配对股票交易策略 python_什么是股票中的配对交易策略？

大家好，我是小全，在量化投资领域，既然严格的无风险套利机会少、收益率微薄，实际的执行过程中也不能完全消除风险。那么如果有一种选择，能够稍微放松100%无风险的要求，比如允许有5%的风险，但同时却能够让套利机会增加100%以上，那岂不是一个更好的选择？今天，我们就来介绍这样一种方法——配对交易。

股票配对交易是统计套利的主要内容之一，它旨在寻找市场上历史走势相似的股票进行配对，当价格差较大(高于历史均值)时高卖低买进行套利。统计套利虽然增加了一些风险，但也伴随着诱人的风险溢价，即获得更多套利机会；不过其本质上的局限性也是非常明显，基于历史数据，其只能反映过去的信息，用之预测未来有时难以讲得通。下面简单阐述下股票配对交易的几种方法：

一.距离法

距离法是使用一个回溯时间区间，标准化价格。然后在 2 范数下计算 n 只股票两两间的配对距离(SSD)。以 SSD 值最小的前 20 对作为标的，在后续 6 个月内以 2 倍标准差作为阈值进行统计套利，距离回到均值时平仓。6 个月后更新标的继续套利。

此方法的标的选择标准中蕴含着其无法最大化利润，因每对的收益与其价差(SSD)成正比；此外高相关性不代表协整，从而均值回复得不到保证。

二.协整法

该方法的前提是不平稳的经济时间序列的线性组合可能实现平稳。

用对数价格进行OLS 回归，对残差进行 ADF 检验，其中误差修正模型为 Johansen 方法。若验证了协整关系，即可说明股价 A,B之间存在长期均衡关系，从而残差序列是均值回复的。

此方法模型太单一，标的仅为两种股票，时限仅限于 2 年之内，单笔收益最大化不保证整体收益最大化。

三.时间序列法

时间序列法是假定价差为具有均值回归特性的马尔科夫链，伴随着高斯噪声。

该方法优越性在于抓住了配对交易的核心---均值回复性；其次该模型是连续的，因而可以用于预测；最后，该模型易处理，可通过卡尔曼滤波方法得到最小 MSE 参数估计。不过，价差应使用价格的自然对数差来避免量纲不同的影响；模型条件苛求收益平价，这实际很难达到；金融资产数据现实中并不满足Ornstein-Uhlenbeck 过程。