Ornstein-Uhlenbeck 过程与均值回归半衰期：给均值复归定个时标 • halo 的技术博客

配对交易里那个被对冲掉的部分——价差（spread）——它的「脾气」决定了一切。价差今天偏离均值 5%，你是该立刻加仓赌它回去，还是等它再走远一点？答案只取决于一件事：它回归均值有多快。

这个问题在波动率建模、利率期限结构、甚至订单流失衡里反复出现。给它一个数学身体，就是 Ornstein-Uhlenbeck（OU）过程；而给它一把尺子，就是本文的主角——半衰期（half-life）。

一、OU 过程：把「均值回归」写成一个方程#

标准 OU 是一个带「弹性」的随机微分方程：

$dx_t = \kappa(\theta - x_t)\,dt + \sigma\,dW_t$

逐项读：

$\theta$ 是长期均值（中枢）；
$\kappa > 0$ 是回归速度： $\kappa$ 越大，偏离被拉回越快；
$\sigma\,dW_t$ 是瞬时冲击（布朗运动乘以波动幅度）。

最妙的是，解这方程的期望路径是简单的指数衰减：

$\mathbb{E}[x_t \mid x_0] = \theta + (x_0 - \theta)\,e^{-\kappa t}$

也就是说，任意时刻偏离均值的部分，都按 $e^{-\kappa t}$ 指数式缩水。这条曲线不依赖任何随机项——它描述的是期望路径，真实样本会在它周围抖动，但中枢与衰减率由 $\theta、\kappa$ 完全决定，所以 κ 才成为可估计的唯一自由度。

二、半衰期：给回归速度一个可解释的数字#

「 $\kappa=0.08$ 到底快不快？」没人直觉得了。把衰减和「离均值的距离减半」绑在一起，就得到半衰期：

$HL = \frac{\ln 2}{\kappa}$

含义直白：每过 HL 个单位时间，当前偏离均值的距离就会缩小一半。 $\kappa=0.08$ 时 $HL\approx 8.7$ 步——如果你按日度建模，就是大约 9 个交易日回归一半。这把「回归速度」翻译成了任何人都能用的时标。

不同 κ 的 OU 路径都会回到中枢；随机游走（κ=0）永不回归

一个常被忽略的孪生结论：OU 的稳态方差也收敛到 $\sigma^2/(2\kappa)$ ——回归越快（κ 大），长期波动越小。这意味着快回归的价差不仅「回得急」，长期也「更安静」，两类信息对仓位规模是同向的，可以合并成一个仓位标量。和 AR(1) 的衰减 $b^t$ 对照会更直觉：离散步长下 $b=e^{-\kappa\Delta t}$ ，所以「每步乘 b」就是「每 $\Delta t$ 时间乘 $e^{-\kappa\Delta t}$ 」——连续与离散在此严丝合缝地接上，后面用回归斜率反推 κ 正是利用这条桥。但这只在 κ 恒定、无跳的理想假设下成立，跳变与时变 κ 怎么拆，见第六节。

三、实战怎么估：把 OU 离散成 AR(1)#

真实数据不是连续 SDE，而是离散的时间序列。把 OU 用步长 $\Delta t$ 离散化：

$x_t = \theta + b\,(x_{t-1} - \theta) + \sigma\sqrt{\Delta t}\,\varepsilon_t, \qquad b = e^{-\kappa\Delta t}$

这正是 AR(1) 自回归 的形式！于是 $\kappa$ 与半衰期可以纯粹由回归斜率反推：

$\kappa = -\frac{\ln b}{\Delta t}, \qquad HL = -\Delta t\,\frac{\ln 2}{\ln b}$

只要对 $(x_{t-1}, x_t)$ 做 OLS，拿到斜率 $\hat b$ ，就能算出一切。

$对 (x_{t-1}, x_t) 做 OLS 拟合，斜率 b 直接反推出 κ 与半衰期$

四、Python：模拟、拟合、读出半衰期#

下面这段代码与三张配图完全对应，是自洽合成数据（OU 离散化 + 一条对照随机游走），仅用于演示方法；真实落地请用实际价差序列（见文末）。

import numpy as np

def simulate_ou(kappa, theta=0.0, sigma=0.10, dt=1.0, T=600, seed=None):
    rng = np.random.default_rng(seed)
    b = np.exp(-kappa * dt)
    x = np.zeros(T); x[0] = theta + sigma * rng.normal()
    for t in range(1, T):
        x[t] = theta + b * (x[t-1] - theta) + sigma * np.sqrt(dt) * rng.normal()
    return x, b

def ar1_slope(x):
    """OLS: x_t = a + b*x_{t-1} + e  →  返回 (截距, 斜率b, 斜率标准误)"""
    y = x[1:]; X = np.column_stack([np.ones_like(x[:-1]), x[:-1]])
    beta, *_ = np.linalg.lstsq(X, y, rcond=None)
    a, b = beta
    resid = y - X @ beta
    seb = np.sqrt((resid @ resid) / (len(y) - 2) /
                  np.sum((x[:-1] - x[:-1].mean()) ** 2))
    return a, b, seb

# 真实 κ=0.15 → 理论半衰期 ln2/0.15 ≈ 4.6 步
x, _ = simulate_ou(0.15, T=600, seed=21)
a, b, seb = ar1_slope(x)
kappa = -np.log(b)            # dt = 1
half = np.log(2) / kappa
print(f"b={b:.3f}±{seb:.3f}  κ={kappa:.3f}  half-life={half:.2f}")

python

跑出来 $\hat b\approx 0.88$ 、 $\hat\kappa\approx 0.124$ 、半衰期约 5.6 步——和理论值 4.6 同量级，差异来自有限样本的估计噪声（这就是第六节要说的陷阱）。

手算复核与一个被低估的用法#

把 $\hat b=0.88$ 代回公式自己算一遍： $\kappa = -\ln(0.88) \approx 0.128$ （ $\Delta t=1$ ），于是 $HL = \ln 2 / 0.128 \approx 5.4$ 步——和代码输出对得上。这一步必须能手算复核，因为 $\kappa$ 是分母上的对数，任何把 $b$ 算错的符号或数量级错误，都会被半衰期反比放大成离谱结论。

半衰期真正的价值，是把它接成持有期设计器。由期望衰减 $e^{-\kappa t}$ 可知，持有 $T$ 步后偏离均值被拉回的比例是：

$\text{reversion fraction}(T) = 1 - e^{-\kappa T}$

代入 $T=HL$ 得 0.5（定义）； $T=2\,HL$ 得 0.75； $T=3\,HL$ 得 0.875。也就是说：持有约两个半衰期，你就吃到了四分之三的均值回归力道；再往后持有，边际回归收益迅速变薄，反而开始累积冲击成本。配对交易里「价差偏离几个标准差时建仓、回到中枢附近就平」的阈值，本质上就是用 HL 把「几个 σ 偏离 ≈ 几个 HL 的等待」翻译成了具体数字。

五、半衰期随 κ 变化：一张图记住数量级#

半衰期与回归速度是反比：κ 翻倍，HL 减半；κ 趋近 0，HL 爆炸。这条曲线值得刻进肌肉记忆：

半衰期 = ln2/κ 随回归速度加快而缩短

对照两个极端很重要：

随机游走：等价于 $b=1$ ，即 $\kappa=0$ ，半衰期无穷大——根本没有均值可回归。如果你的价差其实是个随机游走，那「等它回归」就是等一个永远不会来的价。
过快回归（κ 很大）：HL 短到几个 tick，那已经不是统计套利，而是做市/高频的游戏，成本结构完全不同。

六、实盘三大真实陷阱#

陷阱一：先问「它到底回不回归」——单位根检验。 OU 的一切前提是序列平稳。很多所谓「价差」在样本内看着挺均值回归，样本外却是带漂移的随机游走。动手估 HL 之前，先做 ADF/KPSS 检验确认平稳；否则你算出的半衰期是个毫无意义的数字（∞ 的近似）。

陷阱二：OU 假设「线性、连续、无跳」。 真实价差会被跳变打断——财报、停牌、指数调样会让价差瞬间跳到新平台，OU 的平滑弹性捕捉不到。加上 κ 本身可能时变（牛市的价差比危机里黏得多），用全样本一个固定 κ 去估，等于用平均气温指导今天穿什么。稳健做法是用滚动窗口或状态切换模型估时变 HL。

陷阱三：小样本下 b 的偏差会骗你。 上节的 5.6 vs 4.6 已经显示，样本不够长、噪声不够小，OLS 斜率就会系统性偏一点，HL 跟着偏。更阴险的是估计误差会被半衰期反比放大：κ 越小（HL 越长），ln(b) 越靠近 0， denominator 上的一点点误差都会被除成很大的 HL 抖动。长 HL 的资产，HL 几乎不可靠地估计。

陷阱四：单一 HL 掩盖了多尺度。 真实价差常常同时挂着「快回归 + 慢漂移」两层：OU 层在几个 HL 内把偏离拉回，但还有个慢趋势在悄悄挪动中枢。你用全样本估出的一个 κ，其实是这两层的混血，会高估快回归、低估慢漂移。实战里要把序列先做多尺度分解（或对中枢本身做滚动估计），再分别读 HL——否则你按单 HL 设的止盈带，会被慢趋势一层层推出去再拉回，白白挨来回。

七、落地路径与诚实结论#

真实复现时，把合成序列换成：

价差来源：协整配对的两腿残差、ETF 折溢价、VIX 与实现波动之差、利率期限利差等；
估计：对平稳价差做滚动 AR(1) 拿时变 κ，再用 $HL=\ln2/\kappa$ 转成持有期与仓位节奏的参考；
用法：HL 不是买卖信号，而是时间尺度的校准器——HL 越长，越该降低调仓频率、放宽止盈带，别用高频的耐心去熬长 HL 的价差。
跨资产：同一把尺子能跨资产比——波动率目标里的 vol 本身有 OU 式均值回复、利率期限斜率也是，分别读出 HL 后，哪个资产「回归更急」一目了然，组合里该给谁更短的再平衡周期也有据可依。
给 HL 一个置信区间：单点估计没有意义。用 bootstrap 或滚动窗口把 HL 的重抽样分布画出来，若 90% 区间跨了一个数量级，那这个 HL 只配当「量级直觉」，不配进任何硬性阈值。

结论：OU 过程把模糊的「会回归」变成可估计、可比较的 $\kappa$ 与半衰期。它是配对交易和波动率建模的默认身体，但身体有前提——平稳、无跳、κ 恒定。落到自己数据上，先证伪单位根、再谈半衰期，否则你量到的只是一段恰好看起来会回家的随机游走。