高抛低吸的数学表达——当价格偏离正常时，押注它会回家
如果说趋势跟踪是"顺势而为"，那么均值回归就是"逆势而为"。它赌的是：当价格偏离其"正常水平"太远时，最终一定会回归。这种策略在震荡市中如鱼得水，但在强趋势市中会损失惨重。掌握它，你就拥有了与趋势跟踪互补的第二大武器。
想象你手里拿着一根橡皮筋，一端系着一个乒乓球。你把球拉得很远，然后松手——球会怎样？它会弹回来，回到平衡点。拉得越远，弹回来的力量越大。
金融市场中的很多价格行为就像这根橡皮筋。当某只股票因为短期恐慌被过度抛售时，价格会偏离其内在价值。虽然短期内恐慌可能继续，但从统计上看，极端偏离最终会被修正。这就是均值回归的直觉。
当然，市场不总是橡皮筋。有时候它是瀑布——一旦开始下跌，根本停不下来。所以均值回归策略最危险的时刻，就是把瀑布当成橡皮筋的时候。2015年A股股灾中，无数"抄底"的均值回归者被市场碾压，因为他们没有意识到：均值回归只在"有均值可回归"的市场中有效。
均值回归（Mean Reversion）是统计学中的一个核心概念。它的理论基础是：如果价格序列是平稳的（stationary），那么偏离均值的部分最终会收敛回均值。
判断一个价格序列是否适合均值回归，最常用的方法是ADF检验（Augmented Dickey-Fuller Test）。如果检验结果的p值小于0.05，我们就可以认为该序列是平稳的，适合均值回归策略。
但股市价格本身通常不是平稳的——它更像随机游走。所以均值回归策略通常不直接作用于价格，而是作用于价格的某种变换：
布林带（Bollinger Bands）是均值回归策略中最经典的工具。它由三条线组成：
中轨 = N日移动平均线
上轨 = 中轨 + K倍标准差
下轨 = 中轨 - K倍标准差
布林带的核心逻辑是：价格有95%的概率落在2倍标准差的轨道内（假设价格服从正态分布）。当价格触及上轨时，视为"超买"，可能回落；当价格触及下轨时，视为"超卖"，可能反弹。
"""
布林带均值回归策略
逻辑：价格触及下轨时买入，触及上轨时卖出
"""
import backtrader as bt
import akshare as ak
import pandas as pd
class BollingerMeanReversion(bt.Strategy):
params = (
('period', 20), # 布林带周期
('devfactor', 2.0), # 标准差倍数
('stop_loss', 0.05), # 5%止损（防止趋势延续）
)
def __init__(self):
self.boll = bt.indicators.BollingerBands(
period=self.p.period,
devfactor=self.p.devfactor
)
self.order = None
self.entry_price = None
def next(self):
if self.order:
return
current_price = self.data.close[0]
# 止损检查
if self.position and self.entry_price:
if current_price < self.entry_price * (1 - self.p.stop_loss):
self.order = self.sell()
print(f'止损卖出 @ {current_price:.2f}')
return
# 买入信号: 价格跌破下轨
if not self.position and current_price < self.boll.lines.bot[0]:
self.order = self.buy()
print(f'买入 @ {current_price:.2f} (下轨: {self.boll.lines.bot[0]:.2f})')
# 卖出信号: 价格突破上轨 或 回归中轨上方
elif self.position and current_price > self.boll.lines.mid[0]:
self.order = self.sell()
pnl = (current_price - self.entry_price) / self.entry_price * 100
print(f'卖出 @ {current_price:.2f}, 盈亏: {pnl:.2f}%')
def notify_order(self, order):
if order.status in [order.Completed]:
if order.isbuy():
self.entry_price = order.executed.price
else:
self.entry_price = None
self.order = None
# ========== 回测设置 ==========
if __name__ == "__main__":
cerebro = bt.Cerebro()
cerebro.addstrategy(BollingerMeanReversion)
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.0003)
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='dd')
# 请在此处添加数据加载代码
# df = ak.stock_zh_a_hist(...)
# data = bt.feeds.PandasData(dataname=df, ...)
# cerebro.adddata(data)
results = cerebro.run()
strat = results[0]
print(f'最终资金: {cerebro.broker.getvalue():.2f}')
print(f"夏普: {strat.analyzers.sharpe.get_analysis().get('sharperatio','N/A')}")
print(f"最大回撤: {strat.analyzers.dd.get_analysis().max.drawdown:.2f}%")RSI（相对强弱指标）是另一个经典的均值回归工具。它的取值范围是0-100：
纯粹的RSI策略有一个问题：在强趋势市中，RSI可以长期停留在超买或超卖区。比如一只妖股连续涨停，RSI可能连续20天大于80。如果你在RSI>70时就卖出，会错过后续的巨大涨幅。
改进方法是结合趋势过滤：只在价格高于200日均线时用RSI>70做空，只在价格低于200日均线时用RSI<30做多。这样可以避免在强趋势中逆势操作。
配对交易（Pairs Trading）是均值回归策略的"高级形态"。它的核心思想是：找到两只历史上价格走势高度相关的股票，当它们的价差异常扩大时，做空贵的、买入便宜的，等价差回归时平仓。
配对交易的经典案例是可口可乐和百事可乐。两家公司处于同一行业，受相似的基本面因素影响，股价长期走势高度相关。当某一天可口可乐因为某个临时性利空暴跌，而百事没有跌时，两者的价差异常扩大——这就是配对交易者的入场信号。
"""
配对交易简化版 - 协整性检验 + 阈值交易
需要安装: pip install statsmodels
"""
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import coint
class PairsTrading:
def __init__(self, stock_a, stock_b, lookback=60, entry_z=2.0, exit_z=0.5):
"""
stock_a, stock_b: 价格序列 (pandas Series)
lookback: 计算价差的回看窗口
entry_z: 开仓阈值 (Z-Score)
exit_z: 平仓阈值 (Z-Score)
"""
self.stock_a = stock_a
self.stock_b = stock_b
self.lookback = lookback
self.entry_z = entry_z
self.exit_z = exit_z
self.hedge_ratio = None
def test_cointegration(self):
"""检验两只股票是否协整"""
score, pvalue, _ = coint(self.stock_a, self.stock_b)
return {
'coint_score': score,
'pvalue': pvalue,
'is_cointegrated': pvalue < 0.05
}
def calculate_spread(self):
"""计算价差序列 (A - hedge_ratio * B)"""
# 用线性回归计算对冲比率
self.hedge_ratio = np.polyfit(self.stock_b, self.stock_a, 1)[0]
spread = self.stock_a - self.hedge_ratio * self.stock_b
return spread
def generate_signals(self):
"""生成交易信号"""
spread = self.calculate_spread()
# 计算滚动Z-Score
mean = spread.rolling(window=self.lookback).mean()
std = spread.rolling(window=self.lookback).std()
zscore = (spread - mean) / std
signals = pd.DataFrame(index=spread.index)
signals['zscore'] = zscore
signals['spread'] = spread
# 信号逻辑
signals['long_a'] = zscore < -self.entry_z # A被低估，做多A做空B
signals['short_a'] = zscore > self.entry_z # A被高估，做空A做多B
signals['exit'] = abs(zscore) < self.exit_z # 平仓
return signals
# ========== 使用示例 ==========
if __name__ == "__main__":
# 模拟两只相关股票的价格
np.random.seed(42)
n = 500
# 创建协整的价格序列
trend = np.cumsum(np.random.normal(0, 1, n))
stock_a = 100 + trend + np.random.normal(0, 2, n)
stock_b = 80 + 0.8 * trend + np.random.normal(0, 2, n)
df = pd.DataFrame({
'A': stock_a,
'B': stock_b
})
# 运行配对交易分析
pt = PairsTrading(df['A'], df['B'])
# 检验协整性
coint_result = pt.test_cointegration()
print("=== 协整性检验 ===")
print(f"P值: {coint_result['pvalue']:.4f}")
print(f"是否协整: {coint_result['is_cointegrated']}")
# 生成信号
if coint_result['is_cointegrated']:
signals = pt.generate_signals()
print("\n=== 最近交易信号 ===")
recent_signals = signals[signals['long_a'] | signals['short_a']].tail(10)
print(recent_signals[['zscore', 'long_a', 'short_a']].to_string())均值回归策略最大的敌人是"假回归"——你以为价格会回归，但它只是短暂停顿后继续狂奔。以下几种情况尤其危险：
正方：A股散户占比高，情绪波动大，导致价格经常偏离基本面。这种"非理性波动"为均值回归策略提供了丰富的机会。特别是在蓝筹股中，均值回归效果显著。
反方：A股的"涨停跌停"制度限制了价格发现效率。一只股票跌停后可能连续跌停，根本没有"回归"的机会。而且A股的"炒题材"文化让价格可以长期偏离基本面。
量化交易者的务实态度：均值回归在A股确实有效，但需要严格的止损和仓位控制。不要试图"抄底"连续跌停的股票，只在波动率正常、流动性充足的环境中使用均值回归策略。
调整参数，观察不同标准差倍数对交易频率和潜在收益的影响：
Prompt模板：
请用Python和statsmodels检验贵州茅台(600519)和五粮液(000858)
从2020年到2024年的日收盘价是否协整。
要求：
1. 使用AKShare获取数据
2. 进行ADF检验和协整检验
3. 如果协整，计算最优对冲比率
4. 绘制价差序列图
5. 给出交易建议Prompt模板：
请对比布林带均值回归策略和RSI超卖反弹策略：
1. 各自的核心逻辑是什么？
2. 在什么市场环境下表现最好？
3. 各自最大的风险点是什么？
4. 如果我要同时运行这两个策略，如何分配资金比例？
请用表格输出对比结果。Prompt模板：
请设计一个混合策略：
- 当ADX>25时，使用趋势跟踪（海龟法则）
- 当ADX<20时，使用均值回归（布林带）
- 当ADX在20-25之间时，空仓观望
请用Backtrader实现，并添加注释。下面是一个完整的、可直接运行的布林带+RSI组合策略。它同时要求价格触及布林带下轨和RSI<30才入场，双重过滤提高了信号质量：
"""
布林带+RSI双重过滤均值回归策略
"""
import backtrader as bt
class MeanReversionStrategy(bt.Strategy):
params = (
('bb_period', 20),
('bb_dev', 2.0),
('rsi_period', 14),
('rsi_oversold', 30),
('rsi_overbought', 70),
('stop_loss', 0.05),
)
def __init__(self):
self.boll = bt.indicators.BollingerBands(
period=self.p.bb_period,
devfactor=self.p.bb_dev
)
self.rsi = bt.indicators.RSI(period=self.p.rsi_period)
self.order = None
self.entry_price = None
def next(self):
if self.order:
return
price = self.data.close[0]
# 止损
if self.position and self.entry_price:
if price < self.entry_price * (1 - self.p.stop_loss):
self.order = self.sell()
return
# 双重过滤买入: 价格跌破下轨 AND RSI超卖
if not self.position:
if price < self.boll.lines.bot[0] and self.rsi[0] < self.p.rsi_oversold:
self.order = self.buy()
print(f'双重过滤买入: 价格={price:.2f}, RSI={self.rsi[0]:.1f}')
# 卖出: 价格回归中轨上方 OR RSI脱离超卖
elif self.position:
if price > self.boll.lines.mid[0] or self.rsi[0] > 50:
self.order = self.sell()
pnl = (price - self.entry_price) / self.entry_price * 100
print(f'卖出: 价格={price:.2f}, 盈亏={pnl:.2f}%')
def notify_order(self, order):
if order.status in [order.Completed]:
if order.isbuy():
self.entry_price = order.executed.price
else:
self.entry_price = None
self.order = None
if __name__ == "__main__":
cerebro = bt.Cerebro()
cerebro.addstrategy(MeanReversionStrategy)
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.0003)
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='dd')
print('初始资金: %.2f' % cerebro.broker.getvalue())
results = cerebro.run()
strat = results[0]
print('最终资金: %.2f' % cerebro.broker.getvalue())
print(f"夏普: {strat.analyzers.sharpe.get_analysis().get('sharperatio','N/A')}")
print(f"最大回撤: {strat.analyzers.dd.get_analysis().max.drawdown:.2f}%")恭喜你完成了第19章！至此，你已经掌握了量化交易的两大核心策略流派：趋势跟踪和均值回归。你学会了用Backtrader实现完整的策略，理解了入场、出场、仓位、止损四大组件，还掌握了基本面数据和另类数据的应用。
但这只是开始。在后续的章节中，我们将进入更高阶的领域：多因子模型、机器学习策略、风险模型、以及如何把策略从回测推向实盘。量化交易的世界没有终点，每一天都有新的数据、新的工具、新的机会。
记住这本书的核心理念：用AI降低技术门槛，让每个人都能把交易想法变成可运行的策略。你现在已经具备了把想法变成代码的能力。去实践吧，市场是最好的老师。
如果这本书对你有所启发，欢迎支持我继续创作
