【维克】配对交易：两只股票的"引力波"
前言
在量化交易的所有策略类型里，有一类策略特别"反直觉"——它不关心大盘涨还是跌，不关心个股涨还是跌，它只关心一件事：两只股票之间的关系，偏离了正常水平没有。
这类策略叫配对交易（Pairs Trading）。
它的逻辑极其优雅：找两只"应该同涨同跌"的股票，当它们的价格关系出现异常偏离时，做多被低估的那只、做空被高估的那只，等价差回归时平仓赚钱。你不需要预测市场方向，只需要预测"关系会修复"。
听起来完美。但现实没有完美的策略。2015年，很多A股配对交易者用万科和保利做配对，结果万科因为宝能举牌事件单边暴涨，价差再也没有回归——这就是配对交易最大的风险：你以为的"稳定关系"，可能在一夜之间彻底破裂。
这篇文章，从配对交易的底层原理讲起，带你走完品种选择、协整检验、信号设计、仓位管理、风控监控的完整链路。每一步都有代码和参数参考，帮你把这个"最优雅的量化策略"真正落地。
Why：配对交易为什么是最优雅的量化策略？
可口可乐与百事可乐的故事
1985年，华尔街量化先驱Nunzio Tartaglia的团队发现了一个现象：可口可乐和百事可乐的股价走势，虽然各自波动剧烈，但它们之间的价差总是围绕一个均值来回震荡。
当可口可乐比百事可乐贵了"太多"，就卖空可口可乐、买入百事可乐——等价差回归平仓赚钱。当价差回归甚至反转后，百事可乐比可口可乐贵了"太多"，反向操作。
这个策略后来被称为"配对交易"，是量化交易史上最经典、最优雅的策略之一。
它优雅在哪？三个核心优势：
1. 市场中性：不赌涨跌
做多一只+做空另一只，市场的系统性风险（beta）基本对冲掉了。大盘暴跌？两只股票跌得差不多，你的配对头寸几乎不受影响。大盘暴涨？两只都涨，对冲后也没多少净暴露。你赚的是"价差回归"的钱，不是"市场涨跌"的钱。
2. 风险可控：波动率低
单只股票的年化波动率通常在20-30%，但两只相关股票的价差波动率只有5-8%。为什么？因为同行业的系统性波动被对冲掉了，剩下的只是两只股票之间的"相对偏差"——这个偏差通常很小、很稳定。
3. 逻辑直觉：基本面有支撑
同行业的两只股票，受相同的基本面驱动——行业政策、原材料价格、需求变化。它们的估值逻辑相似，价格应该维持某种稳定的关系。当这个关系暂时偏离时，回归是有基本面逻辑支撑的，不是纯统计游戏。
但优雅不等于安全
2005-2015年，A股市场最经典的配对之一是万科和保利——同属房地产行业龙头，市值规模接近，业务模式相似。两只股票的价差长期稳定，配对交易者靠这个组合赚了不少钱。
然后2015年底，宝能系开始举牌万科。万科股价因为股权争夺事件单边暴涨，和保利的价差急剧扩大。如果你在价差扩大的过程中不断加仓"等回归"，你会亏到怀疑人生——因为这一次，价差再也没回来。
这就是配对交易最致命的风险：关系破裂。 你以为的"稳定关系"可能因为公司事件（并购、重组、造假暴雷）、行业格局变化（政策颠覆、技术革命）或市场结构变化（流动性枯竭、规则改变）而彻底失效。
历史上最著名的配对交易灾难，是2007年的长期资本管理公司（LTCM）。虽然LTCM的策略远比简单配对复杂，但核心逻辑相似——赌关系回归。当俄罗斯债务危机导致市场极端分化时，价差不仅没有回归，反而继续扩大，最终导致这家由诺贝尔经济学奖得主坐镇的基金在几周内亏损46亿美元，险些引发全球金融系统崩溃。
What：配对交易的核心原理
基本假设：价格之间有"引力"
配对交易的假设用一句话说：两只相关资产的价格，就像被一根橡皮筋连着——暂时拉开会弹回来。
用数学语言描述：
Y(t) = α + β × X(t) + ε(t)
• Y、X：两只资产的价格
• α：截距（固定的价格偏移）
• β：对冲比率（Y相对X的价格倍数）
• ε(t)：残差——这就是我们交易的"价差"
当ε(t)偏离其均值时，橡皮筋被拉长了，我们入场赌它弹回来。当ε(t)回归均值时，平仓获利。
关键区分：相关性 ≠ 协整性
很多人以为"两只股票相关性高就可以做配对"，这是错误的。
相关性衡量的是"涨跌方向是否一致"——两只股票每天同涨同跌，相关性就高。但即使相关性高达0.95，它们的价差也可能一直在扩大（只是扩大的速度很稳定）。
协整性衡量的是"价差是否稳定"——两只股票的价差是否围绕一个均值来回震荡，偏离了会不会自动回归。
只有协整的配对才能做配对交易。高相关不等于协整。
举个例子：你和朋友每天从同一个出发点去上班，路线不同但方向一致——你们的路径相关性很高。但如果你的朋友换了工作，新公司比旧公司远10公里，你们的路径虽然还是高度相关，但"距离差"这个指标永久性地变了。相关性还在，但"距离差的均值回归"已经不存在了。
收益来源
配对交易赚的是两种钱：
1. Alpha剥离（价差回归收益）
当两只股票的相对估值偏离后回归，你赚的是alpha——与市场涨跌无关的超额收益。这是配对交易的核心收益来源，也是它被称为"市场中性策略"的原因。
2. 风险对冲（beta中性收益）
做多一只+做空另一只，市场beta基本对冲。即使大盘暴跌5%，只要两只股票跌的幅度差不多，你的配对头寸几乎不受影响。
收益的天花板：价差回归的幅度有限（通常几个百分点），所以配对交易是低收益、低风险的策略——年化收益通常5-15%，波动率5-8%，夏普比率反而可能很高（1.2-2.0）。
配对品种的选择标准
选对品种是配对交易成功的一半。三个核心标准，缺一不可：
1. 行业相关（基本面锚定）
同行业的股票受相同基本面驱动——行业政策、原材料价格、需求变化。价格关系有经济逻辑支撑，偏离后回归的动力更强。
经典配对：
• 银行股：工行 vs 建行、招行 vs 平银
• 白酒：茅台 vs 五粮液（但注意茅台长期溢价问题）
• 券商：中信 vs 海通
• 能源：中石油 vs 中石化
2. 估值逻辑相似（排除"同行业不同命"）
市值规模、盈利模式、财务杠杆要接近。大行 vs 城商行虽然都是银行，但估值逻辑差异巨大——大行受宏观经济影响大，城商行受地方经济影响大，价差的稳定性远不如大行之间。
3. 历史价差平稳（实证验证）
这是最重要的标准——不管行业多相关、估值多相似，如果历史价差不平稳（ADF检验不通过），这个配对就是无效的。
三个标准的关系：行业相关和估值逻辑相似是"先验条件"，帮你缩小候选范围。历史价差平稳是"实证条件"，最终决定这个配对能不能用。
配对交易 vs 单纯做多
| 维度 | 配对交易 | 单纯做多 | | --- | --- | --- | | 市场暴露 | 接近中性 | 完全暴露 | | 年化收益 | 5-15% | 取决于市场环境 | | 波动率 | 5-8% | 15-25% | | 最大回撤 | 10-20% | 30-50% | | 夏普比率 | 1.2-2.0 | 0.3-0.8 | | 容量 | 有限（价差流动性约束） | 大 | | 做空要求 | 必须有 | 不需要 |
A股的特殊挑战：A股做空困难——融券成本高（年化8-10%）、券源不稳定、很多股票根本没有融券标的。纯配对交易在A股执行受限。实务中的常见变体：
• 伪配对：只做多被低估的那只，不卖空被高估的。放弃了市场中性，但执行简单。
• 配对+择时：在市场趋势明确时只做多低估值品种，震荡时做完整配对。
• 期货替代：用股指期货替代做空端，做多低估股票+做空IC/IF合约，近似实现市场中性。
How：配对交易的完整落地实操
第一步：筛选候选配对
// python
import pandas as pd
import numpy as np
from itertools import combinations
def screen_pairs(price_df, corr_threshold=0.8):
"""
初筛：高相关性的股票对
参数：
- price_df: 列为股票代码，行为日期的收盘价DataFrame
- corr_threshold: 相关性阈值，默认0.8
返回：
- pairs: [(股票A, 股票B, 相关系数), ...]，按相关性降序排列
"""
# 计算日收益率
returns = price_df.pct_change().dropna()
# 计算收益率相关性矩阵
corr_matrix = returns.corr()
# 找出高相关的配对（避免重复）
pairs = []
stocks = corr_matrix.columns
for i, j in combinations(range(len(stocks)), 2):
corr = corr_matrix.iloc[i, j]
if corr > corr_threshold:
pairs.append((stocks[i], stocks[j], round(corr, 3)))
# 按相关性从高到低排序
pairs.sort(key=lambda x: x[2], reverse=True)
return pairs
# 示例：在银行股中筛选高相关配对
# bank_stocks = ['601398', '601939', '600036', '000001', '601166']
# price_data = pd.read_csv('bank_prices.csv', index_col='date')
# pairs = screen_pairs(price_data[bank_stocks])
# print(pairs)
逐行解释：
• pct_change()：计算日收益率（百分比变化）
• corr()：计算收益率的相关系数矩阵
• combinations(range(len(stocks)), 2)：两两组合所有股票对，不重复
• 相关性阈值0.8是经验值——低于0.8的配对，价差稳定性通常不够
初筛只做相关性过滤，后面用协整检验做精筛。
第二步：协整检验确认
相关性高 ≠ 适合配对。必须做协整检验，确认价差的平稳性：
// python
from statsmodels.tsa.stattools import coint
import statsmodels.api as sm
def test_cointegration(y_prices, x_prices):
"""
Engle-Granger协整检验
参数：
- y_prices: 股票Y的价格序列
- x_prices: 股票X的价格序列
返回：
- pvalue: 协整检验p值（<0.05表示协整关系成立）
- beta: 对冲比率
- spread: 价差序列（残差）
"""
# 第一步：OLS回归 y = alpha + beta*x + epsilon
x_with_const = sm.add_constant(x_prices)
model = sm.OLS(y_prices, x_with_const).fit()
beta = model.params[1]
alpha = model.params[0]
# 第二步：提取残差作为价差
spread = y_prices - (alpha + beta * x_prices)
# 第三步：ADF检验残差是否平稳
score, pvalue, critical_values = coint(y_prices, x_prices)
return pvalue, beta, spread
# 使用示例：
# pvalue, beta, spread = test_cointegration(y_prices, x_prices)
# print(f"p值: {pvalue:.4f}, 对冲比率: {beta:.3f}")
# if pvalue < 0.05:
# print("协整关系成立，可以做配对交易")
逐行解释：
• sm.add_constant(x_prices)：给自变量加常数项（截距α）
• sm.OLS(y, x).fit()：最小二乘法回归，求出α和β
• spread = y - (alpha + beta * x)：残差就是"价差"——价格偏离均衡关系的程度
• coint(y, x)：Engle-Granger协整检验，返回p值。p值<0.05意味着"价差是平稳的，偏离会回归"
选对标准：p值 < 0.05（统计显著），且价差的半衰期在5-30天之间（回归速度合理）。
第三步：计算价差和交易信号
// python
def pair_trading_signal(spread, lookback=60, entry_z=2.0, exit_z=0.5):
"""
配对交易信号生成
参数：
- spread: 价差序列（协整回归的残差）
- lookback: 计算均值和标准差的回看窗口
- entry_z: 入场Z-score阈值（默认2倍标准差）
- exit_z: 出场Z-score阈值（默认0.5倍标准差）
返回：
- signal: 1=做多价差, -1=做空价差, 0=平仓/无信号
- z_score: 当前Z-score值
"""
# 计算滚动Z-score
mean = spread.rolling(lookback).mean()
std = spread.rolling(lookback).std()
z_score = (spread - mean) / std
current_z = z_score.iloc[-1]
# 信号逻辑
if current_z > entry_z:
signal = -1 # 价差偏高，做空Y做多X（赌价差下降）
elif current_z < -entry_z:
signal = 1 # 价差偏低，做多Y做空X（赌价差上升）
elif abs(current_z) < exit_z:
signal = 0 # 价差回归均值，平仓
else:
signal = None # 持仓等待
return signal, round(current_z, 2)
逐行解释：
• rolling(lookback).mean()：计算过去60天价差的滚动均值
• z_score = (spread - mean) / std：当前价差偏离均值多少个标准差
• Z-score > 2：价差显著偏高，赌它下降（做空Y做多X）
• Z-score < -2：价差显著偏低，赌它上升（做多Y做空X）
• |Z-score| < 0.5：价差已经回归，平仓获利
第四步：仓位管理与执行
仓位计算：
对冲比 = beta（协整回归的系数）。如果beta=1.5，意味着每做空1万元的X，需要做多1.5万元的Y——这样才能保证两边对价差的敏感度一致。
仓位上限：
• 单对配对不超过账户净值的30%
• 多对配对总计不超过50%
• 预留足够保证金应对价差继续扩大的浮亏
A股执行注意事项：
1. 融券成本约年化8-10%，会吃掉一部分收益。如果价差的年化回归收益只有6-8%，扣除融券成本后所剩无几
2. 券源不稳定，可能无法持续做空。今天能借到的券，明天可能被召回
3. 替代方案：用股指期货（IF/IC/IM）替代做空端。做多低估股票+做空股指期货，近似实现市场中性
4. 最简方案：只做"伪配对"——只做多被低估的那只，放弃做空端。在市场下行时承受beta风险，但执行简单、成本低
第五步：风控与持续监控
回测数据仅作教学演示，不代表未来表现
配对交易不是"设好就不管"的策略。关系破裂是最致命的风险，必须持续监控。
三个必须监控的指标：
1. 协整关系是否还成立：每月重新跑ADF检验。p值 > 0.1时，暂停该配对，观察一周后再决定
2. 价差极端偏离：Z-score超过4时，关系可能已经破裂，无条件止损离场
3. 对冲比漂移：beta每季度重新估计。如果变化超过20%，旧参数失效，需要重新校准
配对交易的常见"死法"：
• 公司事件：并购、重组、大股东变更、财务造假——导致一只股票单边暴涨或暴跌，价差永远不回归
• 行业格局变化：政策颠覆（如教培行业）、技术革命（如新能源替代传统能源）——两只股票的估值逻辑永久分化
• 过度拥挤：太多人做同一个配对，价差的波动被压缩到无法覆盖交易成本
• 流动性枯竭：极端行情下融券被召回、买卖价差扩大，无法按预期价格平仓
回测参考（用A股银行股2019-2024年数据）：
• 有效配对约5-8对（从沪深300成分股中筛选）
• 年化收益6-10%，夏普比率1.2-1.8
• 最大回撤-12%，发生在2020年3月（疫情冲击导致价差短暂破裂后回归）
• 平均持仓5-15天，年换手率约20-30倍
总结
配对交易的美感在于：你不赌市场涨跌，你赌"关系回归"——这比赌方向温和得多，也稳当得多。
但温和不等于安全。"关系破裂"是配对交易者的噩梦。2015年万科保利配对失效、2007年LTCM崩盘，都在提醒同一件事：历史协整不代表未来协整，任何配对都需要持续监控和止损保护。
这篇文章帮你建立了配对交易的完整框架：
1. 品种选择：行业相关 + 估值逻辑相似 + 历史价差平稳，三标准缺一不可
2. 协整检验：高相关 ≠ 协整，必须用ADF检验确认价差平稳性
3. 信号设计：Z-score > 2入场，< 0.5出场，滚动窗口60天
4. 仓位管理：按beta对冲，单对不超过30%，预留保证金
5. 风控监控：月度ADF检验、极端偏离止损、季度beta重估
记住：配对交易的核心不是"找两只同行业股票"，而是"证明它们的价差会回归"。 证明靠的是协整检验，不是直觉。
