配对交易（Pair Trading）完整策略指南
配对交易是一种市场中性策略，通过挖掘两个或多个资产之间的统计关系来获利。以下是完整的策略分类：
1️⃣ 按配对选择方法分类
A. 基本面配对
- 同行业配对：同一行业的不同公司
- 例：中石油 vs 中石化、招商银行 vs 工商银行
- 产业链配对：上下游关系
- 例：铁矿石 vs 钢铁、大豆 vs 豆粕
- 可替代品配对：功能相似的商品
- 例：黄金 vs 白银、原油 vs 天然气
B. 统计学配对
- 协整关系（Cointegration）：
- Engle-Granger 两步法
- Johansen 测试（多资产）
- 价差长期均值回复
- 相关性配对：
- 皮尔逊相关系数
- 动态滚动相关系数
- 隐含相关系数
C. 距离配对（Distance Pair）
- 计算价差标准化后的平方和
- 选择价差波动最小的配对
- 适用于大量股票池的配对筛选
2️⃣ 按信号生成方法分类
A. Z-Score 策略
计算价差
spread = price_A - hedge_ratio * price_B
计算Z-score
z_score = (spread - mean) / std_dev
交易规则
if z_score > 2: # 做空价差
卖A + 买B
elif z_score < -2: # 做多价差
买A + 卖B
特点：简单直观，最常用
B. OU过程策略（你正在使用的）
Ornstein-Uhlenbeck 过程
dx = θ(μ - x)dt + σdW
参数估计
θ = -ln(b) / Δt # 均值回复速率
μ = a / (1 - b) # 长期均值
σ = 波动率
特点：理论严谨，估计回复速度
C. Kalman Filter 策略
动态状态空间模型
观测方程: spread_t = hedge_ratio_t * price_A_t + ε_t
状态方程: hedge_ratio_t = hedge_ratio_{t-1} + η_t
实时更新对冲比率
hedge_ratio_t = hedge_ratio_{t-1} + K_t * (spread_t - prediction)
特点：动态调整对冲比率，适应市场变化
D. Cointegration 策略
Engle-Granger 两步法
step1: 回归 price_A = β * price_B + residual
step2: ADF检验 residual 是否平稳
Johansen 测试（多资产）
检验向量: [price_A, price_B, price_C] 的协整关系
特点：统计上更严格，避免伪回归
E. Machine Learning 策略
- LSTM/GRU：学习价差模式
- Reinforcement Learning：DQN、PPO 学习开平仓策略
- SVM/Random Forest：分类价差状态
特点：非线性建模，适合复杂模式
3️⃣ 按执行方式分类
A. 经典配对交易
价差异常 → 开仓 → 价差回归 → 平仓
B. 统计套利
- 多对多配对（3-5个资产）
- 因子模型（行业因子、风格因子）
- 多空投资组合
C. 三角套利
A → B → C → A
利用三种资产的价格不一致
例：EUR/USD, USD/JPY, EUR/JPY
D. 跨期套利（Calendar Spread）
同一品种不同到期日
近月合约 vs 远月合约
价差 = 远月 - 近月 × hedge_ratio
这正是你现在的OU策略！
E. 跨市场套利
- 同一资产不同交易所
- 现货 vs 期货（基差套利）
- ETF vs 一篮子股票
4️⃣ 按风险管理分类
A. 固定比率对冲
hedge_ratio = 1 # 简单1:1
B. 最小方差对冲
最小化对冲组合方差
min Var(portfolio) = Var(A) + h²Var(B) - 2hCov(A,B)
h_optimal = Cov(A,B) / Var(B)
C. Beta中性对冲
hedge_ratio = β_A / β_B # 根据市场Beta调整
D. 动态对冲比率
- Kalman Filter
- 滚动窗口回归
- EGARCH模型
5️⃣ 按时间维度分类
A. 高频配对交易
- 秒级、毫秒级
- 需要低延迟系统
- 利用微观结构
B. 日内配对交易
- 分钟级、5分钟级
- 当日平仓，避免隔夜风险
C. 中长期配对交易
- 日线、周线
- 持仓数天到数周
- 更关注基本面
6️⃣ 常用交易规则
A. 固定阈值
entry_threshold = 2.0 # z-score > 2 开仓
exit_threshold = 0.0 # z-score 回到 0 平仓
B. 动态阈值
根据波动率调整阈值
entry_threshold = 2.0 * rolling_std
exit_threshold = 0.5 * rolling_std
C. 止损规则
if unrealized_pnl < -max_loss:
立即平仓止损
D. 时间止损
if holding_time > max_days:
强制平仓
7️⃣ 配对交易策略对比表
| 策略类型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| Z-Score | 简单易实现 | 静态参数 | 稳定市场 |
| OU过程 | 理论严谨，估计回复速度 | 假设严格 | 均值回复明显 |
| Kalman Filter | 动态调整 | 参数敏感 | 市场结构变化 |
| Cointegration | 统计严格 | 计算复杂 | 长期关系 |
| Machine Learning | 捕捉非线性 | 黑盒，过拟合 | 大量数据 |
| 跨期套利 | 风险低，收敛确定 | 收益有限 | 期货市场 |
8️⃣ 配对交易的风险
A. 模型风险
- 统计关系失效
- 结构性断裂
B. 执行风险
- 滑点
- 流动性不足
- 只有单边成交
C. 资金占用
- 双边保证金
- 融券成本（股票）
D. 极端事件
- 黑天鹅
- 强制平仓
🎯 你的策略定位
你当前的 OU跨期套利策略 属于：
- 配对类型：跨期套利（近月 vs 远月）
- 信号方法：OU过程（Z-Score的改进版）
- 执行方式：均值回复交易
- 风险控制：动态对冲比率
- 时间维度：分钟级到小时级
这是最经典、最稳健的配对交易策略之一！适合期货市场，因为远月合约最终会向近月合约收敛。
📖 推荐学习路径
- 入门：Z-Score配对交易
- 进阶：Cointegration协整检验
- 高级：Kalman Filter动态对冲
- 专家：多因子模型 + ML
