均值回归：统计与金融中值得了解的概念

想象您在观察两只航空公司股票之间的价差。这类公司往往同向波动，因为它们共享相似的燃油成本、航线和乘客需求。某天早上，价差突然大幅拉大：某个代码遭遇了特有冲击，而另一只几乎未动。一位量化交易员看见这种情况，会问一个非常具体的问题：这个价差更可能收窄回去，还是出现了结构性变化？

均值回归是指变量在偏离其长期水平后，倾向于回到该水平的特性。它是大量时间序列模型和量化交易策略的基础，也是整个一类方法（s known as statistical arbitrage. The crit）背后的统计引擎。需要牢记的关键点——本文会反复强调这一点：均值回归是一个需要检验的属性，而不是对价格作出的先验假设。

什么是均值回归？

均值回归描述的是一种动态倾向：当变量偏离其均衡水平时，力量会促使其被拉回。这个均衡可能是长期统计均值、由基本面隐含的公允价值，或两条序列之间的协整关系。正向偏离（数值高于均值）往往随后走低；负向偏离往往随后走高。

均值回归之所以有趣，在于它对冲击的含义。在一个均值回归过程里，冲击是暂时的。其影响会随时间消散，序列最终回归均衡。这与随机游走截然不同：在随机游走中，每个冲击都是永久性的，序列没有可回归的“家”。我们稍后会更正式地区分两者。

均值回归如何运作

直觉如下：变量围绕某个均衡水平波动。一次冲击（盈利不及预期、政策意外、流动性收紧）把它推离该水平。偏离越远，回复力可能越强。随着时间推移，冲击效应衰减，变量渐渐回归。

与此相对的是随机游走。每期的值等于上一期的值加上一个随机冲击，而该冲击永不消失。没有可回归的均衡；序列只是漫无目的地游走。对于预测而言，这一区别至关重要：均值回归序列在更长的期限上在原理上是部分可预测的；随机游走则不是。

如何识别均值回归

从直觉走向证据需要统计分析。没有单一检验足够有力。您需要多种证据指向同一方向。

绘制时间序列

先从可视化着手。均值回归序列倾向于围绕相对稳定的水平振荡，而不是持续单边上行或下行。但目测很容易被误导：趋势型序列在短窗口内可能看起来像回归；而缓慢均值回归过程在短期上几乎与随机游走难以区分。图形只是初筛，不是定论。

检查自相关

自相关衡量序列与其自身滞后值之间的相关性。在均值回归过程中，自相关函数（ACF）会快速衰减至零，反映偏离的暂态性。相反，含单位根的过程即便在较长滞后上也会保持接近1.0的自相关。ACF图能揭示这种模式——快速下落与均值回归一致，而缓慢线性衰减暗示非平稳。当然，仅凭自相关并不能确认平稳性，它只是证据之一。

检验平稳性

扩展的Dickey-Fuller（ADF）检验是标准起点。它以序列存在单位根（即表现为随机游走）为原假设。拒绝原假设暗示序列可能是平稳的，而平稳性与均值回归行为密切相关。p值低于0.05为您继续分析提供依据，但并非确定无疑。

估计均值回归速度

若检验支持均值回归，接下来要问的是其速度。速度参数（连续时间模型中常记为κ，或在某些参数化中为θ）告诉您偏离衰减的快慢。速度高意味着偏离迅速缩小；速度低则意味着过程在回归前要漫游很久。这在实践中很重要：非常缓慢的均值回归过程，可能在现实持有期内无法交易。

均值回归 vs. 随机游走

这个区别值得单列一节，因为这是人们最容易搞错的地方。

随机游走没有可回归的长期均值。冲击是永久的。序列是非平稳的，即其统计特性（均值、方差）随时间变化。短期之外的预测几乎徒劳。均值回归过程是平稳的（或至少是趋势平稳）：其特性稳定，冲击是暂态的，较长期的预测具有真实信息含量。

陷阱在于：价格序列历史上多次回到某个水平，并不必然意味着其均值回归。游走得足够久，任何随机游走都可能重访起点。关键问题在于是否存在结构性的拉回均衡，而这需要检验，not 仅靠模式识别。

均值回归与平稳性

均值回归与平稳性也是一个容易混淆的点。两者密切相关，但并不相同。平稳性是一个形式化的统计性质：平稳过程具有恒定均值、恒定方差，且自协方差只取决于滞后而非具体时点。均值回归是一种动态倾向，即偏离后被拉回均衡。

大多数均值回归模型假定平稳性，而多数平稳过程也会表现出某种形式的均值回归行为。但这种关系并非一一对应。一个过程可以是平稳的，但其均值回归动力并不强；而“均值回归”这个标签有时也被宽泛地用于仅弱平稳的过程。阅读文献时，值得保持这一区分的清晰。

均值回归 vs. 动量

均值回归与动量倾向相反。均值回归假定异常的大幅波动更可能反转。一只相对其历史区间大跌的股票（在此观点下）预期会回升，并非因为价格“必须”回归，而是因为偏离公允价值带来了回报机会。

动量假定相反：近期的方向性运动更可能延续。一只过去12个月强劲上涨的股票，预期会继续跑赢。

证据表明，动量在中期（1至12个月）非常强，而均值回归更常见于短期（几天到数周）和超长期（多年）。市场可以并且确实会在不同时间尺度上同时展现两种行为。两者都不是普适法则。

Ornstein-Uhlenbeck 过程

描述均值回归行为的标准连续时间模型是 Ornstein-Uhlenbeck（OU）过程：

每一项都有特定作用。其中 κ(μ − X_t) 是回复力：当 X_t 高于长期均值 μ 时，过程被向下拉；当低于时，被向上拉。参数 κ 控制这种拉力的强度，即均值回归速度。σ dW_t 项则加入波动率为 σ 的随机噪声。

用不同的 κ 值模拟 OU 路径能直观体现：当 κ 高时，路径紧贴均值，偏离迅速收敛；当 κ 低时，路径广泛游走，并在短窗口内几乎与随机游走难分。这也是为何要谨慎估计 κ：即使统计上显著，但若 κ 极小，在实践中也可能不可操作。

均值回归的半衰期

OU 模型给出 κ，但单看 κ 直观性较差。半衰期把这个抽象速度转化为具体量化：偏离均衡缩小一半所需的期望时间。

若半衰期为3天，过程较快；偏离在一周内就会收敛。若为6个月，则需要很长持有期来捕捉回归，而这会带来额外风险。量化交易员会将估计的半衰期与其目标持有期进行比较，再决定是否执行策略。

需要提醒的是：半衰期是期望值而非保证。任何一次偏离都可能持续更久，尤其在发生制度转换或结构性断裂时。

均值回归在金融中的体现

那么，金融市场中哪里真正存在均值回归？有些领域证据扎实，另一些则相对不足。

• 资产价差。 相关资产之间的价差（同一板块两只股票的价差，或两只相似债券的收益率利差）是最具均值回归可能性的候选者之一。单个价格不必平稳；如果两资产共享长期关系，它们之间的价差可以是平稳的。
• 利率。 短期利率历史上呈现出强烈的均值回归行为。央行有目标区间，偏离过大的利率往往会被政策拉回。长期利率则存在更多争议。
• 波动率。 隐含与实现波动率被广泛认为具有均值回归特性。比如2020年3月的波动率飙升，虽然剧烈但属暂态。VIX最终会回到更常态的水平，波动率交易员也常据此操作。
• 估值比率。 市盈率、市净率等指标在长期内表现出均值回归，但“长期”可能非常长。指望在短期内靠估值回归是导致提前亏损的典型来源。
• 大宗商品价格。 大宗商品（原油、天然气、农产品）常被建模为回归长期边际生产成本。当价格大幅高于生产成本时，新供给入场；当价格跌破成本时，供给收缩。该机制确实存在，但“真实”均值在任何时点的位置也存在不确定性。

需要指出的是：单个股票价格通常是非平稳的。呈现均值回归行为的往往是价差、收益、波动率度量或其他变换后的序列，而非原始价格水平。

均值回归、相关性与协整

还有一个概念性区分，即便是经验丰富的人也容易被绊倒，弄错了就会导致策略构建不当。

• 相关性衡量两个变量的同步变动程度。高相关意味着它们往往同涨同跌。但这并未说明两者之间的价差是否均值回归。两只股票相关性可达0.9，却仍然不适合做配对交易，因为相关性并不告诉您价差随时间是否稳定。
• 协整是一个更强的陈述。若两个非平稳序列的某个线性组合是平稳的，则它们是协整的，意味着它们共享长期均衡关系，不能永久性背离。两只股票可能多年共同上行，随后永久性分化：这是高相关但无协整，也就没有可靠的交易。使用 Engle-Granger 检验或 Johansen 方法来检验协整，可为价差回归提供更有力的依据。这是配对交易的统计基础。

两只资产相关性可达0.95，但其价差却是随机游走。务必进行检验。

均值回归与配对交易

配对交易是将均值回归用于实践的最清晰例子，您可能正因这一关联而读到本文。

首先识别两只具有合理长期经济关系的资产：两家石油巨头、两家大型银行、两家消费必需品公司。经济理由在此很重要。仅凭历史相关性筛选而无基本面依据，往往会得到在样本外分崩离析的伪关系。构造价差，通常是比率或两价的线性组合，并用回归估计对冲比率，而非天真地假设一比一。然后用上述工具检验该价差是否均值回归：ADF 检验、自相关分析、半衰期估计。若证据支持，则继续推进。

交易本身相对直接。当价差相对其历史均值异常拉大时，用z分数来度量偏离（当前价差减去移动均值，再除以标准差），做多表现落后的资产、做空表现领先的资产，预期价差收窄。z分数为+2表示价差高于历史常态两个标准差；常见做法是在±2.0进场，回归至零附近时离场。关键点，也是简单解释中常被忽略的一点：预期均值回归的是价差，而非任一单独股票。多空结构还能降低对整体市场波动的暴露。利润来自相对变动，而非市场方向。

统计套利：更进一步

配对交易是进入均值回归策略最直观的入口，但它只是更广泛方法家族——统计套利——中的一个实例。

统计套利（stat arb）利用证券之间的统计关系来发现相对错定价：当两只历史上相关的证券短暂偏离其预期关系时，押注它们将重新收敛。一个重要澄清：统计套利并非无风险套利。传统套利利用几乎机械式的价格差异，比如同一资产在两个交易所价格不同，只要执行足够快，利润几乎确定。统计套利押注的是概率性的收敛。两者的风险轮廓截然不同。

均值回归交易策略

均值回归交易思路有多种。以下是其中一些：

• Z分数策略。 用滚动标准差对相对滚动历史均值的偏离进行标准化。z分数高于+2表示变量异常延展；低于−2表示异常低迷。基于z分数阈值交易是均值回归最简单的实现之一，广泛用于单一资产、价差和因子组合。
• 布林带策略。 布林带在移动均线周围设置上下两个包络，位置为两个标准差。当价格触及上轨，表示相对近期历史已延展；触及下轨则表示低迷。策略交易向移动均线回归的预期。请记住，移动均线就是回归的“均值”，因此关键问题始终是某资产是否真的具有均值回归属性，而不只是是否触及带宽。
• 配对交易。 已在上文介绍。研究对象是价差，仓位按构造即为市场中性。
• 多资产统计套利。 与配对交易相同的逻辑，扩展到多资产组合。您会在一个大型协方差矩阵上做主成分分析，但直觉相同。

直说无妨：统计信号并不保证盈利性收敛。交易成本、借贷成本与制度变迁都可能完全抹去表面上的优势。上述策略描述的是入场条件，而不是盈利条件。

如何用 Python 分析均值回归

下面进入实操。以下代码在一个模拟的价差上走通一个紧凑的均值回归分析流程，涵盖要点：绘图、滚动均值、ADF 检验和半衰期估计。将其中的模拟配对价差替换为真实价差（例如两只协整股票的对数价格比），同样的流程即可应用。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.regression.linear_model import OLS

# Simulate a mean-reverting spread using an AR(1) process
np.random.seed(42)
n = 500
phi = 0.92          # AR coefficient; close to 1 = slow mean reversion
spread = np.zeros(n)
for t in range(1, n):
    spread[t] = phi * spread[t-1] + np.random.normal(0, 1)

spread_series = pd.Series(spread, name="spread")

# --- Step 1: Plot the series with its rolling mean ---
rolling_mean = spread_series.rolling(window=60).mean()
plt.figure(figsize=(10, 4))
plt.plot(spread_series, label="Spread", alpha=0.7)
plt.plot(rolling_mean, label="60-period rolling mean", linewidth=2)
plt.axhline(0, color="black", linestyle="--", linewidth=0.8)
plt.title("Simulated Mean-Reverting Spread")
plt.legend()
plt.tight_layout()
plt.show()

# --- Step 2: ADF test for stationarity ---
adf_result = adfuller(spread_series.dropna())
print(f"ADF statistic : {adf_result[0]:.4f}")
print(f"p-value       : {adf_result[1]:.4f}")
print("Reject unit root?", "Yes" if adf_result[1] < 0.05 else "No")

# --- Step 3: Estimate half-life via AR(1) regression —
lagged = spread_series.shift(1).dropna()
delta  = spread_series.diff().dropna()
model  = OLS(delta, lagged).fit()
kappa  = -model.params.iloc[0]           # speed of mean reversion
half_life = np.log(2) / kappa
print(f"\nEstimated half-life: {half_life:.1f} periods")

用上面的随机种子运行后，会得到远低于0.05的 p 值，以及大约7期的半衰期。对于 φ = 0.92，理论值约为8.7期；单次运行会围绕该值波动。请记住：解读比机械操作更重要。历史窗口上统计显著的 ADF 结果并不意味着未来关系仍然成立。本回归省略了截距项，这对零均值数据是合理的。若真实价差具有非零均值，请使用 add_constant(lagged) 添加常数并提取第二个系数。

我们的《Python 时间序列分析》课程更深入地讲解了这些技术，包括ARIMA 建模、平稳性检验与预测。

均值回归的风险与局限

均值回归有其可预见的失效方式。了解这些失效模式与了解策略本身同样重要。

均值可能变化

历史均衡水平是由数据估计而来，而数据反映的是过去。结构性断裂（并购、监管变化、竞争格局转变）可能让历史均值完全失效。您以为回归至零的价差，新的均衡可能在+50个基点。继续使用基于旧均值构建的策略，几乎必然亏损。就配对交易而言，公司会并购、分化或改变商业模式，过去五年紧密协整的一对，可能一夜之间脱钩。

趋势会被误判为均值回归

在短样本内，趋势型序列可能仅仅因为回到局部移动均值而看起来像均值回归。这在采用固定回溯窗口的回测中尤为常见。解决办法是跨多个样本期进行检验，并对仅在窄窗口内出现的结果保持怀疑。

交易成本

频繁交易会侵蚀回报。半衰期为两天的策略可能需要每日再平衡，往返交易成本很容易超过每笔交易的预期利润。做空还会带来额外成本：证券借贷费用以及被券商回补的风险。模型价格与实际成交价格之间的滑点在上百笔交易中会不断累积。对于高频均值回归策略，纸面回报与实盘回报可能大相径庭。

拥挤交易

当众多基金运行相似策略时，它们会彼此暴露。2007年8月的量化崩盘正是因为太多股票统计套利基金同时减仓，所引发的连锁反应与这些策略所基于的底层关系无关。策略奏效会吸引资金；资金过多时，策略便不再奏效，有时是渐进地失效，有时则是骤然失灵。

制度变迁

统计套利模型是针对特定市场环境校准的：波动率状态、利率周期、相关性结构。当环境发生变化，所有假设会同时移动。不是单个配对失灵，而是整个组合都异常，因为其所依赖的统计性质不再成立。历史回溯窗口不会提前发出警告。

参数敏感性

结果高度依赖用于估计均值的回溯窗口、入场阈值与离场规则。任何一个参数的微调都可能把策略从盈利翻到亏损。请在信任任何回测前，明确进行压力测试。

回测过拟合

最隐蔽的风险。参数够多、历史数据够长，几乎可以把任何时期都拟合得很好，但上线交易后会急剧退化。前瞻滚动测试与样本外验证不是可选项。

结论

均值回归是一个听起来简单、用起来不易的概念。偏离均衡会倾向于反转，这一基本思想直观易懂。更难的是：判断特定序列是否具备此属性、估计其回归速度，并构建能抵御交易成本、制度变迁与参数不确定性的策略。统计套利把这一挑战形式化为一门交易学科，但核心难题未变：您所交易的关系，正与其他发现同样关系的人竞争。

几点要点：在假定前先检验；关注到底是什么在回归（价差与变换，而非原始价格）；区分相关性与协整，因为它们不可互换；并将上述风险视为策略的一部分，而非事后思考。我们的《Python 时间序列分析》课程深入讲解平稳性检验、ARIMA 建模与预测。若聚焦交易应用，《Python 金融交易》课程涵盖量化策略的实作与评估。