配对交易筛选器

概述

本功能通过配对交易识别并分析统计套利机会。配对交易是一种市场中性策略，通过利用两种相关证券的相对价格变动获利，而不受整体市场方向的影响。该功能采用严谨的统计方法，包括相关性分析和协整检验，以寻找稳健的交易配对。

核心方法：

• 识别具有高相关性且属于相似行业/板块的股票配对
• 进行协整检验（长期统计关系）
• 计算价差Z分数以识别均值回归机会
• 基于统计阈值生成入场/出场信号
• 为市场中性敞口提供头寸规模建议

主要优势：

• 市场中性：在上涨、下跌或横盘市场中均可获利
• 风险管理：对整体市场波动的敞口有限
• 统计基础：数据驱动，非主观判断
• 分散化：与传统纯多头策略不相关

何时使用本功能

在以下情况使用此技能：

• 用户询问"配对交易机会"
• 用户需要"市场中性策略"
• 用户请求"统计套利筛选"
• 用户询问"哪些股票走势同步？"
• 用户希望对冲行业风险敞口
• 用户请求均值回归交易思路
• 用户询问相对价值交易

用户请求示例：

• "寻找科技行业的配对交易机会"
• "哪些股票具有协整关系？"
• "筛选统计套利机会"
• "寻找均值回归配对"
• "当前有哪些优质的市场中性交易？"

分析工作流程

步骤1：定义配对分析范围

目标：建立用于分析配对关系的股票池

方案A：基于行业的筛选（推荐）

选择特定行业进行筛选：

• 科技
• 金融
• 医疗保健
• 非必需消费品
• 工业
• 能源
• 材料
• 必需消费品
• 公用事业
• 房地产
• 通信服务

选项B：自定义股票列表

用户提供具体股票代码进行分析：

Example: ["AAPL", "MSFT", "GOOGL", "META", "NVDA"]

选项C：行业特定

聚焦于板块内的特定行业：

• 例如：科技板块内的“软件”
• 例如：金融板块内的“区域性银行”

筛选标准：

• 最低市值：20亿美元（中盘股及以上）
• 最低平均成交量：每日100万股（流动性要求）
• 活跃交易：排除已退市或不活跃的股票
• 相同交易所偏好：避免跨交易所的复杂情况

步骤二：获取历史价格数据

目标：获取价格历史数据，用于相关性和协整分析。

数据要求：

• 时间范围：2年（至少252个交易日）
• 频率：每日收盘价
• 调整：已根据拆股和股息进行调整
• 数据清洁：无间隔或缺失值

FMP API端点：

GET /v3/historical-price-full/{symbol}?apikey=YOUR_API_KEY

数据验证：

• 验证所有股票代码的日期范围是否一致
• 移除缺失数据超过10%的股票
• 使用前向填充法填补微小间隔
• 记录数据质量问题

脚本执行：

python scripts/fetch_price_data.py --sector Technology --lookback 730

步骤三：计算相关性和贝塔值

目标：识别具有强线性关系的候选配对。

相关性分析：

对于股票池中的每一对股票 (i, j)：

1. 计算皮尔逊相关系数（ρ）
2. 计算滚动相关性（90天窗口）以进行稳定性检查
3. 筛选出ρ ≥ 0.70（强正相关）的股票对

相关性解释：

• ρ ≥ 0.90：极强相关性（最佳候选对）
• ρ 0.70-0.90：强相关性（良好候选对）
• ρ 0.50-0.70：中等相关性（边缘候选对）
• ρ < 0.50：弱相关性（排除）

Beta值计算：

对于每个候选股票对（股票A，股票B）：

Beta = Covariance(A, B) / Variance(B)

Beta值表示对冲比率：

• Beta = 1.0：等额美元金额
• Beta = 1.5：每1.00美元的A对应1.50美元的B
• Beta = 0.8：每1.00美元的A对应0.80美元的B

相关性稳定性检查：

• 计算多个时间段（6个月、1年、2年）的相关性
• 要求相关性保持稳定（没有恶化）
• 标记近期相关性低于历史相关性超过0.15的股票对

步骤四：协整性检验

目标：从统计学上验证长期均衡关系。

协整为何重要：

• 相关性衡量的是短期协同变动
• 协整证明的是长期均衡关系
• 协整的配对具有可预测的均值回归特性
• 非协整的配对可能永久性偏离

增广迪基-富勒（ADF）检验：

对每个相关配对：

1. 计算价差：价差 = 价格_A - (Beta × 价格_B)
2. 对价差序列进行ADF检验
3. 检查p值：p < 0.05 表示存在协整（拒绝单位根的原假设）
4. 提取ADF统计量用于强度排序

协整结果解读：

• p值 < 0.01：非常强的协整关系（★★★）
• p值 0.01-0.05：中等强度的协整关系（★★）
• p值 > 0.05：无协整关系（排除）

半衰期计算：

估计均值回归速度：

Half-Life = -log(2) / log(mean_reversion_coefficient)

• 半衰期 < 30 天：快速均值回归（适合短期交易）
• 半衰期 30-60 天：中等速度（标准）
• 半衰期 > 60 天：缓慢均值回归（长期持有期）

Python 实现：

from statsmodels.tsa.stattools import adfuller

# Calculate spread
spread = price_a - (beta * price_b)

# ADF test
result = adfuller(spread)
adf_stat = result[0]
p_value = result[1]

# Interpret
is_cointegrated = p_value < 0.05

步骤 5：价差分析与 Z 分数计算

目标：量化当前价差对均衡状态的偏离程度。

价差计算：

两种常用方法：

方法 1：价格差（加法模型）

Spread = Price_A - (Beta × Price_B)

最佳适用：价格水平相近的股票

方法 2：价格比（乘法模型）

Spread = Price_A / Price_B

最佳适用：价格水平不同的股票，更易于解释

Z 分数计算：

衡量价差偏离其均值的标准差倍数：

Z-Score = (Current_Spread - Mean_Spread) / Std_Dev_Spread

Z 分数解读：

• Z > +2.0：股票 A 相对于 B 价格偏高（做空 A，做多 B）
• Z > +1.5：中度偏贵（关注入场时机）
• Z值介于-1.5至+1.5：正常范围（不进行交易）
• Z < -1.5：中度便宜（关注入场时机）
• Z < -2.0：股票A相对于B显得便宜（做多A，做空B）

历史价差分析：

• 计算90天滚动窗口的均值和标准差
• 绘制历史Z值分布图
• 识别历史最大Z值偏离区间
• 检查结构性断点（价差机制变化）

第六步：生成入场/离场建议

目标：提供具有明确规则的可执行交易信号

入场条件：

保守策略（Z值≥±2.0时）：

LONG Signal:
- Z-score < -2.0 (spread 2+ std devs below mean)
- Spread is mean-reverting (cointegration p < 0.05)
- Half-life < 60 days
→ Action: Buy Stock A, Short Stock B (hedge ratio = beta)

SHORT Signal:
- Z-score > +2.0 (spread 2+ std devs above mean)
- Spread is mean-reverting (cointegration p < 0.05)
- Half-life < 60 days
→ Action: Short Stock A, Buy Stock B (hedge ratio = beta)

激进策略（Z值≥±1.5时）：

• 降低阈值以增加交易频率
• 更高胜率但单笔平均利润较小
• 需要更严格的风险管理

离场条件：

主要退出条件：均值回归 (Z = 0)

Exit when spread returns to mean (z-score crosses 0)
→ Close both legs simultaneously

次要退出条件：部分获利了结

Exit 50% when z-score reaches ±1.0
Exit remaining 50% at z-score = 0

止损条件：

Exit if z-score extends beyond ±3.0 (extreme divergence)
Risk: Possible structural break in relationship

基于时间的退出条件：

Exit after 90 days if no mean-reversion
Prevents holding broken pairs indefinitely

步骤7：头寸规模与风险管理

目标：确定市场中立敞口的金额。

市场中立规模设定：

对于贝塔系数为 β 的配对（股票A, 股票B）：

等额敞口：

If portfolio size = $10,000 allocated to this pair:
- Long $5,000 of Stock A
- Short $5,000 × β of Stock B

Example (β = 1.2):
- Long $5,000 Stock A
- Short $6,000 Stock B
→ Market neutral, beta = 0

头寸规模考量：

• 每对配对分配总额：占投资组合的10-20%
• 最大配对数量：5-8个活跃配对以实现多样化
• 配对间的相关性：避免高度相关的配对

风险指标：

• 每对最大亏损：占总投资组合的2-3%
• 止损触发条件：Z分数 > ±3.0 或价差亏损 -5%
• 投资组合层面风险：所有配对风险总和 ≤ 10%

步骤8：生成配对分析报告

目标：创建一份包含调查结果和建议的结构化Markdown报告。

报告章节：

1. 执行摘要

   • 分析的总配对数量
   • 发现的协整配对数量
   • 按统计强度排名的前5个机会

2. 协整配对表

   • 配对名称 (股票A / 股票B)
   • 相关系数
   • 协整P值
   • 当前Z值
   • 交易信号 (做多/做空/无)
   • 半衰期

3. 详细分析 (前10个配对)

   • 配对描述
   • 统计指标
   • 当前价差位置
   • 入场/出场建议
   • 仓位规模
   • 风险评估

4. 价差图表 (基于文本)

   • 历史Z值图 (ASCII艺术)
   • 入场/出场点位标注
   • 当前位置指示器

5. 风险警告

   • 相关性恶化的配对
   • 检测到结构性断点
   • 低流动性警告

文件命名规范：

pair_trade_analysis_[SECTOR]_[YYYY-MM-DD].md

示例：pair_trade_analysis_Technology_2025-11-08.md

质量标准

统计严谨性

有效配对的最低要求：

• ✓ 两年期相关性 ≥ 0.70
• ✓ 协整 p 值 < 0.05（ADF 检验）
• ✓ 价差平稳性确认
• ✓ 半衰期 < 90 天
• ✓ 最近 6 个月内无结构性断点

危险信号（排除配对）：

• 最近 6 个月相关性下降 >0.20
• 协整 p 值 > 0.05
• 半衰期随时间增加（均值回归减弱）
• 重大公司事件（并购、分拆、破产风险）
• 流动性考量（日均成交量 < 50万股）

实际操作考量

交易成本：

• 假设每边交易来回成本为0.1%
• 每对交易总成本 = 0.4%（双边进入与退出）
• 最小z分数阈值应超过交易成本

卖空操作：

• 确认股票可卖空（非难借券）
• 计入卖空利息成本（融券费用）
• 监控轧空风险

执行策略：

• 同时进行双边建仓/平仓（规避单边风险）
• 使用限价订单控制滑点
• 建仓前预先锁定卖空标的

可用脚本

scripts/find_pairs.py

用途：在行业板块或自定义列表中筛选协整配对。

用法：

# Sector-based screening
python scripts/find_pairs.py --sector Technology --min-correlation 0.70

# Custom stock list
python scripts/find_pairs.py --symbols AAPL,MSFT,GOOGL,META --min-correlation 0.75

# Full options
python scripts/find_pairs.py \
  --sector Financials \
  --min-correlation 0.70 \
  --min-market-cap 2000000000 \
  --lookback-days 730 \
  --output pairs_analysis.json

参数：

• --sector：行业名称（科技、金融等）
• --symbols：股票代码逗号分隔列表（作为行业的替代选项）
• --min-correlation：最小相关性阈值（默认值：0.70）
• --min-market-cap：最低市值筛选条件（默认值：20亿美元）
• --lookback-days：历史数据周期（默认值：730天）
• --output：输出JSON文件（默认值：标准输出）
• --api-key：FMP API密钥（或设置FMP_API_KEY环境变量）

输出：

[
  {
    "pair": "AAPL/MSFT",
    "stock_a": "AAPL",
    "stock_b": "MSFT",
    "correlation": 0.87,
    "beta": 1.15,
    "cointegration_pvalue": 0.012,
    "adf_statistic": -3.45,
    "half_life_days": 42,
    "current_zscore": -2.3,
    "signal": "LONG",
    "strength": "Strong"
  }
]

scripts/analyze_spread.py

用途：分析特定配对的价格差行为并生成交易信号。

用法：

# Analyze specific pair
python scripts/analyze_spread.py --stock-a AAPL --stock-b MSFT

# Custom lookback period
python scripts/analyze_spread.py \
  --stock-a JPM \
  --stock-b BAC \
  --lookback-days 365 \
  --entry-zscore 2.0 \
  --exit-zscore 0.5

参数：

• --stock-a第一个股票代码
• --stock-b: 第二个股票代码
• --lookback-days: 分析周期（默认值：365）
• --entry-zscore: 入场Z分数阈值（默认值：2.0）
• --exit-zscore: 出场Z分数阈值（默认值：0.0）
• --api-key: FMP API密钥

输出：

• 当前价差分析
• Z分数计算
• 入场/出场建议
• 仓位规模
• 历史Z分数图表（文本形式）

参考文档

references/methodology.md

统计套利与配对交易的全面指南：

• 配对选择标准: 如何识别良好的配对候选
• 统计检验相关性、协整性、平稳性
• 价差构建：价格差法与价格比率法
• 均值回归：半衰期计算与解读
• 风险管理：头寸规模、止损、分散化
• 常见误区：幸存者偏差、前视偏差、过拟合

references/cointegration_guide.md

协整检验深入探讨：

• 什么是协整？：直观解释
• ADF检验：分步流程
• P值解读：统计显著性阈值
• 半衰期估计：AR(1)模型方法
• 结构突变：制度变化检验
• 实践案例包含真实配对案例的研究

与其他技能的结合

板块分析师的整合运用：

• 利用板块分析师识别轮动中的行业板块
• 在表现优异的板块内筛选配对交易组合
• 领先板块中的配对可能呈现更强劲的趋势

技术分析师的整合运用：

• 通过个股技术指标确认配对交易的入场/离场时机
• 入场前核查支撑位/阻力位
• 验证趋势方向是否与价差信号保持一致

回测专家的整合运用：

• 将候选配对提交给回测专家进行验证
• 测试历史Z分数入场/离场规则
• 优化阈值参数（入场Z分数、止损位）
• 通过向前滚动分析确保策略稳健性

市场环境分析的整合运用：

• 极端波动期间（VIX > 30）避免进行配对交易
• 危机时期相关性可能失效
• 更倾向于在横盘/区间震荡市场进行配对交易

投资组合管理器集成：

• 跟踪多个配对持仓
• 监控整体市场中性的风险敞口
• 计算投资组合层面的配对交易损益
• 定期重新平衡对冲比率

重要注意事项

• 所有分析和输出均为英文
• 统计基础：无主观判断性解读
• 市场中性的核心：最小化方向性贝塔风险敞口
• 数据质量至关重要：垃圾进，垃圾出
• 需要FMP API密钥：免费层级足以满足基本筛选需求
• Python依赖库：pandas, numpy, scipy, statsmodels

常见应用场景

应用场景 1：科技行业配对

User: "Find pair trading opportunities in tech stocks"

Workflow:
1. Screen Technology sector for stocks with market cap > $10B
2. Calculate all pairwise correlations
3. Filter pairs with correlation ≥ 0.75
4. Run cointegration tests
5. Identify current z-score extremes (|z| > 2.0)
6. Generate top 10 pairs report

应用场景 2：特定配对分析

User: "Analyze AAPL and MSFT as a pair trade"

Workflow:
1. Fetch 2-year price history for AAPL and MSFT
2. Calculate correlation and beta
3. Test for cointegration
4. Calculate current spread and z-score
5. Generate entry/exit recommendation
6. Provide position sizing guidance

应用场景 3：区域性银行配对

User: "Screen for pairs among regional banks"

Workflow:
1. Filter Financials sector for industry = "Regional Banks"
2. Exclude banks with <$5B market cap
3. Calculate pairwise statistics
4. Rank by cointegration strength
5. Focus on pairs with half-life < 45 days
6. Report top 5 mean-reverting pairs

故障排除

问题：未找到协整配对

解决方案：

• 扩大股票池（降低市值门槛）
• 放宽协整p值至0.10
• 尝试不同板块（公用事业板块通常协整性较好）
• 将回看期延长至3年

问题：所有z值均接近零（无交易信号）

解决方案：

• 市场正常状态（配对处于均衡）
• 稍后重试或扩大股票池
• 将入场阈值从±2.0降低至±1.5

问题：配对相关性失效

解决方案：

• 检查公司事件（财报发布、业绩指引变更）
• 确认无并购活动或重组计划
• 若确认结构性断裂，则从观察列表中移除该配对
• 重新入场前监控30天

API要求

• 必需FMP API密钥（免费版即可）
• 请求频率限制免费版每日约250次请求
• 数据用量估算每个代码获取两年历史数据约需2次请求
• 升级建议高频筛选推荐专业版（29美元/月）

参考资源

• FMP历史价格API:https://site.financialmodelingprep.com/developer/docs/historical-price-full
• 股票筛选器API:https://site.financialmodelingprep.com/developer/docs/stock-screener-api
• Statsmodels文档:https://www.statsmodels.org/stable/index.html
• 协整论文: 恩格尔与格兰杰 (1987) - 《协整与误差修正》

---

版本信息: 1.0最后更新2025年11月8日依赖项: Python 3.8+、pandas、numpy、scipy、statsmodels、requests

部分文章来自各大搜索引擎，如有侵权，请与我联系删除。