第二.00 均值回归与统计套利策略概论

📘 本章重点

• 理解均值回归与统计套利的核心哲学——从“物极必反”到“相对价值”
• 掌握两类策略的理论根基：行为金融学与协整理论
• 建立从单资产到多资产的策略演化认知框架
• 认识两类策略的共生关系与组合价值
• 了解策略的局限性与未来演进方向

⏱️ 预估学习时间

• 40～60分钟

一、为什么均值回归值得单独成类？

在量化投资的策略图谱中，趋势跟踪与均值回归是两条最为根本的哲学分歧。趋势跟踪相信“强者恒强”，均值回归相信“物极必反”。两者如同阴阳两极，共同构成了量化交易最基础的认知框架。

均值回归（Mean Reversion）的核心信念简洁而有力：资产价格无论高于或低于其价值中枢，最终都会以很高的概率向中枢回归。这一信念被许多投资者形象地称为金融市场中的“万有引力”——涨多了会跌，跌多了会涨，极端情况不可持续。

但金融市场的“万有引力”比物理世界的要脆弱得多——当趋势来临时，它可能暂时失效。这不是引力消失了，而是有一股更强的力量暂时压过了它。均值回归策略的挑战正在于此：你需要判断“引力”何时会重新主导。

统计套利（Statistical Arbitrage）则是均值回归思想在“相对价值”维度上的延伸。它不再盯着单一资产是否超买超卖，而是判断一个资产相对于另一个相关资产是否被高估或低估。如果说均值回归是“一只股票跌多了就买”，那么统计套利就是“两只相关股票中，一只相对另一只便宜了就买这只、卖那只”。

老陈点评：
均值回归和统计套利共享同一个数学内核——价差的均值回归。区别在于：均值回归盯着“价格与自身均值”的偏离，统计套利盯着“两个资产价差与历史均值”的偏离。前者是绝对偏离，后者是相对偏离。统计套利的优势在于它天然是市场中性的——你同时持有多头和空头，大盘涨跌的影响被对冲掉了。这正是配对交易、跨期套利、期现套利等策略的共同基因。

老王补充：
我做了十几年交易，最大的体会是：市场在大部分时间里是震荡的，只有少部分时间在走趋势。均值回归策略赚的就是那大部分震荡市的钱。但这不意味着它比趋势跟踪更好——恰恰相反，当那少部分的趋势来临时，均值回归策略会亏得让你怀疑人生。两种策略不是谁取代谁，而是谁在什么时间出场。

二、均值回归与趋势跟踪：一枚硬币的两面

在深入具体策略之前，先建立“均值回归 vs 趋势跟踪”的全局认知框架。这对理解均值回归策略在量化图谱中的位置至关重要。

维度	均值回归	趋势跟踪
核心信念	物极必反	强者恒强
最佳行情	震荡市	趋势市
失效行情	强趋势	震荡市
在震荡市中的胜率	高（>60%）	低（40%-50%）
盈亏比	中低	高（>3）
收益曲线特征	平滑但天花板低	波动大但弹性足
心理体验	多数时间在赚钱	多数时间在止损

两者在收益特征上天然互补。一个完整的量化投资组合，往往是“趋势跟踪+均值回归”的动态搭配。在震荡市中，均值回归策略贡献稳定收益；在趋势市中，趋势跟踪策略捕捉大行情。两者轮动，共同构成穿越牛熊的量化系统。

老王总结：
我见过太多人问“均值回归和趋势跟踪哪个更好”——这个问题本身就有问题。不是哪个更好，而是哪个更适合当下的市场。 问题是你不知道当下是什么市，等你知道的时候，行情已经走了一半。所以我才一直强调：两种策略都要有，用分散化和动态配置来对冲判断错误的风险。

三、理论根基：从行为金融到协整理论

均值回归策略的有效性，建立在对市场非理性行为的深刻洞察之上。

3.1 行为金融学的解释

标准金融学的有效市场假说认为，市场价格已经反映了所有信息，任何试图战胜市场的努力都是徒劳的。但行为金融学抓住了这一理论的致命缺陷——市场并非在任何时点都是有效的。

投资者的非理性行为——过度自信、损失厌恶、羊群效应、锚定效应——会导致价格在短期内偏离其内在价值。当市场情绪过度乐观时，价格被推高至不合理水平；当市场情绪过度悲观时，价格被压低至价值以下。然而，理性力量最终会将价格拉回合理水平。

均值回归策略的核心逻辑正是：利用市场的非理性过度反应获利。当投资者因为恐慌而过度抛售时，你买入；当投资者因为贪婪而过度追涨时，你卖出。你赚的不是信息优势的钱，而是情绪修复的钱。

在A股市场的特殊性：A股市场散户占比高、情绪波动大，均值回归策略的效果往往比成熟市场更显著——因为“非理性”的程度更高。这意味着均值回归策略的“猎物”更丰富，但也意味着偏离持续的时间可能更长，对交易者的耐心和风控要求更高。此外，A股市场的政策市特征使得均值“漂移”比成熟市场更频繁——均值回归策略在A股需要更灵敏的动态均值监控机制。

老陈点评：
行为金融学为均值回归提供了“为什么有效”的解释，但解释不等于预测。知道“市场会非理性”和知道“非理性什么时候结束”是两回事。均值回归策略的真正挑战不是逻辑，而是时机——你可以在价格偏离均值时入场，但偏离可能持续很久，甚至变得更加极端。这也正是为什么“动态均值监控”和“市场状态识别”是均值回归策略最重要的改进方向——它们试图回答的正是“时机”的问题。

3.2 协整理论：统计套利的数学基石

如果说行为金融学解释了“为什么价格会偏离”，那么协整理论则回答了“如何判断偏离会回归”。

协整（Cointegration） 由Engle和Granger于1987年提出。它解决了非平稳时间序列的“伪回归”问题——如果两个（或多个）非平稳序列的某种线性组合是平稳的，则称它们存在协整关系。

通俗地说：两只股票的价格各自随机游走，但它们的价差却在一个稳定的范围内波动，不会无限偏离。这种“价差有界”的特性，正是统计套利能够反复获利的根本保障。

老陈点评：
协整理论是统计套利从“看着像”走向“科学化”的分水岭。在协整理论出现之前，配对交易靠的是“目测”——两只股票走势看起来像，就认为它们会一起走。协整理论提供了严格的统计检验，让“是否真的会回归”变成了一个可以量化回答的问题。Engle和Granger在2003年获得诺贝尔经济学奖，绝非偶然。

四、策略家族：从简单到复杂

4.1 单资产均值回归策略

这是均值回归家族中最基础的形式：盯住单一资产的价格，当其偏离历史均值达到一定程度时反向操作。

代表性策略：

• 布林带均值回归（第二.01）：价格触及下轨+RSI超卖时买入，触及上轨+RSI超买时卖出
• RSI极值反转（第二.05）：RSI<30买入、>70卖出
• 网格交易（第二.04）：在预设价格区间内机械式低买高卖

核心特征：逻辑简单、在震荡市中胜率高（通常>60%）。但在强趋势行情中会持续逆势操作，导致连续亏损。

4.2 统计套利策略

统计套利将视野从“单一资产”扩展到“多个相关资产”，通过相对价值的均值回归获利。

这里的“统计套利”取其广义——泛指一切基于相对价值均值回归的多空对冲策略，包括配对交易、协整套利以及各类跨市场套利。

代表性策略：

• 配对交易（第二.02）：两只协整股票，价差偏离时做多低估、做空高估
• 统计套利与协整（第二.03）：三只及以上资产的协整套利组合
• 跨期套利（第二.07）：同一品种不同交割月份的价差套利
• 跨品种套利（第二.08）：不同但相关品种的价差套利
• 期现套利（第二.09）：期货与现货的基差套利
• ETF套利（第二.10）：ETF一二级市场的折溢价套利

核心特征：市场中性、与大盘涨跌无关、收益来源多样化、夏普比率通常较高（在经典配对交易研究中可达1.5-2.0）。但对执行速度、资金规模和基础设施要求更高。

4.3 从简单到复杂的演化逻辑（修改后）

这六类策略之间存在着清晰的演化关系。沿着这个光谱移动，确定性在上升，但门槛也在上升——你需要更多的资金、更快的速度、更专业的基础设施。没有免费的午餐。

层级	策略类型	核心逻辑	代表策略	确定性来源	门槛
第一层	单资产均值回归	价格与自身均值的偏离会回归	布林带、RSI、网格交易	统计大概率（60%-70%胜率）	低
第二层	双资产统计套利	两只资产价差与历史均值的偏离会回归	配对交易	统计协整（价差有界）	中等
第三层	多资产统计套利	一组资产组合价差的偏离会回归	统计套利与协整	统计协整（多资产更稳定）	中高
第四层	跨市场套利	同一资产在不同市场/期限/形式间的价差会收敛	跨期套利、跨品种套利、期现套利、ETF套利	制度必然（到期交割、套利机制）	高

单资产均值回归赌的是“统计大概率”——价格在大多数情况下会回归均值，但你永远无法确定这一次是否会回归，也无法确定什么时候回归。跨市场套利赌的是“制度必然”——期货到期必然等于现货，ETF折溢价必然被套利抹平。这种确定性不是来自统计，而是来自市场规则本身。沿着这个光谱移动，每一步都是在用“更高的门槛”换取“更确定的收益”。

老陈点评：
这个演化路径的本质是从“赌概率”走向“赌确定性” 。单资产均值回归赌的是“价格大概率会回归”，跨市场套利赌的是“价格必然收敛”。确定性的提升伴随着门槛的提升——你需要更多的资金、更快的速度、更专业的基础设施。沿着这个光谱移动，每一步都在用“更确定的收益”换取“更高的门槛”。

五、均值回归与统计套利的优势

1. 高胜率，低心理成本

在震荡市中，均值回归策略的胜率通常高于60%，远高于趋势跟踪策略的40%-50%。高胜率意味着交易者在大部分时间里都是盈利的，心理压力小，更容易坚持执行。

2. 市场中性，与大盘无关

统计套利策略通过同时持有多头和空头，对冲掉了市场方向性风险。无论大盘涨跌，只要价差回归就能获利。这使得统计套利在熊市中也能创造收益，与纯多头策略形成天然互补。

3. 收益来源多样化

统计套利可以同时运行多组配对或多个组合。一组价差没有回归，另一组可能在回归；一组协整关系失效了，其他组可能仍然有效。“东方不亮西方亮”的特性，让统计套利策略的收益曲线比单一策略更加平滑。

4. 逻辑透明，可解释性强

与黑箱式的机器学习策略不同，均值回归和统计套利的逻辑是清晰可解释的——“价格偏离了均值，所以会回归”。这种透明性不仅便于投资者理解，也便于策略的持续优化和风险监控。

六、均值回归与统计套利的局限

1. 强趋势行情中的“稳定亏损”

这是均值回归策略最大的软肋。在单边暴涨或暴跌的行情中，价格可以持续偏离均值，逆势操作会导致连续亏损。如果趋势足够强、持续时间足够长，均值回归策略的回撤可能非常显著。

2. 协整关系可能破裂

统计套利依赖于协整关系的稳定性。但当公司基本面发生重大变化、行业格局被颠覆、或出现极端市场事件时，原本稳定的协整关系可能永久性破裂。价差不再回归，套利头寸变成“单边赌方向”。

3. 利润空间被持续压缩

随着统计套利策略的普及，套利空间越来越薄、窗口越来越短。这不是策略失效，而是市场效率提升的必然结果——当套利者越多，价差被抹平的速度就越快。

4. 均值漂移的风险

资产的“均值”并非一成不变。当市场环境、产业格局或宏观条件发生结构性变化时，长期均值可能发生“漂移”。如果策略仍然盯着旧的均值，就会持续产生错误信号。

5. 资金与执行门槛

统计套利（特别是跨市场套利）对资金规模、执行速度和基础设施的要求远高于单资产均值回归策略。个人交易者在与机构竞争时往往处于劣势。

6. 策略容量的天花板

统计套利的利润来自少数人发现的价差。当太多资金涌入同一组协整关系时，价差会被迅速抹平，套利空间消失。这不是策略失效，而是市场效率提升的必然结果。策略容量的限制意味着：越是有效的套利策略，越需要控制资金规模。

七、改进与完善的方向

均值回归和统计套利策略的局限性并不意味着它们“失效”，而是意味着它们需要持续进化。以下是几个核心的改进方向：

1. 动态均值监控

传统的均值回归策略假设“均值是固定的”。但现实中的均值会漂移。改进方向是：用滚动窗口计算动态均值，并监控均值的漂移速度。当均值出现趋势性变化时，及时调整策略参数或暂停交易。

2. 市场状态识别开关

均值回归策略最大的敌人是“趋势市”。改进方向是：加入市场状态识别模块（如ADX、波动率、均线排列等），仅在震荡市中启用均值回归策略，在趋势市中切换到趋势跟踪策略或空仓。这种“自适应切换”是解决均值回归“怕趋势”问题的根本思路。

3. 多因子信号增强

传统的均值回归策略仅依赖价格偏离一个维度。改进方向是：引入成交量、波动率、市场情绪等多因子信号。例如，当价格触及布林带下轨且成交量放大时，反弹信号比单纯触及下轨更可靠。

4. 机器学习辅助协整发现

传统协整检验需要人工筛选配对，效率低且容易遗漏。改进方向是：利用机器学习算法在大规模股票池中自动发现协整组合。深度学习模型可以识别非线性协整关系，发现传统线性模型无法捕捉的套利机会。

5. 从“单资产”走向“组合化”

单资产均值回归策略的波动较大。改进方向是：同时运行多组均值回归和统计套利策略，通过低相关性组合平滑收益曲线。当一组策略回撤时，另一组可能在盈利。

6. 策略容量的主动管理

面对策略容量的天花板，主动管理比被动接受更有效。改进方向是：监控策略的容量使用率，在接近容量上限时主动关闭新开仓，避免因规模过大而自我消灭套利空间。

八、未来展望：均值回归策略的新边疆

均值回归与统计套利策略虽然已有几十年历史，但它们的生命力远未枯竭。

1. AI正在重塑协整发现

传统的协整检验需要人工筛选配对，计算量巨大。AI技术正在改变这一局面——机器学习模型可以在数千只股票中自动发现最优协整组合。深度学习甚至能发现非线性协整关系，打开传统线性模型无法触及的套利空间。

2. 另类数据拓展了“均值”的边界

传统均值回归的“均值”指的是价格的历史平均水平。而另类数据（新闻情绪、卫星图像、电商数据等）提供了全新的“均值”参照系。例如，当市场情绪极度悲观而基本面稳健时，均值回归的信号可能比单纯看价格更可靠。

3. 跨资产套利的空间正在打开

随着ETF、期货、期权等衍生品市场的不断扩容，跨资产套利的空间正在扩大。同一资产在不同市场、不同形式之间的价差套利，是均值回归思想最具确定性的应用场景。

4. 个人量化与机构量化的“双向奔赴”

一方面，券商正在将T0算法、ETF套利工具等原本属于机构的基础设施“下沉”到个人投资者。另一方面，均值回归策略不要求你猜对方向，只要求你判断“现在是否异常”——这比预测“明天会涨还是会跌”要容易得多，也可靠得多。此外，券商提供的T0算法、ETF套利工具等原本属于机构的基础设施也在逐步“下均值回归策略不要求你猜对方向，只要求你判断“现在是否异常”——这比预测“明天会涨还是会跌”要容易得多，也可靠得多。沉”到个人投资者，进一步拉低了个人量化的门槛。均值回归和统计套利，正在从“机构的专属游戏”走向“个人的可选武器”。

老陈总结：
均值回归和统计套利的本质，是利用市场的非理性获利。只要人类还有恐惧和贪婪，只要市场还会过度反应，这个策略就永远不会失效。但它需要持续进化——从单资产到多资产，从线性到非线性，从人工筛选到AI驱动。不变的是“物极必反”的哲学，变的是实现它的工具。

九、本章导读：接下来你将学到什么

在接下来的具体策略章节中，我们将逐一拆解均值回归与统计套利家族中的核心成员：

章节	策略名称	核心特征	确定性层级
第二.01	布林带均值回归	单资产，统计通道	统计大概率
第二.02	配对交易	双资产，协整套利	统计协整
第二.03	统计套利与协整	多资产，组合协整	统计协整（更稳定）
第二.04	网格交易	单资产，机械执行	统计大概率
第二.05	RSI极值反转	单资产，超买超卖	统计大概率
第二.06	GARCH波动率择时	波动率预测	统计预测
第二.07	跨期套利	跨市场，同品种不同月	制度必然
第二.08	跨品种套利	跨市场，不同相关品种	产业逻辑+统计
第二.09	期现套利	跨市场，期货与现货	制度必然（最高）
第二.10	ETF套利	跨市场，一二级市场	制度必然（最快）

这十篇策略，从单资产到多资产、从统计驱动到制度驱动，构成了均值回归与统计套利的完整图谱。它们各有优劣，各有适用场景，但共享同一个核心信念：价格终将回归价值，价差终将回归均值。

老陈总结：
均值回归策略的核心价值在于它的稳定性和可解释性。它不需要预测未来，只需要识别当前是否偏离了常态。均值回归策略不要求你猜对方向，只要求你判断“现在是否异常”——这比预测“明天会涨还是会跌”要容易得多，也可靠得多。

老王总结：
如果你只有精力学一类策略，我建议是趋势跟踪——因为趋势来了你不跟，会错过最大的利润。但如果你想建立一个能穿越牛熊的量化系统，均值回归和统计套利是必须配置的。它不会让你暴富，但它能让你的账户在震荡市中活下来——而活下来，才有机会等到下一次趋势。

💡 思考题

1. 均值回归策略和趋势跟踪策略在哲学上完全对立，但它们可以共存于同一个投资组合中。你认为这种“对立统一”背后的逻辑是什么？
2. 协整关系为什么会破裂？如果协整关系破裂了，你认为应该立即平仓止损，还是继续持有等待“回归”？请说明理由。
3. 从单资产均值回归到多资产统计套利再到跨市场套利，“确定性”在上升，“门槛”也在上升。你认为这种“确定性换门槛”的权衡是否值得？在什么情况下你会选择高确定性的跨市场套利，什么情况下会选择低门槛的单资产均值回归？
4. （新增） 均值回归和统计套利策略的利润空间会随着参与者增多而自然衰减。你认为这种“套利空间的自然衰减”是策略失效的信号，还是市场效率提升的必然结果？作为个人投资者，你如何在策略容量收缩的环境中保持竞争力？（提示：可以从策略容量主动管理、多元化品种选择、向更高确定性层级迁移等角度思考。）
5. （展望题） 随着AI技术的普及，协整关系的发现将变得越来越自动化。你认为这会增强还是削弱统计套利策略的有效性？请从“策略发现”和“策略拥挤”两个角度分析。

十、引用/参考出处

网上内容：

• 统计套利：用数学而非情绪交易：http://www.thetradingpitgroup.com
• 什么是均值回归策略？介绍使用共整合ADF检定的交易策略：https://www.oanda.com
• BigQuant《基于统计套利的配对交易策略》：https://bigquant.com
• Gate 广场《解码统计套利：核心方法、实际应用与需警惕的陷阱》：https://www.gatenode.irish
• 叩富网《量化策略全景解读：主流类型、实战优劣与2026年的变局》：https://licai.cofool.com
• 同花顺《微观量化百问》第二期：http://school.10jqka.com.cn

学术论文（元信息）：

• Poterba, J. M., & Summers, L. H. (1987). “Mean reversion in stock prices: Evidence and implications.” Journal of Financial Economics.（均值回归现象的早期实证研究）
• Engle, R. F., & Granger, C. W. J. (1987). “Co-integration and error correction: Representation, estimation, and testing.” Econometrica, 55(2), 251-276.（协整理论的奠基之作，2003年诺贝尔经济学奖）
• Vidyamurthy, G. (2004). Pairs Trading: Quantitative Methods and Analysis. John Wiley & Sons.（配对交易与统计套利的经典著作）