← 全部报告
统计套利配对交易策略：Krauss (2015) 综述解读与展望
这是配对交易领域引用最广的综述之一。Krauss (2015) 系统梳理了90余篇文献，把配对交易研究分成五大流派：距离法、协整法、时间序列法、随机控制法、其他方法，并逐一评估其优劣。本文做详细解读，最后给出结合市场的展望。
原文：Krauss, C. (2015), "Statistical arbitrage pairs trading strategies: Review and outlook", IWQW Discussion Papers No. 09/2015.
EconStor 官方原文链接（出版方要求从官方渠道获取，本文不附PDF）
一、五大流派总览
配对交易两步走：形成期找历史同动的证券对 → 交易期价差扩大时做空强者、做多弱者，赌均值回归。可扩展为准多元（一只对一篮子）、全多元（一篮子对一篮子），统称统计套利。
| 流派 |
核心思想 |
代表文献 |
年化收益（论文报告） |
| 距离法 |
价格距离选配对，2σ触发 |
Gatev et al. (2006) |
11% |
| 协整法 |
协整检验找平稳价差 |
Caldeira & Moura (2013) |
16%（巴西） |
| 时间序列法 |
价差建模为均值回归过程，求最优阈值 |
Cummins & Bucca (2012) |
18%（能源期货） |
| 随机控制法 |
HJB求最优仓位，不只做多空对 |
Jurek & Yang (2007) |
28%–43% |
| 其他 |
机器学习、Copula、PCA |
Avellaneda & Lee (2010) |
Sharpe 1.44 |
（注：各论文收益计算口径不一，不可直接比较；下文详述。）
二、距离法：最经典，也最受质疑
GGR (2006) 是开山之作：12个月形成期，用欧氏平方距离（SSD）选出价格走势最接近的20对；6个月交易期，价差偏离超2倍历史标准差开仓、回归平仓。1962–2002美股年化超额收益11%，且不能被反转/动量因子解释——这让它成为经得起时间考验的少数异象之一。
但Krauss给了尖锐的批评。记 $SSD_{ij} = \sum_t (P_{it}-P_{jt})^2$，可分解为：
$$
SSD_{ij} = V(P_{it}-P_{jt}) + \bar{S}^2
$$
即价差方差 + 价差均值平方。理性投资者的目标是最大化"交易次数 × 单次利润"，需要的是高方差 + 强均值回归的价差。而SSD最小化恰恰倾向于选出低方差的配对——排名第一的"理想配对"（SSD=0）价差恒为零，一分钱不赚。这与盈利目标是冲突的。
更糟的是，GGR根本没做协整检验，高相关可能是伪相关。Do & Faff证实32%的配对最终不收敛，计入交易成本后策略基本不赚钱，且收益随时间递减。
改进方向：
- Do & Faff (2010/2012)：限制同行业配对 + 用零交叉次数代理均值回归强度，成本后勉强盈利。
- Chen et al. (2012)：改用收益率Pearson相关 + 准多元（一只股票对50只最高相关股票的等权组合），月收益1.7%，近两倍于GGR——组合的信息含量更高，偏离更可能是个股特质冲击。
- 收益来源：非知情交易冲击（流动性补偿，Andrade）、信息扩散速度差异导致的lead-lag（Engelberg；Jacobs & Weber发现高分心日开仓的配对更易收敛）。
- 高频：Bowen et al. (2010) 用60分钟K线做富时100，年化20%，但15bp成本 + 延迟1小时执行 → 收益归零。成本是高频配对的生死线。
三、协整法：更严谨的均衡关系
距离法靠"看起来像"，协整法靠"统计上是一个均衡"。Engle-Granger或Johansen检验找出平稳价差，再交易。
- Vidyamurthy (2004)：最被引用的理论框架。用APT因子载荷相似度预选（因子载荷成比例的股票对更可能协整），用零交叉频率检验可交易性。但他提出的"最优阈值"优化方法是错的——把价差序列打乱重排数次数，丢失了时间顺序。
- 期货价差是最佳试验场：crack spread（原油-成品油）年化15%+（Girma & Paulson），soy crush、spark spread都成功，金银价差失败。规律很清楚：有基本面/产业链支撑的协整才可靠。
- Caldeira & Moura (2013)：巴西50只成分股1225个组合，每年约90对通过协整检验，取样本内Sharpe最高的20对交易4个月，成本后显著盈利，且通过了White reality check。
- Huck & Afawubo (2015)：同一样本下协整法显著优于距离法——协整配对的价差波动率近两倍，再次印证"要波动不要贴合"。
- 警示：1225对配对做5%显著性检验，期望产生61对假阳性。必须控制familywise error rate（如Cummins & Bucca的做法），否则排名里一半是噪音。
- 多元：指数跟踪（Dunis & Ho）、Galenko et al. (2012) 多元协整统计套利（理论漂亮，但实证有数据挖掘之嫌）。
四、时间序列法：不管选股，只管最优买卖点
这一派假设配对已经选好，专注于交易信号的最优化。
- Elliott et al. (2005)：状态空间模型，价差 = OU过程 + 观测噪声，用Kalman/EM估计。好处是期望持有期、期望收益都可算；坏处是模型太刚性，只适用于return parity证券（如双重上市公司）。
- OU过程的标准形式：$dx_t = \kappa(\theta - x_t)dt + \sigma dW_t$，$\kappa$ 为均值回归速度。
- Bertram (2010)：为OU价差推导最优进出阈值闭式解。定义交易周期收益 $r(a;m;c) = m - a - c$（$a$ 进场、$m$ 出场、$c$ 成本），用renewal theory得单位时间期望收益和Sharpe，优化求阈值。Cummins & Bucca (2012) 在861个能源期货价差上实证：日收益0.07%–0.55%，Sharpe常大于2，且严格控制了数据挖掘偏差。
- 批评：高斯OU vs 金融数据的尖峰肥尾，始终是硬伤；但换来的是解析解和高频可算性。
- 其他：Markov区制切换、renko/kagi、TAR-GARCH，都是在往"更贴近真实数据"方向走。
五、随机控制法：仓位也是决策变量
前几派都在回答"何时买卖"，这一派回答"买卖多少"。
- Jurek & Yang (2007)：OU价差 + HJB，在CRRA/Epstein-Zin效用下求最优仓位。最优仓位 = 短视需求（当前错位幅度）+ 跨期对冲需求（对冲状态变量风险）。还发现"稳定区域"：区域外要降仓，避免财富负效应。
- Liu & Timmermann (2013)：协整框架 + 允许非delta中性——最优时两条腿可以同时做多（或只持有一条腿），与传统配对的多空对完全相反。中国银行股实证：非约束策略显著优于标准套利。
- 最优平仓问题：Ekstrom、Larsson、Song & Zhang (2013) 等。注：上一篇解读的 Tie-Zhang-Zhang (2017) 正是这一脉的延续——GBM下求最优阈值闭式解。
六、其他：机器学习、Copula、PCA
- Huck (2009/2010)：Elman神经网络预测一周收益 + ELECTRE III多准则排序，买top5、卖bottom5，周超额0.8%、预测准确率54%。但有生存偏差，且MCDM的增量价值可疑——理性投资者直接按预测排序买卖就行。
- Copula：用条件概率找尾部机会。优点是刻画非正态依赖（偏态、肥尾），缺点是丢失时间结构——这是未来改进的主攻方向（GARCH滤波、时变copula）。
- Avellaneda & Lee (2010)：PCA分解系统/特质收益，特质部分按OU交易，年化Sharpe 1.44（1997–2007）。但数据挖掘控制不足是硬伤。
七、论文的展望（Krauss原文第7节精要）
- 距离法：改进选择指标（要波动、不要贴合；叠加协整过滤）；跨市场验证共同因子。
- 协整法：控制多重检验；大样本实证；Vidyamurthy的启发式值得真正跑一次数据。
- 时间序列法：与选股方法结合——好的配对选择 + 好的交易信号，这是论文最看好的组合方向。
- 随机控制法：大规模实证；终极形态是三阶段组合：协整选股 → 时间序列定信号 → 随机控制定仓位。
- 其他：集成学习、时变copula、渐近PCA。
八、我的展望：结合市场
1. A股的特殊性
- 融券难 → 距离法/协整法的做空腿天然受限，这是A股做配对的第一道坎。
- 但期货价差是富矿：股指跨期、商品裂解价差、AH股，都是协整法的天然试验场，且没有融券问题。
- T+1之下，阈值要放宽、持有期要拉长，Bertram的最优阈值框架可以直接拿来重算。
2. 三阶段组合最有实战价值
Krauss展望的"协整选股 + 时间序列定信号 + 随机控制定仓位"，正是国内量化私募多策略框架的思路。单用任何一派都不够：选股不行则信号无意义，信号不行则好配对也赚不到钱，仓位不行则波动扛不住。
3. 机器学习是增量，不是替代
Huck的教训很实在：预测+排序框架有价值，但生存偏差、过拟合是生死线。更扎实的方向是Copula + GARCH滤波、集成学习，而不是更复杂的黑箱。
4. 收益递减是常态，alpha来源必须讲清楚
GGR的11% → Do & Faff的7% → 计入成本后归零。任何配对策略上线前都要回答三个问题：你的alpha来源是什么（流动性补偿？信息扩散？）？容量多大？成本吃掉多少？答不上来就是纸上谈兵。
5. 与上一篇的呼应
上一篇解读的 Tie-Zhang-Zhang (2017)，正是Krauss综述出版后"随机控制法"方向的一个具体答案——在GBM（而非OU）假设下求出最优阈值闭式解。两篇连起来看，能看到这个领域从"经验规则"到"最优控制"的方法论升级。
附：原文链接
EconStor 官方页面（按出版方要求，请从官方渠道获取原文）
发布日期：2026-10-12 · 类型：金融建模