python统计套利_统计套利——反转定律

1.在本章，作者提供并证明了一个简单的预测模型，这个模型确定可以保证有75%的预测精度：如果今天的价差大于预测的平均价差，那么就可以预测明天的价差会小于今天的价差；如果今天的价差小于预测的平均价差，那么就可以预测明天的价差会大于今天的价差。

2.75%规则：

定义一个独立的，同分布的连续随机变量{Pt, t=1,2,3……}序列，这个序列落在一条非负的实线上，中位数为m,那么：

Pr[(Pt >Pt−1∩Pt−1m)]=0.75

从操作上看，如果一旦确定了今天的价差，人们就可以对明天的价差进行交易。当观察到的价差大于中位数，就可以有较大把握认为第二天的价差会大于第一天的价差。

3.非常数分布：

之前的价差序列是服从正态分布或者均匀分布。但是有时候不一定是正态分布或者均匀分布呢，在这个单独存在的情况下，75%规则的存在是客观的，但是如果有两者混合在一起，那么这个规则就不存在了。作者提到在两个转换日子的时候该规则的可用性存疑：

3.1：从正态分布转成均匀分布的那一天。

3.2：从均匀分布转到正态分布的那一天。

事实上，我们知道价格是随机变化的，两个资产间的价差也是随机的，而且有众多的学者证明了资产的价格并不是服从正态分布，存在着厚尾的现象。那么我们也可以推出75%规则在使用上的限制性。

正如作者在总结中写道：只要符合这个定理的条件，保证有75%的预测精确度，在实践中，在很短的期间内，很多股价和

价差都会满足这一个条件。另外，当变化发生时，变化发生的概率必须足够慢，导致校检后的动态模型(如对于均值的局部性描述)能得出理论所预测的反转结果。

在日常的交易中，价差的变化速度是难以确定的，那也是说，该模型存在较大的局限性。但是，不可否认，作者提供了一个新的思路给我们判断价差或者股价的反转，以及反转的概率。