整性"""
    # 线性回归求对冲比率
    X = price2.values.reshape(-1, 1)
    y = price1.values
    beta = np.linalg.lstsq(X, y, rcond=None)[0][0]
    
    # 计算价差
    spread = price1 - beta * price2
    
    # ADF检验
    adf_result = adfuller(spread, autolag='AIC')
    
    return {
        'adf_statistic': adf_result[0],
        'p_value': adf_result[1],
        'hedge_ratio': beta,
        'is_cointegrated': adf_result[1] < 0.05
    }

判断标准：

• p-value < 0.05：拒绝原假设（存在单位根），价差是平稳的，两资产协整
• p-value ≥ 0.05：不能拒绝原假设，价差非平稳，不适合配对

配对选择：如何筛选优质配对？#

基本面筛选#

协整性是必要条件，但非充分条件。优质的配对交易还需满足：

1. 同行业或相似业务模式：确保长期均衡关系有经济逻辑支撑
2. 市值相近：避免流动性差异过大导致的执行风险
3. 历史相关性 > 0.7：保证价差的均值回归特性

技术指标筛选#

除了协整检验，还可以考察：

• 半衰期（Half-life）：价差回归均值所需时间的对数尺度

  • 计算公式：HL = ln(2) / |λ|，其中 λ 是 Ornstein-Uhlenbeck 过程的均值回归速度
  • 实务中，半衰期在 5-20 个交易日较为理想

• Hurst 指数：衡量时间序列的记忆性

  • H < 0.5：均值回归（适合配对交易）
  • H = 0.5：随机游走
  • H > 0.5：趋势性

交易信号设计#

Z-Score 标准化#

将价差标准化为 Z-Score，便于设定统一的入场和出场阈值：

def calculate_z_score(spread, window=20):
    """计算价差的Z-Score"""
    mean = spread.rolling(window=window).mean()
    std = spread.rolling(window=window).std()
    z_score = (spread - mean) / std
    return z_score

入场与出场阈值#

经典设置：

• 入场：|Z-Score| > 2.0（做多低估、做空高估）
• 出场：Z-Score 回归到 0 附近（如 |Z-Score| < 0.5）
• 止损：|Z-Score| > 3.0（价差持续扩大，协整关系可能失效）

动态阈值优化： 可以采用分位数法动态调整阈值，适应不同市场环境下的波动率变化。

实盘执行要点#

1. 对冲比率的动态更新#

协整关系并非永久不变，建议：

• 每月重新估计对冲比率（β）
• 当 β 变化超过 10% 时，考虑平仓并重新建仓
• 采用 Kalman Filter 实时更新对冲比率（进阶方法）

2. 交易成本控制#

配对交易属于高频策略，交易成本影响巨大：

• 双边换手率：每次交易需同时买入和卖出，交易成本翻倍
• 滑点管理：使用限价单（Limit Order）避免市价单的大滑点
• 冲击成本：大单拆分执行，避免对市场造成冲击

3. 风险管理#

仓位管理：

• 单对配对的最大仓位不超过总资金的 5%
• 同时持有 10-20 对配对，分散非系统性风险

止损规则：

• 时间止损：持仓超过 30 个交易日仍未收敛，强制平仓
• 价值止损：价差的 Z-Score 突破 -3.5 或 +3.5

中国市场的实务考量#

做空限制#

A 股市场做空机制有限，可采用以下替代方案：

1. 融券卖出：部分标的可融券，但成本和可得性受限
2. 股指期货对冲：用沪深 300/中证 500 期货近似替代做空
3. 反向 ETF：部分市场有杠杆反向 ETF，但跟踪误差较大

涨停板限制#

中国市场的涨跌停板制度可能导致：

• 无法及时平仓
• 价差持续扩大而无法收敛

应对策略：

• 避开波动率极高的时期（如政策发布日）
• 设置更严格的止损阈值

绩效评估#

一个典型的配对交易策略应关注以下指标：

结语#

配对交易看似简单，实则需要严谨的统计检验、精细的信号设计和严格的实盘执行。成功的配对交易员往往是：

• 统计学家：深入理解协整、平稳性等概念
• 程序员：能够高效回测和优化策略
• 交易员：懂得风险管理和执行技巧

在量化交易竞争日益激烈的今天，配对交易仍是值得深入研究的策略。关键在于持续挖掘新的配对机会、优化执行算法，以及严格控制风险。

上图展示了典型配对交易的价差均值回归过程：当 Z-Score 突破阈值时入场，等待价差回归时出场

Python 实现 ADF 协整检验的核心代码段