均值回复型策略的原理

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。

“天下大势，分久必合，合久必分”。在金融市场中，过度反应（Over-reaction）与均值回归（Mean Reversion）是与趋势动量并立的永恒规律。本节深入剖析卡尼曼“体育画报封面厄运”、理查德·塞勒行为金融学基金理念以及 Ornstein-Uhlenbeck 均值回归随机过程。

💡 核心导读

• 均值回复策略的三大行为金融学与数学内核：
  • 行为金融学过度反应（Behavioral Bias）：市场在消化陈旧利空时往往过度杀跌，形成短期定价洼地；
  • “体育画报封面厄运”（Sports Illustrated Jinx）：运动员表现服从均值随机波动，登上峰值封面后必然向自身历史均值回落；
  • Ornstein-Uhlenbeck (OU) 过程：价格具备向长期均衡中枢 $\mu$ 回归的弹性引力：$dP_t = \theta(\mu - P_t)dt + \sigma dW_t$。

┌─────────────────────────────────────────────────────────────┐
│                    均值回复动力学与弹性引力拓扑图           │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┴─────────────────────────────┐
 ▼                                                           ▼
┌─────────────────────────┐                                 ┌─────────────────────────┐
│ 情绪超卖偏离区 (Oversold)│                                 │ 情绪超买偏离区 (Overbought)│
├─────────────────────────┤                                 ├─────────────────────────┤
│ • 价格跌破均值 - 2.5*Std│                                 │ • 价格突破均值 + 2.5*Std│
│ • 市场非理性恐慌抛售    │                                 │ • 散户跟风非理性追高    │
│ 🚀 均值引力拉动反弹买入 │                                 │ 🔻 均值引力拉动回落卖出 │
└─────────────────────────┘                                 └─────────────────────────┘

一、Ornstein-Uhlenbeck 均值回复随机过程数学模型

价格 $P_t$ 相对于长期均值 $\mu$ 的回复速度由回复强度参数 $\theta$ 决定。半衰期 $T_{\text{half}} = \frac{\ln 2}{\theta}$：

$$P_t = \mu + (P_0 - \mu)e^{-\theta t} + \sigma \int_0^t e^{-\theta(t-s)} dW_s$$

注意这里的 $\sigma$ 是 SDE 中的瞬时波动率，OU 过程的平稳标准差为 $\sigma_{ss} = \frac{\sigma}{\sqrt{2\theta}}$。当偏离程度 $|P_t - \mu| > 2\sigma_{ss}$ 时，价格具有极大概率向均值中轴收敛。

import pandas as pd
import numpy as np

def estimate_ou_mean_reversion_parameters(price_series: pd.Series) -> dict:
    """
    基于 AR(1) 最小二乘法估计 OU 均值回归强度与半衰期（合成数据示例，参数估计存在误差风险）
    """
    p_lag = price_series.shift(1).dropna()
    p_diff = price_series.diff().dropna()
    
    valid = pd.DataFrame({'lag': p_lag, 'diff': p_diff}).dropna()
    cov = np.cov(valid['lag'], valid['diff'])[0, 1]
    var = np.var(valid['lag'])
    
    theta = -cov / (var + 1e-8)
    half_life = np.log(2) / (theta + 1e-8) if theta > 0 else np.inf
    long_term_mean = float(price_series.mean())
    
    return {
        'Theta_Reversion_Speed': float(theta),
        'Half_Life_Bars': float(half_life),
        'Long_Term_Mean': long_term_mean
    }

# 合成一个具有均值回复特性的价格序列（教学示例，不代表真实市场）
rng = np.random.default_rng(42)
mu = 100.0
theta_true = 0.12
prices = [mu]
for _ in range(200):
    dp = theta_true * (mu - prices[-1]) + rng.normal(0, 1.2)
    prices.append(prices[-1] + dp)

price_series = pd.Series(prices, name='close')
params = estimate_ou_mean_reversion_parameters(price_series)

print("===== OU 过程参数估计（合成数据示例） =====")
print(f"价格序列长度: {len(price_series)}")
print(f"估计长期均值: {params['Long_Term_Mean']:.4f}")
print(f"估计回归速度 θ: {params['Theta_Reversion_Speed']:.6f}")
print(f"估计半衰期 (Bars): {params['Half_Life_Bars']:.2f}")
print(f"真实生成参数 θ: {theta_true:.6f}")
print("注：估计值与真实值差异源于样本有限与噪声，历史参数不代表未来。")

===== OU 过程参数估计（合成数据示例） =====
价格序列长度: 201
估计长期均值: 99.6838
估计回归速度 θ: 0.156840
估计半衰期 (Bars): 4.42
真实生成参数 θ: 0.120000
注：估计值与真实值差异源于样本有限与噪声，历史参数不代表未来。

二、行为金融学反向投资指标构建

构建短期情绪超跌指标，在个股遭遇非实质性利空恐慌砸盘时生成逆向买入信号。

import pandas as pd
import numpy as np

def build_contrarian_signals(df: pd.DataFrame, window: int = 20, z_entry: float = 2.0) -> pd.DataFrame:
    """
    行为金融学反向均值回复信号生成（历史回测示例，存在前视偏差与过拟合风险）
    """
    res = df.copy()
    ma = res['close'].rolling(window).mean().shift(1)
    std = res['close'].rolling(window).std().shift(1)
    res['zscore'] = (res['close'] - ma) / (std + 1e-8)
    
    # 超卖买入信号
    res['buy_signal'] = res['zscore'] < -z_entry
    # 回归中轴平仓信号
    res['exit_signal'] = res['zscore'] >= 0.0
    return res

# 合成价格数据（包含趋势与震荡，模拟真实市场的不确定性）
rng = np.random.default_rng(2024)
n = 100
trend = np.linspace(100, 105, n)
noise = rng.normal(0, 2, n)
cycle = 3 * np.sin(np.linspace(0, 4*np.pi, n))
prices = trend + noise + cycle

df = pd.DataFrame({'close': prices})
signals_df = build_contrarian_signals(df, window=15, z_entry=1.5)

print("===== 反向交易信号生成（合成数据示例） =====")
print(f"数据范围: {df['close'].iloc[0]:.2f} -> {df['close'].iloc[-1]:.2f}")
print(f"Z-Score 统计: 均值={signals_df['zscore'].mean():.3f}, 标准差={signals_df['zscore'].std():.3f}")
print(f"触发买入信号次数: {signals_df['buy_signal'].sum()}")
print(f"触发平仓信号次数: {signals_df['exit_signal'].sum()}")
print("注：信号基于历史统计，未来市场结构可能变化，不构成投资建议。")

===== 反向交易信号生成（合成数据示例） =====
数据范围: 102.06 -> 104.88
Z-Score 统计: 均值=-0.080, 标准差=1.372
触发买入信号次数: 12
触发平仓信号次数: 40
注：信号基于历史统计，未来市场结构可能变化，不构成投资建议。

📝 动手练一练

编写 Python 脚本模拟均值回归走势，测算 OU 回归半衰期并验证反向信号生成：

import pandas as pd
import numpy as np

def estimate_ou_mean_reversion_parameters(price_series: pd.Series) -> dict:
    """
    基于 AR(1) 最小二乘法估计 OU 均值回归强度与半衰期
    """
    p_lag = price_series.shift(1).dropna()
    p_diff = price_series.diff().dropna()
    
    valid = pd.DataFrame({'lag': p_lag, 'diff': p_diff}).dropna()
    cov = np.cov(valid['lag'], valid['diff'])[0, 1]
    var = np.var(valid['lag'])
    
    theta = -cov / (var + 1e-8)
    half_life = np.log(2) / (theta + 1e-8) if theta > 0 else np.inf
    long_term_mean = float(price_series.mean())
    
    return {
        'Theta_Reversion_Speed': float(theta),
        'Half_Life_Bars': float(half_life),
        'Long_Term_Mean': long_term_mean
    }

def build_contrarian_signals(df: pd.DataFrame, window: int = 20, z_entry: float = 2.0) -> pd.DataFrame:
    """
    行为金融学反向均值回复信号生成
    """
    res = df.copy()
    ma = res['close'].rolling(window).mean().shift(1)
    std = res['close'].rolling(window).std().shift(1)
    res['zscore'] = (res['close'] - ma) / (std + 1e-8)
    
    # 超卖买入信号
    res['buy_signal'] = res['zscore'] < -z_entry
    # 回归中轴平仓信号
    res['exit_signal'] = res['zscore'] >= 0.0
    return res

# 模拟均值回复走势（合成教学示例，用于验证原理）
rng = np.random.default_rng(42)
mu = 100.0
theta = 0.15
prices = [mu]
for _ in range(150):
    dp = theta * (mu - prices[-1]) + rng.normal(0, 1.5)
    prices.append(prices[-1] + dp)
    
df = pd.DataFrame({'close': prices})
ou_params = estimate_ou_mean_reversion_parameters(df['close'])
signals_df = build_contrarian_signals(df, window=20, z_entry=1.8)

print("================ 均值回复型策略原理与模型验证 ================")
print(f"估计的长期均值中枢: {ou_params['Long_Term_Mean']:.2f}")
print(f"回归半衰期 Half-Life: {ou_params['Half_Life_Bars']:.2f} Bars")
print(f"触发反向超卖买入次数: {signals_df['buy_signal'].sum()} 次")
print(f"Z-Score 极值: [{signals_df['zscore'].min():.2f}, {signals_df['zscore'].max():.2f}]")
assert ou_params['Theta_Reversion_Speed'] > 0, "均值回复参数估计失败！"
print("✅ 均值回复原理与 OU 过程测试 PASS（合成数据示例）")
print("============================================================")

运行结果输出：

================ 均值回复型策略原理与模型验证 ================
估计的长期均值中枢: 99.50
回归半衰期 Half-Life: 3.88 Bars
触发反向超卖买入次数: 12 次
Z-Score 极值: [-3.48, 4.57]
✅ 均值回复原理与 OU 过程测试 PASS（合成数据示例）
============================================================

本章小结

1. 行为金融学过度反应是利润来源：散户投资者的恐慌与贪婪造成价格短期大幅偏离内在价值均值。
2. OU 随机过程精确度量回复速度：通过回归半衰期科学评估策略持仓周期与资金使用效率。
3. 设置严格的止损边界：警惕基本面永久恶化引发的“伪均值回归”，防止在持续单边下跌中越跌越买。

📋 行动清单 (Action Checklist)

• 运行均值回复测试代码，观察半衰期与回复强度的时序收敛过程；
• 编写结合 RSI 与布林带的双重超卖确认函数；
• 预习下一节，探究 A 股市场是否存在稳健的均值回复效应。

—— 小象教研组