统计套利：均值回归的数学化交易方法详解

统计套利的核心原理

统计套利（Statistical Arbitrage）是量化交易中最经典的方法之一。它的底层逻辑是均值回归（Mean Reversion）：当一个资产的价格偏离其历史均值足够远时，它大概率会回归均值。

这和传统的”低买高卖”理念一致，但统计套利将其数学化：

• 不依赖主观判断”够低了”还是”够高了”
• 用统计指标（Z-Score）量化偏离程度
• 用历史数据确定入场和出场阈值
• 用概率而非直觉指导交易决策

均值回归的统计学基础

假设BTC的30日均价为60,000 USDT，标准差为3,000 USDT。当前价格跌至54,000 USDT。

计算Z-Score：

Z = (当前价格 - 均值) / 标准差
Z = (54,000 - 60,000) / 3,000 = -2.0

Z-Score为-2意味着当前价格低于均值2个标准差。根据正态分布，价格低于均值2个标准差的概率约2.3%，即价格处于极端偏低位置。

统计套利的假设：极端偏低后大概率回归均值，因此是买入时机。

关键参数详解

1. 均值计算窗口

窗口类型	窗口长度	适用场景	特点
短期均值	5-20日	日内/短线交易	对近期变化敏感
中期均值	20-60日	波段交易	平衡灵敏度和稳定性
长期均值	60-200日	中长线交易	稳定但反应慢

建议使用20日或30日窗口作为主要均值，60日窗口作为辅助参考。

2. Z-Score入场阈值

阈值	含义	偏离概率	适用风格
±1.0	1个标准差	31.7%	保守，频繁交易
±1.5	1.5个标准差	13.4%	中等
±2.0	2个标准差	4.6%	激进，少交易高利润
±2.5	2.5个标准差	1.2%	极端情况

推荐阈值组合：

• 入场：Z-Score达到±2.0时开仓
• 出场：Z-Score回归到±0.5时平仓止盈
• 止损：Z-Score继续偏离到±3.0时止损出场

3. 标准差计算

使用滚动标准差（Rolling Standard Deviation）而非固定值：

import numpy as np

def rolling_stats(prices, window=30):
    mean = np.mean(prices[-window:])
    std = np.std(prices[-window:])
    z_score = (prices[-1] - mean) / std if std > 0 else 0
    return mean, std, z_score

注意：标准差随时间变化，在低波动期标准差小，Z-Score更容易触发；在高波动期标准差大，需要更大的偏离才能触发。这正是我们想要的——低波动期交易更频繁（小利润），高波动期交易更少（大利润）。

4. 半衰期参数

均值回归的速度用半衰期衡量——价格偏离均值后回归一半所需的时间：

import numpy as np
from statsmodels.regression.linear_model import OLS

def calc_half_life(series):
    lag = series.shift(1).dropna()
    diff = (series - series.shift(1)).dropna()
    model = OLS(diff, lag).fit()
    hl = -np.log(2) / model.params[0]
    return hl

半衰期决定了持仓时间：

• 半衰期5天 → 预期5天内价格回归一半
• 半衰期20天 → 需要20天，交易周期更长
• 半衰期>30天 → 回归太慢，不适合交易

建议：选择半衰期在5-15天的资产，交易效率最高。

5. ADF检验——平稳性判断

不是所有价格序列都适合均值回归。用ADF检验判断：

from statsmodels.tsa.stattools import adfuller

def check_stationarity(series):
    result = adfuller(series)
    p_value = result[1]
    # p < 0.05 → 拒绝非平稳假设 → 序列有均值回归特性
    return p_value < 0.05

如果p值>0.05，说明价格序列非平稳，均值回归策略不适用。

实战操作步骤

步骤1：选择适合均值回归的币种

判断标准：

1. 平稳性检验：ADF p值<0.05
2. 半衰期适中：5-20天之间
3. 流动性充足：日交易量>1000万USDT
4. 历史数据充足：至少180天的日线数据

适合的币种特征：

• BTC在震荡期均值回归明显
• ETH/USDT回归特性较好
• 稳定币相关交易对波动有限但回归快

不适合的币种特征：

• 强趋势山寨币（可能偏离后不再回归）
• 极低流动性币种（无法有效执行）
• 新上线币种（历史数据不足）

步骤2：计算实时Z-Score

def calculate_zscore(current_price, prices_history, window=30):
    if len(prices_history) < window:
        return None
    recent = prices_history[-window:]
    mean = np.mean(recent)
    std = np.std(recent)
    if std == 0:
        return 0
    return (current_price - mean) / std

步骤3：入场规则

IF Z-Score < -2.0 → 买入信号（价格极端偏低）
IF Z-Score > +2.0 → 卖出/做空信号（价格极端偏高）

仓位大小根据Z-Score绝对值动态调整：

def position_size(z_score, max_position_pct=0.05):
    # Z=2时开50%仓位，Z=3时开100%仓位
    if abs(z_score) < 2.0:
        return 0
    elif abs(z_score) < 3.0:
        return max_position_pct * (abs(z_score) - 2.0) / 1.0
    else:
        return max_position_pct

单笔仓位不超过总资金的5%，分散到3-5个币种时总仓位不超过15-25%。

步骤4：出场规则

IF Z-Score回归到[-0.5, +0.5]区间 → 平仓止盈
IF Z-Score继续偏离到±3.0 → 止损出场
IF 持仓超过2×半衰期 → 强制平仓（均值回归已失效）

步骤5：持续监控与参数更新

• 每日更新均值和标准差，滚动调整参数
• 每月回测一次策略表现
• 根据实际效果调整Z-Score阈值
• 当胜率低于55%时暂停策略，重新调参

风险管理框架

1. 趋势破坏风险（最大风险）

均值回归策略最大的风险：价格偏离后不再回归，而是进入新趋势。

例子：BTC从60,000跌至54,000（Z=-2），你以为会回归均值，结果BTC继续跌至40,000。

应对：

• 设置Z=±3.0止损线，绝不等待无限回归
• 使用ADF检验定期检查平稳性
• 在强趋势市场暂停均值回归策略
• 限制最大持仓时间为2×半衰期

2. 参数失效风险

均值和标准差是基于历史的，市场结构变化后参数失效。

应对：

• 滚动更新均值/标准差（不要用固定值）
• 每月回测，检查策略胜率和盈亏比
• 当胜率低于55%或盈亏比低于1.5时暂停策略
• 保留2-3个月的”参数冷却期”后重新优化

3. 黑天鹅风险

极端事件可能导致价格永久偏离。

应对：

• 单笔仓位不超过总资金5%
• 分散到3-5个币种
• 设置硬止损，不抱”总会回归”的信念
• 保留至少30%的现金仓位应对极端情况

4. 交易成本风险

频繁交易的手续费可能吞噬利润。

应对：

• 限制入场频率（只在Z≥2时才入场）
• 使用GT代币抵扣手续费（Gate.io）
• 计算净利润（扣除手续费后）来评估策略
• 目标：扣除手续费后年化收益>15%

适用场景对比

场景	统计套利适用性	说明
震荡市	⭐⭐⭐⭐⭐	最理想的环境
温和趋势	⭐⭐⭐	需要更严格的止损
强趋势	⭐	不适用，价格不回归
高波动	⭐⭐⭐⭐	偏离幅度大，利润空间大
低波动	⭐⭐	偏离小，手续费侵蚀利润
主流币	⭐⭐⭐⭐	均值回归特性较好
山寨币	⭐⭐	趋势性强，回归不可靠

与其他策略的组合

统计套利可以和其他策略互补：

1. 统计套利 + 趋势跟踪：震荡期用均值回归，趋势期切换为跟踪策略
2. 统计套利 + 配对交易：用Z-Score同时判断价格偏离和价差偏离
3. 统计套利 + 网格交易：均值回归方向提供网格中心价参考
4. 统计套利 + DCA定投：Z-Score低时加大定投金额，Z-Score高时减少定投

参数优化清单

参数	默认值	优化方向	注意事项
均值窗口	30日	20-60日	过短易噪音，过长反应慢
入场Z-Score	±2.0	±1.5到±2.5	低阈值频繁交易，高阈值利润大但机会少
出场Z-Score	±0.5	±0.3到±0.8	过早出场利润小，过晚出场可能反转
止损Z-Score	±3.0	±2.5到±3.5	止损太紧容易误触，太松亏损大
最大持仓时间	2×半衰期	1-3×半衰期	超过半衰期说明回归假设失效

总结

统计套利是将”低买高卖”升级为数学化决策的方法。Z-Score提供了客观的偏离度量，但均值回归的前提——“价格终将回归”——在强趋势市场中会失效。成功的关键在于严格止损、参数滚动更新、以及只在适合均值回归的市场环境中使用此策略。对于量化交易入门者，统计套利是最好的起点——逻辑清晰、参数可量化、回测简单。

更多实战方法见帝门交易