期货量化交易软件：配对交易

目前，每种类型都有大量的交易策略，所有这些策略都是为了盈利。但盈利在某种程度上与风险有关——预期利润越大，风险就越高。一个合乎逻辑的问题出现了：是否有可能将交易风险降至最低，同时获得少量但稳定的利润？配对交易是满足这些条件的。

配对交易是 Jerry Bamberger 在20世纪80年代首次提出的统计套利的一种变体。这种交易策略是市场中性的，允许交易员在几乎任何市场条件下获利。配对交易是基于这样一种假设，即相互关联的金融工具的特征在暂时偏离后将恢复到其历史平均值。因此，配对交易可以归结为几个简单的操作：

• 查明两种金融工具之间统计关系的差异；

添加图片注释，不超过 140 字（可选）

• 在它们中开启仓位；

• 当这两种金融工具的特性恢复到平均值时，关闭仓位。

尽管配对交易看起来很简单，但它并不是一种简单或无风险的盈利方式。市场在不断变化，统计关系也可能发生变化。此外，任何不太可能的价格变动都可能导致重大损失。应对此类不利情况需要严格遵守交易策略和风险管理规则。

相关性

配对交易策略通常基于两种金融工具的相关性。几种货币对的价格变化可能是相互关联的。例如，一个交易品种的价格与另一交易品种的价格在同一方向上移动。在这种情况下，这些交易品种之间存在正相关。在负相关的情况下，价格会朝相反的方向移动。

基于相关性的配对交易策略非常简单。首先，交易员应该选择两种相关性强的金融工具。然后，他们需要使用历史数据来分析相关性的变化。基于此分析，交易者可以在知情的情况下决定是否进行交易。

对于交易来说，最有趣的货币对是那些具有负相关性的货币对。

Pearson相关系数是估计相关性最常用的方法，该系数的计算公式如下：

这种计算总是产生有偏差的估计。在小样本中，所得到的r的估计值可能与精确的相关值非常不同。为了减少此误差，我们可以使用Olkin-Pratt调整：

添加图片注释，不超过 140 字（可选）

让我们试着为基于相关性的交易策略制定规则。

首先，我们需要选择两个合适的货币对。同时，这些对在历史上的平均相关值应该是负的，越小越好。

接下来，我们需要收集这些货币对历史的统计数据和样本相关性值。需要这些统计数据来计算信号。

下一步是设置触发水平，如果当前相关性达到这个水平，EA可以开仓。此水平可以显式设置，例如-0.95、-0.9等。还有一种替代方法。我们可以取历史相关性值，并按升序对其进行排序。作为响应级别，我们可以取最低值的10%作为限制。

在开仓之前，我们需要确定它们的类型。如果一对货币的当前价格低于移动平均线，则会为该交易品种打开买入头寸。相反，如果价格高于平均水平，则会打开卖出头寸。在这种情况下，开启的头寸应该是多方向的。必须满足此条件，否则禁止打开头寸。

此外，不同资产的头寸数量应相互关联。假设点值（PointValue）是存款货币中一个点的价格。则仓位的交易量应满足相等性。

在这种情况下，相同点数的价格变动将为每种工具提供大致相同的结果。

此外，我在EA中又增加了两个水平。穿过了第一个水平表示需要将仓位转移到盈亏平衡，它的值是33%。穿过第二个水平会引发关闭所有仓位，这个平仓水平是67%，但不超过零。改变这些水平会极大地影响EA的盈利能力。

让我们按照以下规则测试EA。这就是 2021.01.01 至 2023.06.30 期间 EURUSD 和 USDCHF 的余额变化情况。

添加图片注释，不超过 140 字（可选）

不算差。但 Pearson 相关系数有几个特点。只有当时间序列值具有正态分布时，才有理由使用它。此外，该系数受到尖峰的显著影响。此外，Pearson 相关只能识别线性关系。为了说明这些特性，最好使用安斯库姆四重奏（Anscombe's quartet）。

添加图片注释，不超过 140 字（可选）

第一个图显示了没有任何特性的线性相关性。第二组数据具有非线性关系，Pearson 系数无法揭示其强度。在第三组中，相关系数受到强尖峰的影响。第四张图中没有相关性，但即使是一个值也足以出现相当强的相关性。

Spearman秩相关系数没有这些缺点。它很好地捕捉到了两个时间序列不断增加或减少的相关性。对于Spearman相关性，原始数据根据哪种定律分布并不重要。Pearson系数只适用于正态分布的数据。相反，Spearman 系数可以很容易地处理任何其他分布或它们的组合。

此外，Spearman 相关系数可以揭示非线性关系。例如，一个时间序列具有线性趋势，而另一个具有指数趋势。Spearman 系数可以很容易地处理这种情况，而 Pearson 系数将无法完全揭示这些序列之间关系的强度。

我们可以如下计算 Spearman 秩相关系数。首先，我们需要创建两个数组。在每个数组中，我们将为这两个交易品种写入价格值和柱形索引。