【维克】均值回归：跌多了会涨，涨多了会跌

前言

在量化交易的所有策略流派里，均值回归可能是最"反直觉"的一个。

为什么这么说？因为大部分新手接触交易的第一反应都是"追涨杀跌"------看到涨了就想买，觉得它会继续涨。这是人类的本能，也是动量策略的心理基础。但均值回归告诉你：恰恰相反，涨多了该卖，跌多了该买。价格偏离越远，回来的概率越大。

听起来很"常识"------毕竟"物极必反""否极泰来"是老祖宗几千年前就总结的智慧。但常识归常识，当你面对一个已经连跌7天的品种，你敢不敢逆势买入？当一个品种连续创新高，你敢不敢做空？大部分人做不到，因为你的本能会告诉你"它还会涨"或者"它还会跌"。

均值回归策略的价值，就在于用数学和数据替你克服这个本能偏差。它不需要你"判断"价格是否"跌多了"，而是用统计检验告诉你：当前偏离是否已经超过了历史均值的一定倍数，回归的概率有多大，预期的回归周期是多长。

这篇文章，我会从均值回归的底层逻辑讲起，到它的数学基础、实操步骤、风控要点，帮你完整搭建一套可落地的均值回归策略框架。

Why：为什么均值回归是投资世界最古老的信仰？

两次黑色星期一

1987年10月19日，星期一。道琼斯工业平均指数在一天之内暴跌了22.6%。这不是小幅回调，是人类现代金融史上最剧烈的单日崩盘之一。全球恐慌蔓延，所有分析师都在说同一句话："这次不一样"，资本主义要完了。

然后呢？

12个月后，美股反弹了23%，完全收复了跌幅。

2008年10月，雷曼兄弟破产后的余波。标普500从高点一路跌去40%，有人甚至在电视上喊"卖出一切"。但到了2009年3月，市场见底，然后用10年时间涨了4倍。

这两次事件完美展示了同一个规律：价格可以短期极端偏离均衡，但最终一定会回来。 不是"可能"回来，是"几乎必然"回来。

这不是鸡汤。这是统计学。

从股票到商品：均值回归无处不在

均值回归不是某个市场的特例。从美股到A股，从黄金到原油，从外汇到债券，只要价格是由供需基本面决定的，偏离越大回归的概率就越高。

原因很简单：价格偏离均衡意味着经济激励的扭曲。油价涨到200美元，页岩油商就会疯狂增产，需求端会因为高油价而萎缩，供给增加+需求减少，价格自然回落。股价跌到远低于净资产，公司就会回购，价值投资者就会买入，买盘增加，价格自然反弹。

均值回归的底层驱动力是经济系统的自我修正机制。 当价格偏离到足够极端，"便宜"本身就会成为上涨的理由，"昂贵"本身就会成为下跌的理由。

均值回归 vs 动量：一枚硬币的两面

上一节讲了动量策略------过去的赢家继续赢、过去的输家继续输。均值回归刚好相反------过去的赢家会"降温"、过去的输家会"反弹"。

两种策略都有效，但有效的时间尺度不同：

• 短期（日、周） ：均值回归占优。因为信息消化后价格会回归合理区间，短期超涨超跌会被修正。

• 中期（月、季） ：动量占优。因为信息需要时间扩散，趋势需要时间形成。

同一个品种，短期做均值回归、中期做动量，两个策略可以同时有效。关键是你用哪个时间尺度。

What：均值回归的数学基础

OU过程：均值回归的数学语言

均值回归策略需要一个精确的数学模型来描述"价格如何回归均值"。最经典的模型是Ornstein-Uhlenbeck过程 （简称OU过程），这是金融数学中描述均值回归行为的标准工具。

数学表达：

dX(t) = θ × (μ - X(t)) × dt + σ × dW(t)

拆解每个符号：

• X(t)：当前价格（或者价差、偏离度）

• μ：长期均值（均衡价格）

• θ：回归速度参数。这是最重要的参数。 θ越大，偏离后回归越快；θ=0，价格变成随机游走，完全没有回归趋势

• σ：波动率，描述价格随机波动的幅度

• dW(t)：布朗运动的增量，代表随机扰动

简单翻译成人话：价格每一天的变动 = 回归力量（把价格拉向均值）+ 随机扰动（市场噪音）。θ决定了回归力量的大小。

半衰期：你该持仓多久？

OU过程中有一个极其重要的衍生指标：半衰期 （Half-Life）。

半衰期 = ln(2) / θ

意思是：如果当前价格偏离均值一定距离，经过多长时间后，偏离会缩小到原来的一半。

半衰期的实战意义极其重大：

• 如果半衰期是5天：你的均值回归策略持仓周期应该在5天左右。偏离后5天，价格大概率回归到一半。持仓超过5天，边际收益递减。

• 如果半衰期是60天：你的策略应该以月为周期持仓。不要指望几天就回归。

• 如果半衰期是200天以上：这个品种基本没有均值回归特征，不要做。

持仓周期和半衰期不匹配，是均值回归策略亏损最常见的原因。 很多人选了半衰期30天的品种，然后用5天的持仓周期------还没回归就平仓了，当然赚不到钱。反过来也是，半衰期5天的品种你持仓30天，早就回归完了，后面的持仓纯粹是在承担随机波动风险。

如何从数据中估计θ和半衰期？

实操中，我们用AR(1)回归来估计回归速度：

// python
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller

def estimate_mean_reversion(prices):
"""
从价格序列中估计均值回归参数

返回：

• is_stationary: ADF检验是否通过（p<0.05）
• half_life: 半衰期（天数）
• b: AR(1)系数
• theta: 回归速度
  """

第一步：ADF检验------判断是否存在均值回归

adf_result = adfuller(prices, maxlag=1)
adf_p_value = adf_result1
is_stationary = adf_p_value < 0.05

第二步：AR(1)回归

X(t) = a + b × X(t-1) + ε

y = prices.iloc1:
x = prices.iloc:-1
x_const = sm.add_constant(x)
model = sm.OLS(y, x_const).fit()
b = model.params.iloc1

第三步：计算半衰期和回归速度

if 0 < b < 1:
half_life = -np.log(2) / np.log(b)
theta = -np.log(b)
else:
half_life = np.nan
theta = np.nan

return is_stationary, half_life, b, theta

逐行解释：

• adfuller(prices)：Augmented Dickey-Fuller检验。原假设是"序列有单位根"（随机游走）。p值<0.05意味着拒绝原假设，序列是平稳的（存在均值回归）

• sm.OLS(y, x_const).fit()：普通最小二乘回归，估计AR(1)系数b

• b接近1：几乎随机游走，回归极慢（动量世界）

• b在0.85-0.99之间：典型均值回归品种

• b为负：过度回归，价格在均值两侧反复震荡

• half_life = -np.log(2) / np.log(b)：从AR(1)系数反推半衰期

均值回归的三种经典场景

场景一：单资产均值回归

最直观的形式：一只股票的价格偏离自身均线后回归。比如乖离率（BIAS）策略------当价格跌破20日均线15%时买入，回归到均线时卖出。

适用对象：大盘蓝筹、指数ETF、高流动性品种。这些品种的"均值"相对稳定，不太容易出现均值漂移。

场景二：配对均值回归

两个相关资产的价差围绕均值波动。比如可口可乐和百事可乐的股价差，或者同一公司在A股和H股之间的价差。价差偏离均值时做多被低估的、做空被高估的。

适用对象：同行业龙头配对、同一资产的不同市场报价。配对的协整关系越强，均值回归越稳定。

场景三：因子均值回归

风格因子（如价值溢价、小盘溢价）的周期性波动。比如价值因子在某个阶段失效了（成长跑赢价值），但长期来看价值因子会回归。

适用对象：多因子策略中的因子择时。当某个因子偏离历史均值2个标准差以上时，增加该因子暴露。

均值回归 vs 动量：适用环境对比

|----------|-----------------|---------------|
| 环境特征 | 均值回归占优 | 动量占优 |
| 市场状态 | 震荡市、区间波动 | 趋势市、单边行情 |
| 信息消化速度 | 信息快速消化、价格快速修正 | 信息缓慢扩散、趋势逐步建立 |
| 参与者结构 | 套利者主导（成熟市场） | 正反馈交易者主导（散户多） |
| 时间尺度 | 短期（日、周） | 中期（月、季） |
| 典型品种 | 配对价差、利差、均值回复型商品 | 趋势型商品、成长股 |
| 收益特征 | 高胜率、低盈亏比 | 低胜率、高盈亏比 |

How：均值回归策略的落地步骤

第一步：选品------找出真正有均值回归特征的品种

不是所有品种都适合均值回归。很多品种看起来"跌多了会涨"，但统计检验后发现根本不存在稳定的均值回归特征。

选品三标准：

1. ADF检验p值 < 0.05（统计上确认存在均值回归）

2. 半衰期在5-60天之间（太短被交易成本吃掉利润，太长资金效率低）

3. AR(1)系数b在0.85-0.99之间（太低意味着过度震荡，太高意味着回归太慢）

// python
def screen_mean_reversion_candidates(price_dict):
"""
批量筛选均值回归品种

参数：

• price_dict: {品种代码: 收盘价Series} 的字典

返回：

• 符合条件的品种列表，按半衰期排序
  """
  results = \[\]

for code, prices in price_dict.items():
is_stationary, half_life, b, theta = estimate_mean_reversion(prices)

三个条件全部满足

if is_stationary and 5 <= half_life <= 60 and 0.85 <= b <= 0.99:
results.append({
'code': code,
'half_life': round(half_life, 1),
'b': round(b, 4),
'theta': round(theta, 4)
})

按半衰期排序（短半衰期优先）

results.sort(key=lambda x: x'half_life')

return pd.DataFrame(results)

第二步：确定均值和偏离度

"均值"的选择比想象中更讲究。不同的均值算法，策略表现差异很大。

三种均值算法：

1. 简单移动均值（SMA） ：过去N天收盘价的算术平均。最简单，但滞后严重。适合均值本身非常稳定的品种。

2. 指数加权均值（EWMA） ：对近期数据赋予更高权重。对均值漂移更敏感，适合"均值本身也在缓慢变化"的品种。

3. Kalman滤波均值 ：用状态空间模型实时估计动态均值。最灵活，但实现复杂，过拟合风险高。建议高级用户在单资产策略验证有效后再考虑。

偏离度度量------Z-score：

Z-score = (当前价格 - 均值) / 标准差

Z-score = 2，意味着当前价格偏离均值2个标准差。在正态分布假设下，Z > 2的概率只有2.3%，属于极端偏离。

第三步：设计入场和出场规则

经典Z-score阈值设计：

|--------|----------------|--------------|
| 操作 | Z-score阈值 | 逻辑 |
| 开多 | Z < -2 | 价格严重偏低，买入等回归 |
| 开空 | Z > +2 | 价格严重偏高，做空等回归 |
| 平多 | Z > -0.5 | 回归到均值附近，止盈 |
| 平空 | Z < +0.5 | 回归到均值附近，止盈 |
| 止损 | 亏损超过入场时偏离的1.5倍 | 均值可能已经漂移 |

止损为什么极其重要？

均值回归策略最大的风险不是"均值不存在"，而是均值漂移 ------你以为的"均值"已经变了。价格偏离的不是旧均值，而是围绕新均值波动。不设止损，就是在赌均值不变，这在现实中极其危险。

经典案例：2008年金融危机前，很多人做空金融股，理由是"股价偏离历史均值太远了，一定会回归"。结果金融股的均值永久下移了，那些做空的人等到的是破产而不是回归。

第四步：仓位管理

// python
def mean_reversion_position(z_score, half_life, max_position=1.0):
"""
均值回归仓位管理

核心逻辑：

1. 仓位大小与偏离度成正比------偏离越大，仓位越重
2. 半衰期越长，仓位越保守------回归慢，不要急
   """

基础仓位：偏离度越大仓位越重

z=-2时做多满仓，z=+2时做空满仓

raw_position = -z_score / 2.0

半衰期修正：长周期品种减仓

if half_life > 30:
raw_position *= 0.5
elif half_life > 15:
raw_position *= 0.75

限制最大仓位

position = max(-max_position, min(max_position, raw_position))

return position

第五步：回测验证

回测数据仅作教学演示，不代表未来表现

回测要点：

• 用ADF检验预筛选品种，不要对所有品种做均值回归

• 按半衰期分组：短半衰期（5-15天）和长半衰期（15-60天）分别回测

• 必须包含交易成本（手续费+滑点）

• 必须设置止损（偏离超过3倍标准差无条件出场）

典型回测结果参考：

• 纯Z-score策略（Z=±2入场，Z=0平仓）：年化约4-6%，胜率约60%

• 叠加半衰期匹配后：年化提升到6-8%，最大回撤从-25%降到-15%

• 多品种分散后（10+品种）：夏普比率1.0-1.5

第六步：风控铁律

1. 必须设止损 ：偏离超过3倍标准差无条件止损，不要扛单等回归

2. 不要在强趋势品种上做均值回归 ：先用ADF检验过滤掉趋势品种

3. 多品种分散 ：单一均值回归头寸风险极高，至少10个品种组合

4. 定期重估参数 ：均值和半衰期不是固定不变的，建议每季度重新估计

5. 区分"均值回归"和"接飞刀" ：真正的均值回归有统计检验支撑，接飞刀只是凭感觉抄底

总结

均值回归是最古老的投资直觉------"物极必反""否极泰来"。但从直觉到策略，中间隔着一道关键的分界线：你怎么确认"跌多了"而不是"趋势变了"？

答案是数学。用ADF检验确认品种是否存在均值回归特征，用半衰期确定合理的持仓周期，用Z-score量化偏离程度，用止损保护均值漂移的尾部风险。

均值回归和动量不是对立的，它们是同一枚硬币的两面。短期做均值回归、中期做动量，两者组合使用才是最完整的量化框架。

记住这句话：信仰需要数学来守护。 不是"跌多了就该涨"，而是"跌到Z=-2且ADF检验通过且半衰期在合理范围内，做多才有统计优势"。