配对思维营

配对交易的定义很简单：找两只历史上一起涨跌的标的（通常同行业、规模相近），赌它们之间的价差偏离后会回到正常——买相对便宜的那只、卖相对贵的那只，两只一起赚。注意它不预测任何一只会涨还是会跌，只赌“差距会回来”。

类比：两只母鸡，A 鸡平时都比 B 鸡多下 1 个蛋。某天 A 鸡突然下了 0 个、B 鸡下了 5 个——大概率是临时异常，你会赌“下个月回到 A 比 B 多 1 个”。配对交易做的就是这件事：不猜天气（行情方向），只赌偏差会收敛。

它凭什么成立？靠三个朴素前提：①价差有长期稳定关系（协整）；②偏离会均值回归；③你能等到回归的那天。它也有真相：跷跷板两边一起上下、距离中点会回来——但跷跷板会塌。换成弹簧更诚实：被拉开会回弹，但拉伸过度会断裂。这最后一条，才是配对交易真正的风险。

怎么用：先选候选对（同行业、同规模），再用统计证明协整（下一章讲），最后才谈信号；边界：不赌方向 ≠ 无风险，它赌的是“关系还在”；何时失效：协整关系崩掉（监管变化、并购重组、行业转折），弹簧拉断就回不来。

相关（Correlation）回答「两只标的同一时刻像不像」：昨天都涨、今天都跌，相关系数就高。它是瞬时的、会变的。协整（Cointegration）回答「两只标的的价差会不会长期回到一起」：即使单只价格随意游走，它们的差距始终围绕一个均衡波动。

经典反例：两个各自随机游走的人，可能因为巧合长期保持步调一致（高相关），但他们之间没有任何“会回来”的关系（不协整）。“看起来像”不算数，必须统计检验。标准做法是 Engle-Granger 检验：把价差对均值做回归，检验残差是否平稳，p 值小于 0.05 才算通过。

最经典的对照：SPY 和 QQQ 高度相关，但协整检验 p 值约 0.34，通不过——它们“一起动”但“不会回到同一均衡”，不能配。而真正能配的对（如 KO/PEP、HD/LOW），检验 p 值显著小于 0.05。

怎么用：把相关当「初筛漏斗」，把协整当「最终入场券」；边界：相关是快照，协整是长期属性；何时失效：结构性变化后，协整检验基于的历史关系失效——所以配对要定期重检，不能测一次管十年。

两只标的的价格量级可能差很远（KO 现价 60 元、PEP 现价 170 元），不能直接比谁贵谁便宜。对冲比（Hedge Ratio，β）解决这件事：它回答「x 动 1 元，y 跟着动多少」，来自历史日线的 OLS 回归 y = α + βx + ε。算出 β 后，买 1 份 x 就卖 β 份 y，方向被对冲掉。

价差（Spread）就是对冲后的残差：spread = y − βx。它是把两只标的价格「归一化」后的差距，可以画成一条围绕均值震荡的线——配对交易盯的就是这条线偏离均值多远。

直观理解：KO 现价 60、PEP 现价 170、β≈0.4，那么「买 100 股 KO + 卖 40 股 PEP」就把两只的方向风险基本抵消，剩下的只有「价差回归」这一个赌注。这就是“买便宜卖贵”的操作化：不是凭感觉买多买少，而是用 β 定比例。

怎么用：β 用历史日线回归求得，样本期要选“关系稳定”的窗口；边界：β 是历史估计，样本期不同结果不同；何时失效：协整崩后 β 不再是稳定的对应关系，用它配比等于给失效的赌注加杠杆。

有了价差（spread），下一个问题是：偏离多少算「异常」？Z 分数（Z-score）给出统一答案：价差当前偏离历史均值几个标准差。白话翻译：它回答「现在的差距比平时大了多少倍」。

信号规则极简而对称：Z > 2 → spread 偏贵 → 卖贵的（y）买便宜的（x）；Z < -2 → spread 偏便宜 → 反向操作；|Z| < 0.5 → 价差回到均值附近 → 平仓离场。这就是配对交易的「入场/出场」触发器。

它为什么优雅：把“买便宜卖贵”翻译成可执行的机械规则，情绪被规则替代；但必须清醒：高 Z 只说明偏离大，不保证回归。结构性变化下价差可以一直不回来，Z 信号会不断误导。

怎么用：Z 是触发器不是预测器，配合止损使用（半衰期内不回归就止损）；边界：阈值可微调，但别频繁改规则（过拟合）；何时失效：价差不回归（协整崩）时 Z 信号失效——先确认关系还在，再谈偏离。

价差回归不是瞬时的：偏离后要多久才能回到一半？这个时间叫半衰期（Half-life）。它来自 OU 过程（Ornstein-Uhlenbeck）——一种「带回归力的随机过程」：离均值越远，回弹力越大，像弹簧。

为什么半衰期决定能不能实战：半衰期 60 天 = 一次配对要占 60 天以上资金，一年只能做 3-5 次；半衰期 > 90 天，资金占用成本会吃掉利润，甚至让策略长期「空转」。

经验标准（素材原话）：半衰期 < 30 天 → 实战可用；30-90 天 → 还行、资金效率打折；>90 天 → 太慢，别碰。估值方法：把价差对滞后价差做回归（Δspread = a + b·spread_lag），半衰期 = −ln(2)/b，代码素材可作附录支撑。

怎么用：把半衰期当「资金效率」过滤器——候选对先看协整，再看半衰期；边界：半衰期是历史估计，随样本变化；何时失效：半衰期太长策略回报率为负；市场环境变化后半衰期大幅漂移，要重算。

经典正例：KO/PEP——业务相似（饮料双巨头）、规模相近（市值约 2500 亿 vs 2300 亿）、地域互补，半衰期约 45 天，是教材级的消费配对；HD/LOW——家装双龙头，半衰期约 30 天，教科书里最常被引用的一对。

崩盘案例一：2018 年 FB 与 TWTR。隐私丑闻引爆舆论，市场对社交平台的定价逻辑反转——做多 FB 的一方被套近半年，价差一路不回。

崩盘案例二：2021 年 DIS 与 21 世纪福克斯。迪士尼并购福克斯后，两只标的的逻辑彻底合并，「配对」关系不复存在。

崩盘案例三：2020 年传统车企 vs 特斯拉。行业从「燃油车估值」切到「电车平台估值」，协整关系被转型彻底打破。还有 2022 年 SPY 与 TLT：加息周期下股债相关性从 -0.4 跳到 +0.8，跨资产配对全线失效。

散户死法四连：忽视协整检验（拿相关当协整）/ 忽视半衰期（等不来回归）/ 不监控崩盘（从不重检关系）/ 只测静态相关（拿一段历史当真）。怎么用：把「协整可能崩」当前置认知，设止损、月度重检；边界：案例是历史教学样本，不是未来预言；何时失效：监管、并购、行业转折——这三个词出现，先撤再看。

为什么 ETF 比个股适合散户：行业规律比公司命运稳定（单股黑天鹅被分散掉）、流动性好、研究成本低、做空门槛低。类比修正：两辆公交车走同一路线，偶尔差 100 米时赌重新靠近——但公交车可能改路线，所以换成双胞胎：长得像，但人生轨迹可能完全不同。结构性变化，是 ETF 配对也要防的坑。

6 大类常用配对速查：行业双雄（GLD/SLV 黄金白银）、收益率曲线（TLT/SHY 长短期国债）、大小盘（SPY/IWM）、风格轮动（IVE/IVW 价值/成长）、跨资产（SPY/TLT 股债对冲）、商品内部（USO/BNO 原油油品）。

4 步筛选法（素材原话）：①流动性过滤：AUM > 5 亿美元、日均成交量 > 100 万股、费率 < 0.20%，200+ ETF → 约 80；②主题相关性筛选：按 6 类分组、组内 Pearson 相关 > 0.85，80 → 约 30 候选对；③协整检验（核心）：Engle-Granger p < 0.05，30 → 约 8 协整对；④半衰期 + 实战性：< 30 天实战可用，8 → 5 个实战可用。

红线清单：杠杆/反向 ETF 不能配（TQQQ/SQQQ、UVXY/SVXY 每日再平衡、长期衰减，2017-2019 SVXY 涨 200% 而 UVXY 跌 95%）；AUM < 1 亿不配（清盘风险）；费率 > 0.5% 不配；主题加密 ETF 追踪误差极大不配。新手参照：EEM/VWO、XLF/KBE（协整稳、半衰期 < 30 天）。

怎么用：只跟「已验证协整」的配对，默认 3-5 个最稳，每日刷新信号；边界：ETF 配对同样会崩（结构性变化、清盘、流动性枯竭）；何时失效：央行政策转向（2022 股债相关性翻正）、行业危机（2023 区域银行 SVB 事件扰动 XLF/KBE）、ETF 清盘。