「指数涨了 1%，我的对冲头寸怎么反而亏了？」——这是用固定对冲比做配对/对冲交易的人，最常在 regime 切换时遇到的问题。根子在哪儿？你用来对冲的那个 β，它自己就在变。
本文不堆公式，直接给你一套能跑的代码：把对冲比放进状态空间模型，用卡尔曼滤波（Kalman Filter）从价格序列里实时「学」出动态 β，再和静态 OLS、滚动 OLS 做硬碰硬的对比。你会发现，光是「让对冲比动起来」这一步，就能把对冲残差的方差砍掉一个数量级。
一、为什么固定对冲比会失效#
最朴素的对冲思路是最小二乘：用一段历史窗口回归 y = β·x + ε，拿到一个 β 后，长期持有「多 y、空 β 份 x」的中性组合。问题在于——这个 β 是历史的平均值，而市场不是静止的。
真实世界里，对冲比会变的原因至少有三：
- Regime 切换：比如股指期货和现货的基差结构在升水/贴水之间切换，对冲比会跳变；
- 结构性漂移：标的的基本面关系缓慢变化（如两只股票从强相关走向分化）；
- 流动性与微观结构：成交量、买卖价差变化会改变两者的最优对冲比例。
下图第一根线就是「真实 β_t」：它在中段有一个正弦慢漂移，在 t=950 附近还有一个阶跃（模拟一次 regime 切换）。后面三条线分别是三种估计方法——你能直观看到，红色虚线（静态 OLS）在最右侧已经系统性偏离，橙色（滚动 OLS）能跟上但噪声大、滞后明显，而蓝色（卡尔曼）既跟得住又平滑。
二、卡尔曼滤波：一句话直觉#
卡尔曼滤波干的事，就是在「信任模型预测」和「信任新观测」之间，按不确定性动态加权。
想象你蒙眼往前走（状态预测），每隔几秒有人告诉你真实位置（观测）。如果你走得很稳（预测不确定小），你就更信自己的估计；如果观测噪声很小（测量很准），你就更信那个读数。卡尔曼滤波用严格的数学，把这两种「信任度」量化成每一步的卡尔曼增益（Kalman Gain），自动求出最优折中。
放到对冲场景，我们把「对冲比 β」当作隐藏状态——它看不见，但能通过 y 和 x 的关系推断出来。
三、动态对冲比的状态空间模型#
把对冲关系写成：
观测方程： y_t = β_t · x_t + μ_t + ε_t, ε_t ~ N(0, R) ← R 是观测噪声方差
状态方程： [β_t, μ_t]^T = [β_{t-1}, μ_{t-1}]^T + w_t, w_t ~ N(0, Q) ← Q 是状态演化方差这里 β_t 是我们要的动态对冲比，μ_t 是缓慢漂移的截距（吸收价差、基差等水平项），Q 控制 β 变化的「快慢」，R 控制我们对价格噪声的容忍。整套逻辑就是含时变系数的线性回归，用卡尔曼滤波在线估计。
下面是从零实现的卡尔曼滤波（不依赖 pykalman，纯 numpy，方便你嵌进回测）：
import numpy as np
def kalman_hedge_ratio(y, x, R=1.4, Qb=5e-6, Qm=5e-5):
"""
在线估计动态对冲比 β_t 与截距 μ_t。
状态 θ_t = [β_t, μ_t]，随机游走演化；观测 H_t = [x_t, 1]。
"""
n = len(y)
theta = np.zeros((n, 2)) # 状态估计 [beta, mu]
P = np.zeros((n, 2, 2)) # 状态协方差
theta[0] = [0.5, 0.0]
P[0] = np.eye(2) * 10.0 # 初始不确定度大一点
Q = np.diag([Qb, Qm]) # 状态演化噪声
for k in range(1, n):
# —— 预测步：状态按随机游走外推，不确定度累积 ——
theta_pred = theta[k - 1].copy()
P_pred = P[k - 1] + Q
# —— 更新步：用新观测 y[k] 修正 ——
H = np.array([x[k], 1.0]) # 观测矩阵
S = H @ P_pred @ H + R # 新息(innovation)方差
K = P_pred @ H / S # 卡尔曼增益
innov = y[k] - H @ theta_pred # 预测误差
theta[k] = theta_pred + K * innov # 修正状态
P[k] = (np.eye(2) - np.outer(K, H)) @ P_pred # 更新不确定度
return theta[:, 0], theta[:, 1] # 返回 beta_t, mu_t 序列注意 Q 和 R 这两个旋钮：Q 调大，滤波更「跟手」但更抖；R 调大，滤波更「平滑」但更滞后。实战里通常用一段样本做极大似然或网格搜索来定，下文会讲。
四、实证对比：静态 OLS vs 滚动 OLS vs 卡尔曼#
我们用一段合成数据（x 为标的物、y 为其可套利对手，真实 β_t 含慢漂移 + 一次阶跃）跑三种方法，看对冲后的残差有多干净。对照组代码：
def rolling_ols(y, x, W=120):
"""滚动窗口 OLS，模拟实务中常用的固定窗口再估计。"""
n = len(y)
beta = np.full(n, np.nan)
for k in range(W, n):
b = np.polyfit(x[k - W:k], y[k - W:k], 1)
beta[k] = b[0]
beta[:W] = np.polyfit(x, y, 1)[0]
return beta
# 三种对冲比的残差（持有「多 y + 空 β·x」中性组合）
beta_kf, mu_kf = kalman_hedge_ratio(y, x)
beta_roll = rolling_ols(y, x, 120)
b_static, a_static = np.polyfit(x, y, 1) # 全样本静态
res_static = y - b_static * x - a_static
res_kf = y - beta_kf * x - mu_kf把对冲残差的累计轨迹画出来（下图），结论很直观：卡尔曼动态对冲的净值线明显更扁、更贴着 0 轴，说明它把绝大部分共同波动都对冲掉了，剩下的是真正的 idiosyncratic 噪声。
更硬的指标看分布。把日度残差（即对冲组合的每日 PnL）画成直方图：
在我跑的这组样本里，静态 OLS 对冲残差的标准差约 18.8，而卡尔曼动态对冲只有 1.9，方差下降约 99%。这不是「魔法」——静态方法在 regime 切换后，用的是过时的 β，等于对冲了一半「错误的方向」，残差里混入了大量本可对冲掉的系统性波动。
提醒：99% 是合成数据刻意放大了 regime 切换的演示效果。真实市场里削减幅度没这么夸张，但「动态对冲显著优于静态」的结论是稳健的，尤其在基差/价差结构易变的产品上。
五、另一战场：动态 Delta 对冲#
卡尔曼滤波不止能对冲「两只标的的关系」，也能对冲「期权与标的的关系」。期权 Delta 本质就是对标的的局部对冲比，而它会随价格、时间、波动率一起变。
思路完全通用：把期权价格当 y、标的当 x，用卡尔曼滤波在线估计「隐含 Delta」——它甚至不依赖 BS 模型的波动率假设，是从 tick 数据里直接「反」出来的经验 Delta。对波动率曲面扭曲、临近到期的合约，这种数据驱动的 Delta 往往比解析公式更贴实际。本质上，这就是把上一节的 β_t 换成 Δ_t，其余代码一行都不用改。
六、滤波器直观：它到底在权衡什么#
下图把卡尔曼滤波的「灵魂」单独拎出来演示：一条被重噪声淹没的绿色真实信号，灰色是含噪观测，蓝色是滤波估计，蓝色阴影是 95% 置信带。
你能看到：在信号平稳段，置信带很窄、估计很稳；在信号快速变化时，滤波会「试探性」跟随但保留安全裕度。这正是 Q（状态敢不敢变）和 R（敢不敢信观测）两个旋钮在起作用——不是猜测，而是每一步都用不确定度算出来的最优权衡。
七、实战三大陷阱#
- Q/R 调参即模型风险：滤波质量高度依赖
Q、R。调得太「跟手」会过拟合噪声、制造假信号；太「平滑」又滞后。务必在样本外或用滚动窗口重估，别把全样本最优参数当圣旨。 - 假设线性高斯：标准卡尔曼滤波假设状态方程和观测方程都是线性、噪声是高斯的。跳空缺口、涨跌停、流动性黑洞会让这些假设瞬间崩塌，此时需要扩展卡尔曼（EKF）或无迹卡尔曼（UKF），甚至粒子滤波。
- 别忽略交易成本：动态对冲意味着更频繁调仓。β_t 每变一点就 rebalance，手续费和冲击成本可能吃掉全部方差削减收益。实务上要加「死区」（β 变化超过阈值才调仓）或在目标函数里直接计入成本。
八、小结#
卡尔曼滤波给动态对冲提供了一套在线、自适应、带不确定度量的框架：它把「对冲比」从「历史平均值」升级成「随市场实时演化的状态」，在 regime 切换和高噪声环境里，比静态/滚动 OLS 更跟手、更干净。它的真正价值不在「预测」，而在「在信模型还是信数据之间，每一步都做出数学最优的取舍」。
下一篇，我们把镜头从「估计一个参数」转向「在几千种组合里搜索最优解」——遗传算法如何在大约束下做组合优化。