主流量化交易策略详解：均值回归、动量与统计套利

量化交易的核心是把交易直觉转化为可以回测和自动执行的规则。但并非所有策略在所有市场环境下都有效——了解不同策略背后的经济逻辑，以及它们在什么市场状态下outperform，是量化交易者必须掌握的基础知识。

策略一：均值回归（Mean Reversion）

逻辑：资产价格偏离长期均值后，倾向于回归均值。适合震荡市（无明显趋势）。

实现：计算价格与滚动均值的偏离度（z-score），偏离超过阈值（如+2σ）时做空，偏离超过-2σ时做多。

import pandas as pd
import numpy as np

def zscore(series, window=20):
    mean = series.rolling(window).mean()
    std = series.rolling(window).std()
    return (series - mean) / std

df['z'] = zscore(df['Close'])
df['Signal'] = 0
df.loc[df['z'] > 2, 'Signal'] = -1   # 做空
df.loc[df['z'] < -2, 'Signal'] = 1   # 做多

量化策略完整代码库

策略二：动量与趋势跟随（Momentum/Trend Following）

逻辑：过去一段时间（3-12个月）表现好的资产，未来一段时间倾向于继续表现好。这是量化金融中实证证据最充分的因子之一。

实现：计算过去12个月收益率，买入排名前1/5的资产组合，卖空（或不持有）排名后1/5。再平衡频率：通常月度。

适用市场：趋势明确的市场（牛市或熊市）效果最好；震荡市会触发频繁反转，导致较大回撤。

策略三：统计套利/配对交易（Pairs Trading）

逻辑：找到历史上高度相关的两只股票（如宝马和奔驰），当价差偏离历史均值时买入"低估"者、卖空"高估"者，等待价差回归。这是市场中性策略，与大盘涨跌无关。

关键技术：协整检验（Cointegration Test）——验证两只股票是否真的具有长期均衡关系；Hedge Ratio计算——确定买入/卖空的比例，使策略真正市场中性。