上一篇文章讲了配对交易的核心逻辑——找两只存在协整关系的股票，等价差偏离时入场，赌价差回归赚钱。
听起来很简单。但实际上，很多配对交易者都踩过同一个坑：协整检验通过了，价差看起来也很稳定，但策略上线就是亏钱。
问题出在哪？不在方向判断，不在品种选择，而在参数设置。
入场阈值定多少倍标准差？出场是回到均值还是回到0.5σ？布林带窗口用多长？交易成本怎么算进预期收益？这些问题中的任何一个设置不当，都能把一个理论上完美的配对交易变成实盘中的持续失血。
这篇文章，把配对交易从"知道怎么做"到"真正做对"之间的那段路补齐。我会从价差计算讲起，覆盖布林带化、开平仓阈值设计、持仓周期优化和交易成本核算，每一步都有代码、有参数参考、有实操经验。
Why：为什么参数设置决定了配对交易的成败？
一个真实的失败案例
某量化团队花了两周时间找到一组完美配对——协整p值0.001，半衰期12天，价差图呈现出教科书般的均值回归形态。他们信心满满地设置了经典的2倍标准差入场、0.5倍标准差出场，上线实盘。
两周后，策略亏了4%。
复盘发现三个致命问题：
1. 交易成本吞噬利润：入场阈值2倍标准差，意味着每月只有1-2次交易机会，但每次持仓约15天。按A股配对交易的成本（佣金+滑点+融券利息），交易成本吃掉了40%的毛利润。
2. 标准差窗口选错：他们用了全样本标准差，但价差波动率在最近3个月明显收窄。全样本2倍标准差等效于近期波动的2.5倍——入场信号根本触发不了。
3. 出场太贪心：出场设在0.5σ，但价差的半衰期是12天，0.5σ的出场意味着平均持仓要10天以上。资金效率极低。
这三个问题有一个共同根源：参数不是孤立设置的，它们之间存在紧密的交互关系。 入场阈值决定了交易频率和持仓时间，出场阈值决定了每次收益和持仓时间，交易成本又反过来约束了最低收益要求。改一个参数，其他参数的最优值也跟着变。
参数之间的核心矛盾
配对交易的参数设计，本质上是在三组矛盾之间寻找平衡：
矛盾一：信号频率 vs 每次收益
入场阈值越低（比如1.0σ），信号越多，但每次价差偏离不够大，单次收益薄。入场阈值越高（比如2.5σ），每次收益丰厚，但信号稀少，资金大量时间闲置。
矛盾二：持仓时间 vs 资金效率
出场阈值越接近均值（比如0σ），每次收益最大化，但持仓时间长、资金效率低。出场阈值越宽松（比如1.0σ），快进快出效率高，但放弃了后续回归的利润。
矛盾三：收益空间 vs 交易成本
每次交易的毛收益必须覆盖交易成本。如果入场阈值太低、单次收益太薄，扣掉手续费和滑点就所剩无几。但为了覆盖成本而拉高入场阈值，又会导致信号频率过低。
这三组矛盾没有通用最优解，只有针对具体品种、具体市场环境和你自己资金规模的合适解。下面一层一层展开。
What：价差计算与布林带化的完整框架
第一步：根据协整关系计算理论价差
回顾上一篇的协整回归结果：
Y = α + β × X + ε
理论价差的定义：
Spread = Y - β × X
关键认知：价差不是简单的 Y - X！必须用协整回归的β作为对冲比率。
为什么？因为β代表了两只股票之间的价格弹性。如果β=1.5，意味着X每涨1%，Y倾向于涨1.5%。用 Y - 1.5X 计算出来的价差才是平稳的；用 Y - X 计算出来的价差可能一直在漂移。
举个具体例子。假设工商银行（Y）和建设银行（X）的协整回归得到 β=1.02，α=0.5。那么：
Spread = 工商银行价格 - 1.02 × 建设银行价格 - 0.5
这个价差序列才是我们在其上建立交易逻辑的对象。它反映的是：剔除掉两只股票之间的长期均衡关系后，当前的"异常偏离"有多大。
第二步：计算价差的滚动统计量
价差计算出来后，需要对其做统计量化。核心指标有三个：均值、标准差和Z-score。
// python
import pandas as pd
import numpy as np
def spread_statistics(spread, lookback=60):
"""
计算价差的滚动统计量
参数：
- spread: 价差序列
- lookback: 滚动窗口（天数），默认60天
返回：
- 包含均值、标准差、Z-score和布林带上下轨的DataFrame
"""
mean = spread.rolling(lookback).mean()
std = spread.rolling(lookback).std()
# Z-score：当前价差偏离均值多少个标准差
z_score = (spread - mean) / std
# 布林带化：均值 ± N倍标准差构成上下轨
upper_2std = mean + 2 * std
lower_2std = mean - 2 * std
upper_1std = mean + 1 * std
lower_1std = mean - 1 * std
return pd.DataFrame({
'spread': spread,
'mean': mean,
'std': std,
'z_score': z_score,
'upper_2std': upper_2std,
'lower_2std': lower_2std,
'upper_1std': upper_1std,
'lower_1std': lower_1std
})
逐行解释：
• rolling(lookback).mean()：过去N天价差的滚动均值，代表"当前正常水平"
• rolling(lookback).std()：过去N天价差的滚动标准差，代表"正常波动范围"
• z_score：标准化偏离度。Z=2意味着当前价差比近期均值高了2个标准差，属于统计上的极端偏离
• 布林带上下轨：把均值和标准差映射回价差的实际数值空间，方便直接在价格图上画线
lookback窗口的选择——一个被低估的关键参数
lookback窗口决定了均值和标准差的"记忆长度"。这个参数的选择对整个策略影响巨大，但很多教程一笔带过。
窗口太短（如20天）：
• 均值和标准差对近期噪音太敏感
• 一次偶然的价差偏离就会显著拉高标准差，导致后续阈值过宽
• 布林带"追着价差跑"，失去参考价值
窗口太长（如250天）：
• 无法及时反映价差波动率的结构性变化
• 如果市场特征已经改变（比如行业格局变化），你还在用半年前的波动率做参考
• 信号滞后严重
推荐方案：
• 基础窗口60天（约3个月），适合大多数A股配对
• 如果配对品种波动率较稳定（如大行对大行），可以放宽到90-120天
• 如果配对品种波动率经常变化（如科技股配对），缩短到40-60天
• 进阶方案：同时用短期窗口（30天）和长期窗口（90天），短期信号用于入场判断，长期窗口用于确认趋势是否改变
布林带化的实战解读
布林带化的本质是把价差的统计特征转化为可视化的交易通道。
在实盘中，你看到的图是这样的：
上轨（均值 + 2σ）: ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ 极端超涨区
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
上轨（均值 + 1σ）: - - - - - - - - - - 偏强区域
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
均值: ═══════════════════ 均衡水平
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
下轨（均值 - 1σ）: - - - - - - - - - - 偏弱区域
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
下轨（均值 - 2σ）: ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ 极端超跌区
价差触及上轨（+2σ）→ 做空价差（卖Y买X）
价差触及下轨（-2σ）→ 做多价差（买Y卖X）
价差回到均值附近 → 平仓
这是最基本的框架。但实际参数怎么设，是下面要重点讨论的。
How：开平仓阈值设计与成本优化
入场阈值：不是"2倍标准差"那么简单
大多数教程告诉你"用2倍标准差入场"。但这只是一个起点，不是终点。
不同入场阈值对应的交易特征完全不同：
| 入场阈值 | 信号频率（月） | 每次期望毛收益 | 平均持仓天数 | 适用场景 | | --- | --- | --- | --- | --- | | 1.0σ | 8-12次 | 低（0.3-0.8%） | 3-7天 | 高频、低波动品种、低交易成本 | | 1.5σ | 4-6次 | 中（0.8-1.5%） | 5-12天 | 大多数配对的默认起点 | | 2.0σ | 1-3次 | 高（1.5-3%） | 8-20天 | 低频、高波动品种 | | 2.5σ | 0-1次 | 很高（2-5%） | 15-30天 | 极端事件捕捉、成本敏感型 |
选择的核心约束：期望毛收益必须大于往返交易成本的2倍。这是一个硬约束——如果覆盖不了成本，策略就没有正期望。
举个例子：
• A股配对的往返成本约0.25%（含佣金+滑点+印花税）
• 如果入场1.5σ、出场0.5σ，期望毛收益约为1.0%×价差标准差
• 价差标准差需要 > 0.25%/1.0% = 0.25%，策略才有正期望
• 如果价差日波动率只有0.1%，这个参数组合就不可行
出场阈值：快进快出 vs 吃满回归
出场阈值的选择直接影响两个指标：每次收益和持仓时间。
| 出场阈值 | 每次收益占比 | 持仓时间 | 特点 | | --- | --- | --- | --- | | 0（回到均值） | 100% | 最长 | 收益最大化，但等的时间也最长 | | 0.5σ | 约75% | 中等 | 收益与效率的平衡点 | | 1.0σ | 约50% | 最短 | 快进快出，适合高频 |
实操建议：
大多数情况下，0.5σ是一个好的出场阈值。原因是：
• 从2σ偏离回到0.5σ，已经获得了约75%的潜在收益
• 从0.5σ回到0，剩余的25%收益需要额外的等待时间（根据半衰期，可能还要等一个半衰期）
• 资金效率更重要——把资金释放出来等下一个机会，比死等最后25%更划算
进阶方案：分批出场
• 价差回到0.5σ时平仓50%
• 价差回到均值时平仓剩余50%
• 这样既锁定了一部分利润，又不完全放弃后续回归的收益
持仓周期与半衰期的关系
持仓周期不是你想定多久就定多久，它由价差的半衰期决定。
半衰期的含义：价差偏离均值后，回归到一半所需的天数。如果半衰期是10天，意味着今天价差偏离了2σ，10天后期望偏差缩小到1σ。
持仓周期和半衰期的关系：
| 持仓周期 vs 半衰期 | 效果 | | --- | --- | | < 0.5 × 半衰期 | 太短，价差大概率还没回归，收益不稳定 | | 0.5 ~ 1.5 × 半衰期 | 最优区间，收益/时间比最佳 | | 1.5 ~ 2 × 半衰期 | 边际收益递减，资金效率下降 | | > 2 × 半衰期 | 大概率均值已经漂移，应考虑止损 |
经验法则：
• 最优持仓周期 ≈ 0.5 到 1.5 倍半衰期
• 时间止损位 = 2 倍半衰期。超过这个时间还没回归，不要等了，止损离场
• 如果半衰期超过30天，这个配对可能不适合做短期交易，考虑换一个
交易成本：配对交易的隐形杀手
交易成本是配对交易最大的敌人。原因很简单：配对交易的利润本来就薄——你赚的是价差回归的钱，不是单边趋势的钱。如果成本太高，利润会被吃光。
A股配对交易的成本构成：
| 成本项 | 估计值 | 说明 | | --- | --- | --- | | 佣金 | 0.025%×2 = 0.05% | 买卖双边，按万2.5计算 | | 印花税 | 0.05% | 卖出方单边征收 | | 滑点 | 0.05-0.1% | 取决于流动性，大市值品种更低 | | 融券利息 | 8-10%/年 | 做空端成本，按年化计算 | | 冲击成本 | 0.02-0.05% | 小市值品种更高 |
单次往返总成本约0.2-0.3%（不含融券利息）。加上融券利息（假设年化8%，持仓15天约0.33%），单次完整成本可达0.5%以上。
这意味着什么？
假设入场阈值1.5σ，出场0.5σ，每次期望毛收益为价差标准差的1.0倍。
• 价差日波动率0.3%时：毛收益≈0.3%，净收益≈0.3%-0.5%=-0.2%，亏损
• 价差日波动率0.5%时：毛收益≈0.5%，净收益≈0.5%-0.5%=0%，不赚不亏
• 价差日波动率0.8%时：毛收益≈0.8%，净收益≈0.8%-0.5%=0.3%，盈利
所以：价差日波动率至少要0.5%以上，配对交易才有正期望。 如果你的配对品种价差波动率低于这个水平，要么换品种，要么拉高入场阈值以增加单次收益。
降低交易成本的实操技巧
1. 限价单代替市价单：可以减少一半以上的滑点。配对交易不追求速度，用限价单等成交完全可行
2. 拉长持仓周期：减少换手率是最直接降成本的方式。把出场阈值从0.5σ放宽到1.0σ，换手率能降低30-40%
3. 选择流动性好的品种：日均成交额>5亿的标的，滑点成本显著降低
4. 用ETF替代个股做空：ETF的融券成本通常比个股低2-3个百分点，且券源更稳定
5. 集中交易时段：开盘后30分钟和收盘前30分钟流动性最好，滑点最低
完整的参数优化流程
把以上所有内容串起来，形成一个系统化的参数设置流程：
// python
def optimize_pair_parameters(spread, cost_per_trade=0.003,
entry_range=[1.0, 1.5, 2.0, 2.5],
exit_range=[0.0, 0.5, 1.0],
half_life=None):
"""
配对交易参数优化
参数：
- spread: 价差序列
- cost_per_trade: 单次往返交易成本
- entry_range: 入场阈值候选列表
- exit_range: 出场阈值候选列表
- half_life: 价差半衰期（天），用于评估持仓效率
"""
results = []
for entry_z in entry_range:
for exit_z in exit_range:
if exit_z >= entry_z:
continue # 出场必须比入场更靠近均值
# 模拟交易（略去具体实现）
trades = simulate_spread_trades(spread, entry_z, exit_z)
if len(trades) < 5:
continue # 样本太少，统计不显著
gross_return = np.mean([t['return'] for t in trades])
avg_holding = np.mean([t['holding_days'] for t in trades])
net_return = gross_return - cost_per_trade
# 年化收益 = 单次净收益 × 年交易次数
trades_per_year = 252 / avg_holding if avg_holding > 0 else 0
annual_return = net_return * trades_per_year
# 检查是否覆盖成本
if net_return <= 0:
continue
results.append({
'entry_z': entry_z,
'exit_z': exit_z,
'n_trades': len(trades),
'gross_return': round(gross_return, 4),
'net_return': round(net_return, 4),
'annual_return': round(annual_return, 4),
'avg_holding_days': round(avg_holding, 1),
'profit_factor': round(gross_return / cost_per_trade, 1)
})
results.sort(key=lambda r: r['annual_return'], reverse=True)
return results
优化后的验证清单：
1. 成本覆盖检验：最优参数组合的净收益是否为正？profit_factor是否>2？
2. 参数稳定性：把入场阈值±0.3σ，看收益变化是否剧烈。如果entry_z从1.5变到1.8，收益就从正变负，说明参数太脆弱
3. 样本外测试：用前半段数据优化，后半段数据验证。样本外年化收益下降不超过50%才算通过
4. 半衰期匹配：最优持仓周期是否在0.5-1.5倍半衰期范围内？如果不是，可能需要调整lookback窗口
动态参数调整
市场在变，固定参数不可能永远最优。一个实用的动态调整方案：
// python
def adaptive_parameters(spread, short_window=30, long_window=120):
"""
自适应参数调整
核心思想：波动率放大时放宽阈值（避免频繁入场），
波动率收窄时收紧阈值（捕捉更多机会）
"""
recent_vol = spread.rolling(short_window).std().iloc[-1]
long_term_vol = spread.rolling(long_window).std().iloc[-1]
vol_ratio = recent_vol / long_term_vol
if vol_ratio > 1.5:
# 波动率显著放大 → 放宽入场，避免被噪音触发
entry_z = 2.5
exit_z = 0.5
elif vol_ratio > 1.2:
# 波动率偏高 → 适度放宽
entry_z = 2.0
exit_z = 0.5
elif vol_ratio < 0.7:
# 波动率显著收窄 → 收紧入场
entry_z = 1.5
exit_z = 0.0 # 回到均值才出场
else:
# 正常波动
entry_z = 1.8
exit_z = 0.5
return entry_z, exit_z
这个方案的核心逻辑是：让参数跟着市场状态走，而不是固定不变。波动大的时候保守一点，波动小的时候积极一点。
总结
配对交易的参数设置，本质上是在信号灵敏度、交易成本和持仓时间之间找最优平衡。
回顾今天的核心要点：
1. 价差计算：必须用协整回归的β作为对冲比率，不是简单的Y-X
2. 布林带化：用滚动均值和标准差构建交易通道，lookback窗口60-120天为宜
3. 入场阈值：1.5σ是大多数配对的合理起点，但最终选择必须结合交易成本核算
4. 出场阈值：0.5σ是收益与效率的平衡点，进阶可用分批出场
5. 持仓周期：由半衰期决定，最优区间是0.5-1.5倍半衰期
6. 交易成本：配对交易的隐形杀手，单次往返约0.2-0.5%，价差日波动率必须>0.5%才有正期望
7. 动态调整：参数不是固定不变的，用波动率比率做自适应调整
最后，记住这句话：没有放之四海皆准的"2倍标准差"，只有适合你具体品种、具体成本和具体资金规模的参数。 参数优化不是一次性的工作，而是策略生命周期中持续迭代的一部分。
