均值回复型策略及模型原理

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在量化投资的二元哲学中，如果说趋势跟踪策略是”追随动量、让利润奔跑”的顺势利刃，那么均值回复策略（Mean Reversion）则是”物极必反、逢低吸纳”的逆势重盾。古人云”天下大势，分久必合，合久必分”，这种哲学在金融市场中体现为资产价格围绕其内在价值均线所呈现的钟摆式周期震荡。本讲深入剖析均值回复现象的行为金融学根源（过度反应与反应不足），建立基于 Z-Score 与奥恩斯坦-乌伦贝克（OU）过程的数学模型，并全方位对比趋势型与均值回复型策略的统计特征差异。

💡 核心导读

• 均值回复现象的行为金融学根源：
  • 体育画报的厄运（Sports Illustrated Jinx）：诺贝尔奖得主丹尼尔·卡尼曼指出，运动员登上封面代表当期表现达到了极值顶点，随后回归正常水平纯属统计学上的均值回归，而非玄学；
  • 过度反应（Overreaction）：市场对突发利空（如情绪恐慌或推特舆情）产生非理性抛售，导致资产价格严重偏离其合理价值中枢，孕育了极佳的均值修复买点；
  • 反应不足（Underreaction）：市场对高质量企业长期的低估值、高 ROE 与稳定分红反应迟钝，形成了长期的价值收敛回归红利。
• 均值回复策略的统计特征与收益分布：
  • 胜率偏高（60% ~ 75%）：大多数震荡行情中，价格偏离后均能较快回归中轨；
  • 盈亏比偏低（0.8:1 ~ 1.2:1）：单笔盈利空间受限于均值中线，依靠高胜率积累净值；
  • 致命风险（Fat-Tail Risk）：最怕遭遇单边暴跌大趋势（均值破位下移），必须设置极度严格的硬性止损以截断左侧逆势深套风险。
• 均值回复核心数学模型：
  • Z-Score 偏离度度量： $$Z_t = \frac{Price_t - \mu_t}{\sigma_t} = \frac{Close_t - MA_N(Close_t)}{Std_N(Close_t)}$$ 当 $Z_t < -2.0$ 时代表价格进入统计学 95% 置信度之外的极度超跌区间，触发均值回复买入。

┌─────────────────────────────────────────────────────────────┐
│                    均值回复型策略 Z-Score 偏离与修复模型    │
└──────────────────────────────┬──────────────────────────────┘
                               │
 价格走势 (Price)               ▲
 ─── 上轨 +2.0σ ────────────────┼───────────▲ (超买做空/止盈) ────────────────
                                │          / \
 ─── 价值中轨 μ ────────────────┼─────────/───\─────────────▲ (回归平仓) ─────
                                │        /     \           /
 ─── 下轨 -2.0σ ────────────────┼───────/───────▼ (超卖买入) ─────────────────
                                │      /
 ───────────────────────────────┴─────/───────────────────────► (时间 t)

一、趋势型 vs 均值回复型策略全方位对比矩阵

二、奥恩斯坦-乌伦贝克（OU）过程与半衰期（Half-Life）

在连续时间金融工程中，均值回复时序常用 OU 随机微分方程建模：

$$dx_t = \theta (\mu - x_t) dt + \sigma dW_t$$

其中 $\theta$ 为均值回复速率。时序回归均值所需的半衰期（Half-Life） 为：

$$\tau_{1/2} = \frac{\ln(2)}{\theta}$$

若半衰期过长（如 $\tau > 60$ 天），则资金占用成本过高，不适宜作为高频均值回复交易标的。

注意连续时间与离散回归两种口径的映射：下文代码对离散过程 $\Delta x_t=\hat{\theta}x_{t-1}+c$ 做回归，斜率 $\hat{\theta}<0$，它与连续时间回复速度 $\theta$（为正）相差一个时间尺度，即 $\theta=-\hat{\theta}/\Delta t$（日线 $\Delta t=1$）。离散递推为 $x_{t+1}=(1+\hat{\theta})x_t+c$，均值偏离按 $(1+\hat{\theta})^n$ 衰减，令其衰减至一半可得离散口径的精确半衰期 $\tau_{1/2}=-\ln 2/\ln(1+\hat{\theta})$；代码中的 $-\ln 2/\hat{\theta}$ 只是 $|\hat{\theta}|$ 很小时由 $\ln(1+\hat{\theta})\approx\hat{\theta}$ 得到的一阶近似（例如 $\hat{\theta}=-0.15$ 时精确值约 4.27 天、近似值约 4.62 天，偏差约 8%），要求精确时应改用精确式。

import pandas as pd
import numpy as np

def calculate_half_life(series):
    """
    计算时间序列的均值回复半衰期 (Half-life of Mean Reversion)
    离散时间口径精确公式：-np.log(2)/np.log(1+theta)，其中 theta 为回归斜率。
    连续时间近似公式：-np.log(2)/theta (当 |theta| 较小时)。
    注意：theta 应为负值，表示向均值回复。
    """
    df = pd.DataFrame({'x': series})
    df['x_lag'] = df['x'].shift(1)
    df['delta_x'] = df['x'] - df['x_lag']
    df = df.dropna()
    
    # 线性回归 delta_x = theta_hat * x_lag + c
    theta = np.polyfit(df['x_lag'], df['delta_x'], 1)[0]
    
    # 精确离散半衰期
    if theta < 0:
        half_life = -np.log(2) / np.log(1 + theta)
    else:
        half_life = np.nan
    return half_life

# 合成一个均值回复序列（OU过程）用于演示
rng = np.random.default_rng(42)
n = 100
x = np.zeros(n)
x[0] = 0.0
theta_true = -0.1  # 真实的回复速度参数
for t in range(1, n):
    x[t] = x[t-1] + theta_true * x[t-1] + rng.normal(0, 0.5)

# 计算半衰期
hl = calculate_half_life(x)
print("===== 均值回复半衰期计算示例 =====")
print(f"合成序列长度: {len(x)}")
print(f"估计的回归斜率 theta: {np.polyfit(x[:-1], np.diff(x), 1)[0]:.6f}")
print(f"精确离散半衰期: {hl:.2f} 期")
print(f"连续时间近似半衰期: {-np.log(2)/np.polyfit(x[:-1], np.diff(x), 1)[0]:.2f} 期")
print("注：半衰期估计依赖历史数据稳定性，未来市场结构可能变化。")

===== 均值回复半衰期计算示例 =====
合成序列长度: 100
估计的回归斜率 theta: -0.112176
精确离散半衰期: 5.83 期
连续时间近似半衰期: 6.18 期
注：半衰期估计依赖历史数据稳定性，未来市场结构可能变化。

📝 动手练一练

下面我们用 Python 编写一段 基于 Z-Score 的均值回复策略模拟引擎，在 OU 过程合成的震荡行情中按 $Z < -2.0$ 超卖买入、回归中轴平仓，从持仓序列还原真实交易明细并统计胜率与盈亏：

import pandas as pd
import numpy as np

def run_mean_reversion_simulation():
    """
    均值回复型策略核心统计特征模拟（合成数据）。
    采用 Z-Score 偏离度逆势回归模型，验证高胜率、低盈亏比特征。
    风险提示：合成数据不代表真实市场，策略存在单边破位导致连续亏损的风险。
    """
    rng = np.random.default_rng(42)
    dates = pd.date_range("2023-01-01", periods=150, freq="B")
    
    # 模拟均值回归震荡走势 (OU 过程)
    p = [100.0]
    for _ in range(149):
        p_next = p[-1] + 0.15 * (100.0 - p[-1]) + rng.normal(0, 1.2)
        p.append(p_next)
        
    df = pd.DataFrame({'close': p}, index=dates)
    
    # 计算均线与标准差 (Z-Score)
    df['ma20'] = df['close'].rolling(20).mean()
    df['std20'] = df['close'].rolling(20).std()
    df['z_score'] = (df['close'] - df['ma20']) / (df['std20'] + 1e-6)
    
    # 交易逻辑: Z < -2.0 极度超卖做多，回归 Z >= 0 平仓
    df['signal'] = np.nan
    df.loc[df['z_score'] < -2.0, 'signal'] = 1
    df.loc[df['z_score'] >= 0, 'signal'] = 0
    df['position'] = df['signal'].ffill().fillna(0)
    
    # 收益测算
    df['pct_change'] = df['close'].pct_change()
    df['strat_ret'] = df['position'].shift(1) * df['pct_change']
    df['cum_ret'] = (1 + df['strat_ret'].fillna(0)).cumprod()
    
    # 从持仓序列还原真实交易明细
    pos = df['position'].values
    closes = df['close'].values
    trade_returns = []
    entry_price = None
    for i in range(1, len(df)):
        if pos[i] == 1 and pos[i - 1] == 0:
            entry_price = closes[i]
        elif pos[i] == 0 and pos[i - 1] == 1 and entry_price is not None:
            trade_returns.append(closes[i] / entry_price - 1.0)
            entry_price = None
    if entry_price is not None:
        trade_returns.append(closes[-1] / entry_price - 1.0)
    
    total_trades = len(trade_returns)
    wins = [r for r in trade_returns if r > 0]
    losses = [r for r in trade_returns if r <= 0]
    win_rate = len(wins) / total_trades if total_trades > 0 else 0.0
    avg_win = float(np.mean(wins)) if wins else 0.0
    avg_loss = float(np.mean(losses)) if losses else 0.0
    profit_loss_ratio = f"{avg_win / abs(avg_loss):.2f} : 1" if avg_loss < 0 else "N/A"
    
    res = {
        "Total_Trades": total_trades,
        "Win_Rate": f"{win_rate * 100:.1f}%",
        "Avg_Win": f"{avg_win * 100:.2f}%",
        "Avg_Loss": f"{avg_loss * 100:.2f}%" if avg_loss < 0 else "N/A",
        "Profit_Loss_Ratio": profit_loss_ratio,
        "Benchmark_Return": f"{(df['close'].iloc[-1]/df['close'].iloc[0] - 1)*100:.2f}%",
        "Strategy_Return": f"{(df['cum_ret'].iloc[-1] - 1)*100:.2f}%"
    }
    return res, df

# 执行模拟并打印结果
results, sim_df = run_mean_reversion_simulation()
print("================ 均值回复型策略收益特征模拟 ================")
for k, v in results.items():
    print(f"  - {k:<20}: {v}")
print("------------------------------------------------------------")
print("策略逻辑：Z-Score < -2.0 做多，>= 0 平仓。")
print(f"触发次数：{(sim_df['position'].diff() == 1).sum()} 次")
print("风险提示：高胜率策略依赖严格止损，合成数据存在前视偏差。")
print("============================================================")

运行结果输出：

================ 均值回复型策略收益特征模拟 ================
  - Total_Trades        : 3
  - Win_Rate            : 100.0%
  - Avg_Win             : 2.41%
  - Avg_Loss            : N/A
  - Profit_Loss_Ratio   : N/A
  - Benchmark_Return    : -0.23%
  - Strategy_Return     : 7.41%
------------------------------------------------------------
策略逻辑：Z-Score < -2.0 做多，>= 0 平仓。
触发次数：3 次
风险提示：高胜率策略依赖严格止损，合成数据存在前视偏差。
============================================================

📖 结果解读：$Z < -2.0$ 的严格阈值在本次合成行情中触发 3 笔交易，胜率 100%（平均单笔 +2.41%），策略收益 7.41% 跑赢基准 -0.23%——体现了均值回复”少而精、高胜率”的特征。但 3 笔样本同样不具统计意义；且单笔盈利空间（约 2.4%）有限，正是”高胜率、低盈亏比”收益分布的真实写照。实盘中还必须警惕肥尾破位风险：一旦价格单边下移不回中轴，逆势多单将被深套，硬性止损不可或缺。

本章小结

1. 领悟钟摆回归力量：市场对突发事件的过度反应为均值修复策略提供了肥沃土壤。
2. 警惕肥尾单边风险：均值回复的致命死穴是趋势破位，必须将硬性止损线作为最高优先级系统规则。
3. 构建策略互补组合：均值回复与趋势跟踪天然具备收益低相关性，是构建全天候组合的理想搭档。

📋 行动清单 (Action Checklist)

• 运行本讲 Z-Score 均值回复代码，观察震荡行情下高胜率的累积过程；
• 计算自己关注品种的价差半衰期（Half-Life），筛选出半衰期小于 15 天的优质震荡标的；
• 预习下一节，探讨将均值回复推向极致的经典策略——统计套利与配对交易（Pairs Trading）。

—— 小象教研组