[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M6CVKSSS5CSJ88X7W4DBEJSH":3,"skill-same:01M6CVKSSS5CSJ88X7W4DBEJSH":53},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":17,"publishedAt":21,"linkOnly":22,"markdownContent":23,"markdownBody":24,"frontMatter":25,"refName":26,"commitSha":27,"skillDirectory":28,"forksCount":29,"repositoryHtmlUrl":30,"repositoryHomepageUrl":6,"ownerHtmlUrl":31,"ownerBlogUrl":6,"ownerDescription":6,"updatedAt":32,"install":33,"resources":46},"01M6CVKSSS5CSJ88X7W4DBEJSH","statistical-arbitrage",null,"统计套利策略的完整指南，包括配对交易、协整分析、主成分策略和行业轮动套利。适用于需要构建市场中性策略、对冲系统性风险并获取稳定Alpha收益的量化投资场景。","FeiCoder\u002FSkill-Factory","FeiCoder","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F49159289?v=4","01M6CVJSHMSFYNK0YV6R84T6QM","01M6CVJSNX8MP1D0JX73QQP6CJ",11,"MIT","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Farbitrage\u002Fstatistical-arbitrage\u002FSKILL.md",[],[18,19,20],"arbitrage","statistical arbitrage","统计","2026-11-10 10:12:30",false,"---\nname: statistical-arbitrage\ndescription: 统计套利策略的完整指南，包括配对交易、协整分析、主成分策略和行业轮动套利。适用于需要构建市场中性策略、对冲系统性风险并获取稳定Alpha收益的量化投资场景。\n---\n\n# 统计套利\n\n## 概述\n\n统计套利是一种基于数学模型和历史统计规律的风险套利策略。它利用证券价格的历史统计规律进行套利，与无风险套利不同，统计套利存在历史规律失效的风险。其核心思想是通过构建多头和空头组合来对冲市场风险，获取与市场无关的稳定Alpha收益。\n\n**何时使用此技能：**\n- 当需要构建市场中性策略时\n- 当需要寻找相关性强的资产对进行配对交易时\n- 当需要在熊市或震荡市中获取稳定收益时\n- 当需要利用行业或区域间的相关性进行套利时\n\n## 核心概念\n\n### 1. 统计套利定义\n\nMorgan Stanley将统计套利定义为：**一种基于模型的投资过程，在不依赖于经济含义的情况下，运用数量手段构建资产组合，根据证券价格与数量模型所预测的理论价值进行对比，构建证券投资组合的多头和空头，从而对市场风险进行规避，获取一个稳定的Alpha。**\n\n### 2. 统计套利 vs 无风险套利\n\n| 特征 | 统计套利 | 无风险套利 |\n|------|----------|------------|\n| 理论基础 | 历史统计规律 | 价格必然收敛 |\n| 风险 | 历史规律可能失效 | 理论无风险 |\n| 收益 | 概率性Alpha | 确定性收益 |\n| 适用范围 | 相关性资产对 | 期货到期收敛 |\n\n### 3. 主要方法分类\n\n统计套利主要有两大方法：\n\n1. **β中性策略**：基于日收益率建模，目标是在组合β值为零的前提下获取Alpha收益\n2. **协整策略**：基于股价序列的协整关系建模，利用累计收益率的偏离进行套利\n\n**推荐策略**：协整策略更优，因为：\n- 直接利用原始变量（股价）建模\n- 更容易把握累计收益率的偏离\n- 错误信号较少\n\n## 配对交易策略\n\n### 配对交易原理\n\n配对交易（Pairs Trading）是最经典的统计套利方法：\n\n1. 选取业务相似、股价具备均衡关系的上市公司股票\n2. 做空近期相对强势股，做多相对弱势股\n3. 等两者价差恢复均衡时平仓了结\n\n**关键特点：**\n- 投资标的是两只股票的**价差**（相对价值而非绝对价值）\n- 多空同时建仓，对冲掉绝大部分市场风险\n- 属于**市场中性策略**，与大盘走势相关性低\n\n### 配对筛选流程\n\n```\nStep 1: 行业划分\n   └─ 在同一行业内筛选股票对，保证主营业务相似\n\nStep 2: 收益率相关性检验\n   └─ 要求配对股票历史收益率相关系数 > 阈值（建议 > 0.85）\n\nStep 3: 协整关系检验\n   └─ 检验两只股票价格序列是否存在长期均衡关系\n\nStep 4: 价差形态过滤\n   └─ 筛选价差回归速度快的股票对，获得更多交易机会\n```\n\n### 协整检验方法\n\n两只股票存在协整关系的条件：\n\n1. 两者的历史股价序列都是**一阶单整**（非平稳，但一阶差分后平稳）\n2. 这两个序列的某种线性组合是**平稳的**\n\n**协整方程：**\n```\nPa,t = α + β × Pb,t + εt\n```\n\n其中 εt（残差）必须是平稳序列。\n\n**检验步骤：**\n1. 计算任意两只股票的相关系数\n2. 筛选相关系数较高的股票对（> 0.85）\n3. 对筛选后的股票对进行协整检验（EG两步法或Johansen检验）\n4. 选择残差平稳的股票对作为候选配对\n\n## 交易策略设计\n\n### 核心参数设置\n\n| 参数 | 含义 | 推荐范围 |\n|------|------|----------|\n| δ1 | 建仓阈值 | 1.0 ~ 1.3（σ倍数） |\n| δ2 | 平仓阈值 | -1.0 ~ -0.7（σ倍数） |\n| δ3 | 止损阈值 | 2.0 ~ 3.0（σ倍数） |\n\n### 交易信号\n\n**入场条件：**\n- 当 `spreadt > δ1 × σt`：股票A相对高估，股票B相对低估\n  - 卖空股票A，买入β倍股票B\n- 当 `spreadt \u003C -δ1 × σt`：股票A相对低估，股票B相对高估\n  - 买入股票A，卖空β倍股票B\n\n**平仓条件：**\n- 当 `spreadt > δ2 × σt` 或 `spreadt \u003C -δ2 × σt`：价差回归，平仓获利\n\n**止损条件：**\n- 当 `spreadt > δ3 × σt` 或 `spreadt \u003C -δ3 × σt`：协整关系破坏，立即止损\n\n### 阈值优化原则\n\n- **δ1 越大**：潜在套利空间越大，但交易次数减少\n- **δ1 越小**：潜在套利空间越小，但交易次数增加\n- **δ2 越接近0**：平仓收益越高，但可能错失交易机会\n\n**最优阈值确定方法：** 回测优化，在样本内寻找收益最大化的参数组合\n\n### 残差建模\n\n**模型I：独立同分布假设**\n```\nεt ~ N(0, σ²)\n```\n- 简单，但假设过于理想\n\n**模型II：均值回复过程（推荐）**\n```\ndε(t) = m(ε(t) - m)dt + σdW(t)\n```\n- 考虑残差的均值回复特性\n- 实证效果最好\n\n**模型III：AR(1)模型**\n- 考虑残差的自相关性\n\n**模型IV：GARCH(1,1)模型**\n- 考虑残差的异方差性\n- **注意**：实证表明效果较差，不推荐使用\n\n## 主成分套利策略\n\n### 基本原理\n\n1. 从成分股股价历史信息中提取主成分\n2. 捕捉所有成分股的主要趋势\n3. 当某成分股与主要趋势产生较大偏离时，入场套利\n\n### 实现步骤\n\n```\nStep 1: 股价矩阵标准化\n   └─ PT×n → 标准化矩阵 P'T×n\n\nStep 2: 计算相关系数矩阵\n   └─ P'n×n 的相关系数矩阵 Rn×n\n\nStep 3: 特征分解\n   └─ 计算特征根 λ1, λ2, ..., λn\n   └─ 计算特征向量 V1, V2, ..., Vn\n\nStep 4: 构建主成分组合\n   └─ fi = P'T×n × Vi\n   └─ 通常取前k个主成分（累计贡献率 ≥ 80%~90%）\n\nStep 5: 回归分析\n   └─ 将单只股票收益率表达为主成分组合的线性方程\n   └─ 根据残差偏离进行套利\n```\n\n### 主成分策略 vs 协整策略\n\n| 特征 | 协整策略 | 主成分策略 |\n|------|----------|------------|\n| 样本内收益 | 40%~50%\u002F年 | 更高 |\n| 样本外收益 | ~8%\u002F半年 | 更高、更稳健 |\n| 可靠性 | 基于个股对 | 基于股票组合 |\n| 推荐程度 | 一般 | **强烈推荐** |\n\n## 行业轮动套利\n\n### 基本原理\n\n利用同一市场环境下不同行业股票波动不同步性，获取市场中性Alpha收益。\n\n### 策略设计\n\n```\n案例：农林 \u002F 制造行业轮动\n\n1. 归一化行业指数\n   └─ 以某基准日的指数值为1\n\n2. 计算行业比值\n   └─ 农林指数 \u002F 制造指数\n\n3. 设置交易区间\n   └─ 比值 \u003C 0.9：卖空制造，买入农林\n   └─ 比值 ≈ 1.0：平仓\n   └─ 比值 > 1.1：卖空农林，买入制造\n```\n\n### 行业轮动特征\n\n- 在一轮上涨\u002F下跌行情中，板块轮动明显\n- 即使在单边下跌行情中，也可能存在行业轮动机会\n- 策略收益与市场走势呈**负相关性**\n\n## 样本外检验\n\n### 三种外推方法\n\n| 方法 | 描述 | 特点 |\n|------|------|------|\n| 固定窗口 | 协整参数固定，用新数据计算残差 | 假定协整关系不变 |\n| 滚动窗口 | 每天平移，参数动态更新 | 捕捉参数变化 |\n| 扩展窗口 | 窗口长度不断增加 | 可能过于滞后 |\n\n**推荐方法**：滚动窗口方法（方法二）在样本外表现最好\n\n### 样本外注意事项\n\n1. **样本外收益显著低于样本内**（这是正常的）\n2. 最佳样本外收益约为 8%~10%\u002F半年\n3. 建议采用保守的参数设置\n4. 持续监控协整关系是否被破坏\n\n## 策略改进\n\n### 改进1：延后开仓策略\n\n不等价差突破阈值就建仓，而是等价差**反向回归穿越阈值**时才建仓。\n\n**优点：**\n- 更加准确判断价差回归趋势\n- 避免单边走强造成的损失\n\n### 改进2：延后开仓 + 提前平仓\n\n- 建仓：等价差反向穿越阈值时\n- 平仓：不等价差回归到均值，而是在离均值一定距离处（δ2）就平仓\n\n**注意：** 实证表明提前平仓对收益影响可能是负面的\n\n### 改进3：动态调整阈值\n\n- 根据市场环境调整阈值\n- 波动加大时适当提高阈值\n- 波动减小时适当降低阈值\n\n## 融券套利（补充）\n\n### 股票-融券套利\n\n利用负溢价认股权证进行无风险套利：\n\n```\n案例：江铜权证的套利\n\n1. 买入负溢价认股权证\n2. 融券卖空标的正股\n3. 到期行权归还股票\n4. 锁定权证的负溢价收益\n```\n\n### 可转债-融券套利\n\n当可转债转股溢价为负时：\n\n```\n1. 买入可转债\n2. 融券卖出标的股票\n3. 转股后归还融券\n4. 获取转股价值与转债价格差额\n```\n\n### 股指期货-融券套利\n\n券商对冲融券风险：\n\n```\n1. 向投资者融券卖出股票\n2. 同时做空股指期货对冲系统性风险\n3. 获取稳定的融券利息收益\n```\n\n## 脚本工具\n\n### 配套脚本\n\n| 脚本 | 功能 | 使用场景 |\n|------|------|---------|\n| `scripts\u002Fpairs_trading.py` | 协整检验、配对交易信号生成、回测 | 配对交易策略开发与验证 |\n\n### 环境要求\n\n```bash\n# 使用 uv 管理 Python 环境\nuv venv .venv\nsource .venv\u002Fbin\u002Factivate\n\n# 安装依赖\nuv pip install pandas numpy statsmodels matplotlib\n\n# 运行脚本\npython scripts\u002Fpairs_trading.py --help\n```\n\n### 快速开始\n\n```bash\n# 1. 协整检验\npython scripts\u002Fpairs_trading.py test --price-a data\u002Fstock_a.csv --price-b data\u002Fstock_b.csv\n\n# 2. 生成交易信号\npython scripts\u002Fpairs_trading.py signals --price-a data\u002Fstock_a.csv --price-b data\u002Fstock_b.csv --entry-threshold 1.2 --exit-threshold -0.8\n\n# 3. 回测\npython scripts\u002Fpairs_trading.py backtest --price-a data\u002Fstock_a.csv --price-b data\u002Fstock_b.csv --entry-threshold 1.2 --exit-threshold -0.8\n```\n\n### 数据格式要求\n\nCSV 文件必须包含以下列：\n- `date`: 日期（YYYY-MM-DD 格式）\n- `close`: 收盘价\n\n示例：\n```csv\ndate,close\n2020-01-02,10.50\n2020-01-03,10.55\n...\n```\n\n## 实施要点\n\n### 数据要求\n\n- **历史数据**：至少2年以上日线数据\n- **数据质量**：需剔除长期停牌股票\n- **更新频率**：建议每日更新\n\n### 计算资源\n\n- 协整检验计算量大（数千对股票）\n- 建议使用向量化计算（NumPy\u002FPandas）\n- 可采用并行计算加速\n\n### 风险管理\n\n1. **设置止损**：价差长期偏离时及时止损\n2. **头寸管理**：避免过度集中\n3. **协整监控**：定期检验协整关系是否保持\n4. **流动性风险**：选择高流动性股票\n\n### 交易成本\n\n- 每次套利成本约 0.5%\n- 融券费用约年化 10%\n- 需在收益预测中充分考虑\n\n## 注意事项\n\n1. **历史规律不代表未来**：统计套利不是无风险策略\n2. **样本外表现关键**：重视样本外稳健性\n3. **避免过度拟合**：模型应简洁有效\n4. **做空机制依赖**：国内需融资融券支持\n5. **容量限制**：适合中小资金，大资金难以实施\n\n---\n\n## 错误处理与故障排查\n\n### 常见错误及解决方案\n\n| 错误场景 | 可能原因 | 解决方案 |\n|---------|---------|---------|\n| 协整检验 p 值 > 0.05 | 两股票不存在长期均衡关系 | 更换股票对，确保同行业、业务相似 |\n| ADF 检验失败 | 残差序列不平稳 | 重新回归计算，或使用滚动窗口 |\n| 样本外收益为负 | 协整关系在样本外失效 | 缩短滚动窗口期，增加止损频率 |\n| 交易信号过于频繁 | 阈值 δ1 设置过低 | 提高 δ1 至 1.2~1.5 |\n| 价差长期不回归 | 行业基本面发生重大变化 | 缩短持仓周期，及时止损 |\n\n### 脚本执行故障\n\n**问题：运行 pairs_trading.py 报错 \"ModuleNotFoundError\"**\n```\n# 解决方案：使用 uv 创建并激活环境\nuv venv .venv\nsource .venv\u002Fbin\u002Factivate\nuv pip install pandas numpy statsmodels\n\n# 运行脚本\npython scripts\u002Fpairs_trading.py --help\n```\n\n**问题：协整检验结果不稳定**\n```\n# 原因：数据时间窗口过短\n# 解决：确保使用2年以上日线数据\n# 推荐：使用滚动窗口方法更新参数\n```\n\n**问题：回测收益与实盘差异大**\n```\n# 可能原因：\n# 1. 回测未考虑滑点 - 建议设置滑点成本 0.1%~0.2%\n# 2. 流动性不足 - 选择日均成交额 > 1亿的股票\n# 3. 融券成本未计入 - 融券年化成本约 8%~12%\n```\n\n---\n\n## 相关技能\n\n- `quant-stock-selection-intro`: 量化选股入门\n- `multi-factor-model`: 多因子选股模型\n- `timing\u002Ftrend-following-timing`: 趋势追踪择时\n","# 统计套利\n\n## 概述\n\n统计套利是一种基于数学模型和历史统计规律的风险套利策略。它利用证券价格的历史统计规律进行套利，与无风险套利不同，统计套利存在历史规律失效的风险。其核心思想是通过构建多头和空头组合来对冲市场风险，获取与市场无关的稳定Alpha收益。\n\n**何时使用此技能：**\n- 当需要构建市场中性策略时\n- 当需要寻找相关性强的资产对进行配对交易时\n- 当需要在熊市或震荡市中获取稳定收益时\n- 当需要利用行业或区域间的相关性进行套利时\n\n## 核心概念\n\n### 1. 统计套利定义\n\nMorgan Stanley将统计套利定义为：**一种基于模型的投资过程，在不依赖于经济含义的情况下，运用数量手段构建资产组合，根据证券价格与数量模型所预测的理论价值进行对比，构建证券投资组合的多头和空头，从而对市场风险进行规避，获取一个稳定的Alpha。**\n\n### 2. 统计套利 vs 无风险套利\n\n| 特征 | 统计套利 | 无风险套利 |\n|------|----------|------------|\n| 理论基础 | 历史统计规律 | 价格必然收敛 |\n| 风险 | 历史规律可能失效 | 理论无风险 |\n| 收益 | 概率性Alpha | 确定性收益 |\n| 适用范围 | 相关性资产对 | 期货到期收敛 |\n\n### 3. 主要方法分类\n\n统计套利主要有两大方法：\n\n1. **β中性策略**：基于日收益率建模，目标是在组合β值为零的前提下获取Alpha收益\n2. **协整策略**：基于股价序列的协整关系建模，利用累计收益率的偏离进行套利\n\n**推荐策略**：协整策略更优，因为：\n- 直接利用原始变量（股价）建模\n- 更容易把握累计收益率的偏离\n- 错误信号较少\n\n## 配对交易策略\n\n### 配对交易原理\n\n配对交易（Pairs Trading）是最经典的统计套利方法：\n\n1. 选取业务相似、股价具备均衡关系的上市公司股票\n2. 做空近期相对强势股，做多相对弱势股\n3. 等两者价差恢复均衡时平仓了结\n\n**关键特点：**\n- 投资标的是两只股票的**价差**（相对价值而非绝对价值）\n- 多空同时建仓，对冲掉绝大部分市场风险\n- 属于**市场中性策略**，与大盘走势相关性低\n\n### 配对筛选流程\n\n```\nStep 1: 行业划分\n   └─ 在同一行业内筛选股票对，保证主营业务相似\n\nStep 2: 收益率相关性检验\n   └─ 要求配对股票历史收益率相关系数 > 阈值（建议 > 0.85）\n\nStep 3: 协整关系检验\n   └─ 检验两只股票价格序列是否存在长期均衡关系\n\nStep 4: 价差形态过滤\n   └─ 筛选价差回归速度快的股票对，获得更多交易机会\n```\n\n### 协整检验方法\n\n两只股票存在协整关系的条件：\n\n1. 两者的历史股价序列都是**一阶单整**（非平稳，但一阶差分后平稳）\n2. 这两个序列的某种线性组合是**平稳的**\n\n**协整方程：**\n```\nPa,t = α + β × Pb,t + εt\n```\n\n其中 εt（残差）必须是平稳序列。\n\n**检验步骤：**\n1. 计算任意两只股票的相关系数\n2. 筛选相关系数较高的股票对（> 0.85）\n3. 对筛选后的股票对进行协整检验（EG两步法或Johansen检验）\n4. 选择残差平稳的股票对作为候选配对\n\n## 交易策略设计\n\n### 核心参数设置\n\n| 参数 | 含义 | 推荐范围 |\n|------|------|----------|\n| δ1 | 建仓阈值 | 1.0 ~ 1.3（σ倍数） |\n| δ2 | 平仓阈值 | -1.0 ~ -0.7（σ倍数） |\n| δ3 | 止损阈值 | 2.0 ~ 3.0（σ倍数） |\n\n### 交易信号\n\n**入场条件：**\n- 当 `spreadt > δ1 × σt`：股票A相对高估，股票B相对低估\n  - 卖空股票A，买入β倍股票B\n- 当 `spreadt \u003C -δ1 × σt`：股票A相对低估，股票B相对高估\n  - 买入股票A，卖空β倍股票B\n\n**平仓条件：**\n- 当 `spreadt > δ2 × σt` 或 `spreadt \u003C -δ2 × σt`：价差回归，平仓获利\n\n**止损条件：**\n- 当 `spreadt > δ3 × σt` 或 `spreadt \u003C -δ3 × σt`：协整关系破坏，立即止损\n\n### 阈值优化原则\n\n- **δ1 越大**：潜在套利空间越大，但交易次数减少\n- **δ1 越小**：潜在套利空间越小，但交易次数增加\n- **δ2 越接近0**：平仓收益越高，但可能错失交易机会\n\n**最优阈值确定方法：** 回测优化，在样本内寻找收益最大化的参数组合\n\n### 残差建模\n\n**模型I：独立同分布假设**\n```\nεt ~ N(0, σ²)\n```\n- 简单，但假设过于理想\n\n**模型II：均值回复过程（推荐）**\n```\ndε(t) = m(ε(t) - m)dt + σdW(t)\n```\n- 考虑残差的均值回复特性\n- 实证效果最好\n\n**模型III：AR(1)模型**\n- 考虑残差的自相关性\n\n**模型IV：GARCH(1,1)模型**\n- 考虑残差的异方差性\n- **注意**：实证表明效果较差，不推荐使用\n\n## 主成分套利策略\n\n### 基本原理\n\n1. 从成分股股价历史信息中提取主成分\n2. 捕捉所有成分股的主要趋势\n3. 当某成分股与主要趋势产生较大偏离时，入场套利\n\n### 实现步骤\n\n```\nStep 1: 股价矩阵标准化\n   └─ PT×n → 标准化矩阵 P'T×n\n\nStep 2: 计算相关系数矩阵\n   └─ P'n×n 的相关系数矩阵 Rn×n\n\nStep 3: 特征分解\n   └─ 计算特征根 λ1, λ2, ..., λn\n   └─ 计算特征向量 V1, V2, ..., Vn\n\nStep 4: 构建主成分组合\n   └─ fi = P'T×n × Vi\n   └─ 通常取前k个主成分（累计贡献率 ≥ 80%~90%）\n\nStep 5: 回归分析\n   └─ 将单只股票收益率表达为主成分组合的线性方程\n   └─ 根据残差偏离进行套利\n```\n\n### 主成分策略 vs 协整策略\n\n| 特征 | 协整策略 | 主成分策略 |\n|------|----------|------------|\n| 样本内收益 | 40%~50%\u002F年 | 更高 |\n| 样本外收益 | ~8%\u002F半年 | 更高、更稳健 |\n| 可靠性 | 基于个股对 | 基于股票组合 |\n| 推荐程度 | 一般 | **强烈推荐** |\n\n## 行业轮动套利\n\n### 基本原理\n\n利用同一市场环境下不同行业股票波动不同步性，获取市场中性Alpha收益。\n\n### 策略设计\n\n```\n案例：农林 \u002F 制造行业轮动\n\n1. 归一化行业指数\n   └─ 以某基准日的指数值为1\n\n2. 计算行业比值\n   └─ 农林指数 \u002F 制造指数\n\n3. 设置交易区间\n   └─ 比值 \u003C 0.9：卖空制造，买入农林\n   └─ 比值 ≈ 1.0：平仓\n   └─ 比值 > 1.1：卖空农林，买入制造\n```\n\n### 行业轮动特征\n\n- 在一轮上涨\u002F下跌行情中，板块轮动明显\n- 即使在单边下跌行情中，也可能存在行业轮动机会\n- 策略收益与市场走势呈**负相关性**\n\n## 样本外检验\n\n### 三种外推方法\n\n| 方法 | 描述 | 特点 |\n|------|------|------|\n| 固定窗口 | 协整参数固定，用新数据计算残差 | 假定协整关系不变 |\n| 滚动窗口 | 每天平移，参数动态更新 | 捕捉参数变化 |\n| 扩展窗口 | 窗口长度不断增加 | 可能过于滞后 |\n\n**推荐方法**：滚动窗口方法（方法二）在样本外表现最好\n\n### 样本外注意事项\n\n1. **样本外收益显著低于样本内**（这是正常的）\n2. 最佳样本外收益约为 8%~10%\u002F半年\n3. 建议采用保守的参数设置\n4. 持续监控协整关系是否被破坏\n\n## 策略改进\n\n### 改进1：延后开仓策略\n\n不等价差突破阈值就建仓，而是等价差**反向回归穿越阈值**时才建仓。\n\n**优点：**\n- 更加准确判断价差回归趋势\n- 避免单边走强造成的损失\n\n### 改进2：延后开仓 + 提前平仓\n\n- 建仓：等价差反向穿越阈值时\n- 平仓：不等价差回归到均值，而是在离均值一定距离处（δ2）就平仓\n\n**注意：** 实证表明提前平仓对收益影响可能是负面的\n\n### 改进3：动态调整阈值\n\n- 根据市场环境调整阈值\n- 波动加大时适当提高阈值\n- 波动减小时适当降低阈值\n\n## 融券套利（补充）\n\n### 股票-融券套利\n\n利用负溢价认股权证进行无风险套利：\n\n```\n案例：江铜权证的套利\n\n1. 买入负溢价认股权证\n2. 融券卖空标的正股\n3. 到期行权归还股票\n4. 锁定权证的负溢价收益\n```\n\n### 可转债-融券套利\n\n当可转债转股溢价为负时：\n\n```\n1. 买入可转债\n2. 融券卖出标的股票\n3. 转股后归还融券\n4. 获取转股价值与转债价格差额\n```\n\n### 股指期货-融券套利\n\n券商对冲融券风险：\n\n```\n1. 向投资者融券卖出股票\n2. 同时做空股指期货对冲系统性风险\n3. 获取稳定的融券利息收益\n```\n\n## 脚本工具\n\n### 配套脚本\n\n| 脚本 | 功能 | 使用场景 |\n|------|------|---------|\n| `scripts\u002Fpairs_trading.py` | 协整检验、配对交易信号生成、回测 | 配对交易策略开发与验证 |\n\n### 环境要求\n\n```bash\n# 使用 uv 管理 Python 环境\nuv venv .venv\nsource .venv\u002Fbin\u002Factivate\n\n# 安装依赖\nuv pip install pandas numpy statsmodels matplotlib\n\n# 运行脚本\npython scripts\u002Fpairs_trading.py --help\n```\n\n### 快速开始\n\n```bash\n# 1. 协整检验\npython scripts\u002Fpairs_trading.py test --price-a data\u002Fstock_a.csv --price-b data\u002Fstock_b.csv\n\n# 2. 生成交易信号\npython scripts\u002Fpairs_trading.py signals --price-a data\u002Fstock_a.csv --price-b data\u002Fstock_b.csv --entry-threshold 1.2 --exit-threshold -0.8\n\n# 3. 回测\npython scripts\u002Fpairs_trading.py backtest --price-a data\u002Fstock_a.csv --price-b data\u002Fstock_b.csv --entry-threshold 1.2 --exit-threshold -0.8\n```\n\n### 数据格式要求\n\nCSV 文件必须包含以下列：\n- `date`: 日期（YYYY-MM-DD 格式）\n- `close`: 收盘价\n\n示例：\n```csv\ndate,close\n2020-01-02,10.50\n2020-01-03,10.55\n...\n```\n\n## 实施要点\n\n### 数据要求\n\n- **历史数据**：至少2年以上日线数据\n- **数据质量**：需剔除长期停牌股票\n- **更新频率**：建议每日更新\n\n### 计算资源\n\n- 协整检验计算量大（数千对股票）\n- 建议使用向量化计算（NumPy\u002FPandas）\n- 可采用并行计算加速\n\n### 风险管理\n\n1. **设置止损**：价差长期偏离时及时止损\n2. **头寸管理**：避免过度集中\n3. **协整监控**：定期检验协整关系是否保持\n4. **流动性风险**：选择高流动性股票\n\n### 交易成本\n\n- 每次套利成本约 0.5%\n- 融券费用约年化 10%\n- 需在收益预测中充分考虑\n\n## 注意事项\n\n1. **历史规律不代表未来**：统计套利不是无风险策略\n2. **样本外表现关键**：重视样本外稳健性\n3. **避免过度拟合**：模型应简洁有效\n4. **做空机制依赖**：国内需融资融券支持\n5. **容量限制**：适合中小资金，大资金难以实施\n\n---\n\n## 错误处理与故障排查\n\n### 常见错误及解决方案\n\n| 错误场景 | 可能原因 | 解决方案 |\n|---------|---------|---------|\n| 协整检验 p 值 > 0.05 | 两股票不存在长期均衡关系 | 更换股票对，确保同行业、业务相似 |\n| ADF 检验失败 | 残差序列不平稳 | 重新回归计算，或使用滚动窗口 |\n| 样本外收益为负 | 协整关系在样本外失效 | 缩短滚动窗口期，增加止损频率 |\n| 交易信号过于频繁 | 阈值 δ1 设置过低 | 提高 δ1 至 1.2~1.5 |\n| 价差长期不回归 | 行业基本面发生重大变化 | 缩短持仓周期，及时止损 |\n\n### 脚本执行故障\n\n**问题：运行 pairs_trading.py 报错 \"ModuleNotFoundError\"**\n```\n# 解决方案：使用 uv 创建并激活环境\nuv venv .venv\nsource .venv\u002Fbin\u002Factivate\nuv pip install pandas numpy statsmodels\n\n# 运行脚本\npython scripts\u002Fpairs_trading.py --help\n```\n\n**问题：协整检验结果不稳定**\n```\n# 原因：数据时间窗口过短\n# 解决：确保使用2年以上日线数据\n# 推荐：使用滚动窗口方法更新参数\n```\n\n**问题：回测收益与实盘差异大**\n```\n# 可能原因：\n# 1. 回测未考虑滑点 - 建议设置滑点成本 0.1%~0.2%\n# 2. 流动性不足 - 选择日均成交额 > 1亿的股票\n# 3. 融券成本未计入 - 融券年化成本约 8%~12%\n```\n\n---\n\n## 相关技能\n\n- `quant-stock-selection-intro`: 量化选股入门\n- `multi-factor-model`: 多因子选股模型\n- `timing\u002Ftrend-following-timing`: 趋势追踪择时\n",{"name":5,"description":7},"main","a5ea54eb2c1aeeb7767d270769f6b499e3ae39d7","produced_skill\u002Farbitrage\u002Fstatistical-arbitrage",4,"https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory","https:\u002F\u002Fgithub.com\u002FFeiCoder","2026-02-27 11:40:18",{"source":8,"skillName":5,"commands":34,"prompt":44,"zipAvailable":45},[35,38,41],{"tool":36,"command":37},"npx","npx skills add FeiCoder\u002FSkill-Factory --skill statistical-arbitrage",{"tool":39,"command":40},"bunx","bunx skills add FeiCoder\u002FSkill-Factory --skill statistical-arbitrage",{"tool":42,"command":43},"pnpm","pnpm dlx skills add FeiCoder\u002FSkill-Factory --skill statistical-arbitrage","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Farbitrage\u002Fstatistical-arbitrage\u002FSKILL.md",true,[47],{"path":48,"resourceType":49,"resourceTypeDesc":50,"sizeBytes":51,"sourceHtmlUrl":52},"scripts\u002Fpairs_trading.py","SCRIPT","脚本",11480,"https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Farbitrage\u002Fstatistical-arbitrage\u002Fscripts\u002Fpairs_trading.py",[54,62,72,87,96,105],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":58,"categories":59,"keywords":60,"publishedAt":21},"01M6CVMD44T2E10ZFV88K5EJNF","trend-following-timing","趋势追踪择时策略，包括传统均线指标（MA、MACD、DMA、TRIX）和自适应均线的原理与实操。适用于需要实施技术分析择时的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Ftrend-following-timing\u002FSKILL.md",[],[61],"trend following timing",{"skillNo":63,"name":64,"nameZh":6,"description":65,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":21},"01M6CVMBRE2WYQB2RCAGM8PHBQ","quant-timing-intro","量化择时基础知识，介绍量化择时的概念、框架和主要方法论。适用于需要理解择时策略基本框架的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fquant-timing-intro\u002FSKILL.md",[],[69,70,71],"intro","quant","quant timing intro",{"skillNo":73,"name":74,"nameZh":6,"description":75,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":76,"categories":77,"keywords":83,"publishedAt":21},"01M6CVMA0PCR0XX1QD0CVWVT6H","market-sentiment-timing","市场情绪择时策略，基于投资者情绪指标和主成分分析构建情绪指数。适用于需要利用市场情绪进行大盘择时的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fmarket-sentiment-timing\u002FSKILL.md",[78],{"categoryNo":79,"categoryName":80,"taxonomyType":81,"taxonomyTypeDesc":82},"01JBSEEDCAT000000000000035","市场营销","PROFESSION","适用职业",[84,85,86],"sentiment","Market","market sentiment timing",{"skillNo":88,"name":89,"nameZh":6,"description":90,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":91,"categories":92,"keywords":94,"publishedAt":21},"01M6CVM8AWSZCXGFYTCMZT55FA","hurst-timing","Hurst指数择时模型，基于分形市场理论和R\u002FS分析方法判断市场趋势拐点。适用于需要识别市场长期记忆性和趋势转折的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fhurst-timing\u002FSKILL.md",[93],{"categoryNo":79,"categoryName":80,"taxonomyType":81,"taxonomyTypeDesc":82},[95],"hurst timing",{"skillNo":97,"name":98,"nameZh":6,"description":99,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":100,"categories":101,"keywords":103,"publishedAt":21},"01M6CVM73396Z6EA2CMQQ6S7KW","bull-bear-line","牛熊线择时模型，基于几何布朗运动理论判断大盘牛熊转换。适用于需要识别市场重大转折点的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Ftiming\u002Fbull-bear-line\u002FSKILL.md",[102],{"categoryNo":79,"categoryName":80,"taxonomyType":81,"taxonomyTypeDesc":82},[104],"bull bear line",{"skillNo":106,"name":107,"nameZh":6,"description":108,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":9,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":109,"categories":110,"keywords":111,"publishedAt":21},"01M6CVM5W2Q00MQ0S8MXYYRTG6","style-rotation","风格轮动策略指南，包括价值\u002F成长风格、大小盘风格的轮动规律和量化模型。适用于需要理解和实施A股市场风格轮动投资的场景。","https:\u002F\u002Fgithub.com\u002FFeiCoder\u002FSkill-Factory\u002Fblob\u002Fmain\u002Fproduced_skill\u002Fstock-selection\u002Fstyle-rotation\u002FSKILL.md",[],[112],"style rotation"]