量化交易实战：从均值回归到动量策略的 Python 实现

量化交易作为现代金融工程的核心领域，正在深刻改变着投资决策的方式。本文将深入讲解两种最经典的量化策略——均值回归（Mean Reversion）和动量策略（Momentum），并提供完整的 Python 实现代码。

一、量化交易概述

量化交易是利用数学模型、统计分析和计算机程序来执行交易决策的方法。与传统的主观交易相比，量化交易具有纪律性强、覆盖面广、速度快、情绪影响小等优势。

一个完整的量化交易系统通常包括以下模块：数据获取模块、信号生成模块、仓位管理模块、执行引擎和风控系统。本文重点讨论信号生成环节中的核心策略。

二、均值回归策略

2.1 理论基础

均值回归基于一个核心假设：资产价格偏离其长期均值后，有向均值回复的趋势。这一现象在统计上表现为价格的平稳性或协整关系。数学表达为：Z = (P - μ) / σ，其中 P 为当前价格，μ 为移动平均价格，σ 为标准差。当 Z > 2 时做空，Z < -2 时做多。

2.2 协整配对交易

更高级的均值回归应用是协整配对交易（Pairs Trading）。两只具有协整关系的股票，其价差序列是平稳的，可以进行均值回归交易。通过 ADF 检验确认协整关系后，对价差序列计算 Z-Score 产生交易信号。典型参数：回望窗口 20 天，进场阈值 2 个标准差，出场阈值 0.5 个标准差。

2.3 完整回测流程

回测均值回归策略的步骤：1) 选择标的并获取历史价格数据；2) 计算滚动窗口内的均值和标准差；3) 计算 Z-Score 并生成交易信号；4) 模拟持仓和收益；5) 计算夏普比率、最大回撤等风险指标。注意过拟合风险，建议保留样本外数据做验证。

三、动量策略

3.1 理论基础

动量策略基于趋势延续的假设：过去表现好的资产在未来一段时间内仍将继续表现良好。这一现象被称为“动量效应”，是金融学中最稳健的异象之一。Jegadeesh 和 Titman (1993) 的经典研究发现，过去 3-12 个月表现最好的股票组合在未来 3-12 个月内持续跑赢表现最差的组合。

3.2 时间序列动量

时间序列动量（Trend Following）是最简单也是最有效的量化策略之一，基于短期均线穿越长期均线的信号进行交易。当短期均线（如20日均线）上穿长期均线（如60日均线）时做多，下穿时做空或平仓。优点是在趋势市场中表现优秀，缺点是在震荡市中频繁止损。

3.3 截面动量与高级因子

截面动量（Cross-sectional Momentum）同时做多过去表现好的资产、做空表现差的资产。高级因子包括：残差动量（剔除市场因子后的特异性动量）、波动率标准化动量（避免高波动资产过度配置）、以及复合动量（动量与价值因子的非线性组合）。

四、策略评估指标

评价量化策略的核心指标包括：

五、Python 回测示例

import pandas as pd
import numpy as np

# 均值回归策略
def mean_reversion_strategy(prices, lookback=20, entry_z=2.0, exit_z=0.5):
    signals = pd.DataFrame(index=prices.index)
    signals['zscore'] = (prices - prices.rolling(lookback).mean()) / prices.rolling(lookback).std()
    signals['position'] = 0
    signals.loc[signals['zscore'] > entry_z, 'position'] = -1
    signals.loc[signals['zscore'] < -entry_z, 'position'] = 1
    signals.loc[signals['zscore'].abs() < exit_z, 'position'] = 0
    return signals['position'].ffill()

# 动量策略
def momentum_strategy(prices, short_win=20, long_win=60):
    signals = pd.DataFrame(index=prices.index)
    signals['short_ma'] = prices.rolling(short_win).mean()
    signals['long_ma'] = prices.rolling(long_win).mean()
    signals['position'] = (signals['short_ma'] > signals['long_ma']).astype(int)
    return signals['position']

# 绩效评估
def calculate_metrics(returns, risk_free=0.03):
    ann_return = returns.mean() * 252
    ann_vol = returns.std() * np.sqrt(252)
    sharpe = (ann_return - risk_free) / ann_vol
    cum_returns = (1 + returns).cumprod()
    max_dd = (cum_returns - cum_returns.expanding().max()).min()
    calmar = ann_return / abs(max_dd) if max_dd != 0 else np.inf
    return {'Sharpe': round(sharpe, 2), 'Return': f'{ann_return:.1%}', 'MaxDD': f'{max_dd:.1%}', 'Calmar': round(calmar, 2)}

六、风险管理与实盘注意事项

量化交易中，风险管理比策略盈利能力更重要：

1. 止损机制：设置固定比例止损和时间止损，防止单笔交易造成重大损失
2. 仓位管理：使用凯利公式或波动率倒数法确定仓位大小
3. 过度拟合防范：将样本外测试和交叉验证作为策略上线的必要程序
4. 滑点和手续费：回测时必须考虑交易成本的影响
5. 策略衰减：监控策略夏普比率衰减，及时进行策略迭代

七、总结

均值回归和动量策略代表了量化交易的两个基本维度——价格反转与趋势延续。在实际应用中，将两者结合往往能获得更好的风险调整收益。对于初学者，建议从简单的双均线动量策略入手，逐步增加策略复杂度。切记：稳健的风控永远比追求高收益更重要。量化交易是一个持续学习和迭代的过程，市场在不断变化，策略也需要不断适应。