算法交易4-股票与ETF基金的均值回归模式

Posted on

Ernie Chan《算法交易：制胜策略与原理》第四章读书笔记。市场已经经历了大量的“统计套利”算法和策略工程师，均值回归模式已经被竭尽所能地开发出来，所以，均值回归策略相关的收益率一般都降低很多了。2015 年英文版本出版。

第四章：股票与ETF基金的均值回归模式

一、 标的分散化：从个股配对到ETF组合

在第二章和第三章中，我们讨论的主要是两只股票的配对交易。但在实盘中，个股配对存在极大的“特质风险”。

  1. 个股配对的致命缺陷：基本面冲击
    • 原理：即使两只股票（如可口可乐与百事可乐）在历史上高度协整，一旦其中一家发生黑天鹅事件（如财报造假、CEO突发离职、产品致癌丑闻），其基本面发生永久性改变，导致价差永久发散，均值回归策略将面临毁灭性打击。这种风险，再顶尖的回测系统也无法预测。
  2. ETF组合的降维打击：分散特质风险
    • 实战优势：ETF是一篮子股票的组合。当我们在两个具有协整关系的ETF之间（例如金融行业ETF XLF 与 区域银行ETF KRE）进行套利时，单只股票的个体风险被充分分散。
    • 数值对比：假设KRE中某家小银行倒闭，可能只导致KRE净值下跌0.5%，价差略微偏离；但如果是配对交易这两家银行的个股，价差可能瞬间偏离20%直接触发强平。ETF组合的协整关系在样本外（OOS）的存活率和稳定性远高于个股。

二、 衍生品对冲的隐含成本：滚动收益

当使用期货合约替代ETF现货进行均值回归交易时（为了获得杠杆或方便做空），不能只看价格走势，必须将滚动收益纳入总收益的计算。

  1. 期货定价公式与升贴水
    • 理论公式：$F = S \times e^{(r-d)T}$ （其中 $F$ 为期货价格，$S$ 为现货价格，$r$ 为无风险利率，$d$ 为股息率，$T$ 为到期时间）。
    • 常态：通常 $r > d$，因此远月期货价格 $F > S$（处于升水状态，Contango）。
  2. 滚动收益的实战计算
    • 定义：当你做空昂贵的远月合约，并在到期前平仓、买入更便宜的近月合约时，由于价格向现货收敛所赚取的隐含收益。
    • 数值案例：标普500现货 $S=4000$，6个月后期货 $F=4040$（升水40点）。你做空期货。1个月后，现货没涨没跌仍为4000，但期货由于时间流逝，价格变成 $4020$。此时你平仓，虽然现货没动，但你赚取了20点的滚动收益。
    • 实战铁律：在回测ETF与期货的套利策略时，必须明确区分现货收益与滚动收益。如果忽视滚动收益，你会错误评估策略的真实Alpha，尤其是在高利率环境下，升水带来的滚动收益可能占到大头。

三、 日内与季节性均值回归的特殊性

并非所有的均值回归都能用ADF检验或约翰森检验来证明。

  1. 统计检验的失效
    • 原因：日内数据（Tick或分钟级）充满了微观结构噪音（买卖价差跳动、延迟）。季节性数据（如每年1月份效应）样本点太少。传统的协整检验要求大样本连续数据，在此类场景下会失效（即无法得出“平稳”的统计学结论）。
  2. 实战替代方案：经验法则与规则驱动
    • 做法：放弃寻找数学上的协整性，转而寻找经验上的均值回归。
    • 案例：“如果标普500迷你期货在开盘前15分钟内下跌超过0.5%，则在接下来的1小时内做多，收盘前平仓。” 这种策略通不过ADF检验，但由于日内流动性断裂导致的过度反应，其实盘收益可以非常好。

四、 策略增强：均值回归与动量的融合

纯粹的均值回归最怕遇到“单边下跌趋势”（即所谓“接飞刀”）。引入动量过滤可以显著提高策略的胜率和一致性。

  • 实战机制：只有当标的的短期动量指标不处于极度恶化状态时，才允许执行均值回归做多信号。
  • 数值案例：假设你的策略发现股票A相对于指数严重超跌（Z-Score < -2），发出做多A的信号。
    • 无过滤：直接买入。结果A是因为业绩暴雷被机构砸盘，继续跌停，策略巨亏。
    • 动量过滤：在执行前，检查股票A过去5天的动量（如5日收益率）。如果5日跌幅超过-10%（动量极度恶化），说明处于强趋势中，拒绝执行该均值回归信号。只有当5日跌幅在-2%以内（只是随大盘轻微拖累）时，才执行做多。这有效剔除了“基本面崩塌”导致的假信号。

五、 指数套利的降维打击与横截面策略

传统的股票指数与期货之间的指数套利，已经沦为高频交易（HFT）的领地，中低频策略必须寻找新的战场。

  1. 指数套利的破局点：成分股子集
    • 现状：直接交易 SPY（标普500 ETF）与 ES（标普500期货）的价差，毫秒级内就会被HFT抹平，无利可图。
    • 实战策略：不要交易全样本指数。挑选指数内受特定宏观因子驱动最强烈的子集。例如，只挑选标普500中前50大科技股，合成一个“微型科技指数”，再与纳斯达克期货（NQ）进行套利。子集的噪音更小，定价效率相对较低，中频策略仍有套利空间。
  2. 横截面均值回归：最经典的线性多空策略
    • 定义：不再寻找特定股票之间的配对关系，而是将整个股票池（如沪深300）作为一个整体，通过某个变量进行横截面排名，做多排名最靠后的，做空排名最靠前的。
    • 核心变量：相对收益率
      • 操作：计算沪深300所有成分股过去5天的收益率。排名前10%（涨得最多的）大概率短期超涨，做空；排名后10%（跌得最多的）大概率短期超跌，做多。每隔一段时间（如5天）进行一次再平衡。这本质上是在赌“涨多了的会跌，跌多了的会涨”。
    • 扩展变量：基本面因子
      • 横截面排名的变量不限于收益率，也可以是**市盈率（P/E）、市净率（P/B）**等。
      • 实战应用：在同一个行业内（如银行业），按市盈率排名。做空PE最高的10%股票（高估），做多PE最低的10%股票（低估）。此时，均值回归策略在形式上已经演变成了传统的价值投资多空策略，但其数学执行逻辑依然是基于统计平均的回归。