90%的均值回归策略都忽略了这一个成本变量

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

本文约 2400 字 | 预计阅读 5-7 分钟

文中示例仅用于技术讨论，不构成任何操作建议。量化策略开发应以学习和技术交流为目的。本公众号不荐股、不卖课、不承诺收益。市场有风险，请合法合规投资。

均值回归（Mean Reversion）是量化策略里最经典的逻辑之一：价格偏离均值太远，总会回来。但大多数均值回归信号在实盘中都死在同一个地方，价差。

今天聊一个我在量化团队里实际在用的过滤方法：预期回归距离过滤。核心思路很简单，在下单前先算一下，价格预计能回归多少，再跟交易摩擦（spread、手续费、滑点）比一比。回归幅度覆盖不了摩擦成本，就不下单。

图1：信号看着不错，但摩擦成本把它吃掉了

一、为什么回归速度和回归距离一样重要

很多均值回归系统只看一件事：偏离够不够大。Z-score 超过 2 个标准差，触发信号。但这只是一个置信度检查，它没回答一个关键问题：价格多久能回归？

两个完全相同的 Z-score，一个标的 2 天就回归，另一个要磨蹭 20 天。前者的预期收益是正的，后者可能因为持仓成本和滑点累积变成负的。

说白了，偏离大小决定”能赚多少”，回归速度决定”多快能拿到钱”。在扣除交易摩擦后，速度往往比距离更关键。

二、用数学量化回归速度

要量化回归速度，业界标准工具是 Ornstein-Uhlenbeck 过程（OU过程）。它是连续时间下均值回归的标准数学模型，能给出条件期望的封闭解。

图2：theta 大，回归快；theta 小，回归慢

OU 过程的微分方程：

dx_t = θ × (μ - x_t) × dt + σ × dW_t

各参数含义：

关键公式来了。在时间跨度 H 上，条件期望为：

E[x_{t+H} | x_t] = μ + (x_t - μ) × exp(-θ × H)

那么预期回归距离就是：

expected_reversion = (x_t - μ) × (1 - exp(-θ × H))

这里 (1 - exp(-θ × H)) 就是”在今天偏离的基础上，预计到时间 H 能恢复的比例”。θ 越大，恢复比例越高；H 越长，恢复比例也越高。

半衰期和 θ 的换算

如果你习惯用半衰期（Half-life）来理解回归速度，换算关系很简单：

θ = ln(2) / T_half

半衰期 2 天，对应 θ ≈ 0.3466。半衰期 5 天，对应 θ ≈ 0.1386。从历史数据估 θ，用 AR(1) 回归就行，后面代码部分会展示。

三、过滤器规则

有了预期回归距离的公式，过滤规则就一句话：

只有当  | 预期回归距离 | > 摩擦预算 时，才下单。

图3：过滤器像个收费站的闸门，过不了摩擦预算的信号直接拦下

摩擦预算（friction_budget）应该包含：

• 往返价差成本（round-trip spread cost，以 bps 为单位）
• 佣金和交易所费用
• 滑点估计（用历史均值）
• 安全垫（给偶尔的糟糕成交留余量）

所有量纲统一用 bps（基点），跟成本直接可比。这是整个方法最务实的部分，不跟你谈什么信号优劣，就问一个简单问题：预期赚的钱够不够付手续费？

四、数值一算，体感更清楚

光看公式您可能还没感觉，来个具体数字。假设：

第一步：θ = ln(2) / 2 ≈ 0.3466

第二步：恢复比例 = 1 – exp(-0.3466 × 1) ≈ 0.293

第三步：预期回归 = 20 × 0.293 ≈ 5.86 bps

第四步：5.86 < 8，不交易。

图4：同样 20 bps 的偏离，扣掉摩擦后净亏 21 刀

换算成美元，以 10 万美元的名义本金计算：

同样的 Z-score，同样的偏离幅度，扣掉成本后期望是负的。这就是这个过滤器的价值所在。

五、手把手 Python 代码

逻辑不复杂，直接上代码。用 AR(1) 回归估 θ，再算预期回归距离：

import numpy as np
import pandas as pd
from math import log, exp

# 模拟残差序列（单位：bps）
s = pd.Series(np.random.normal(0, 8, 500)).cumsum() * 0.1 + 10.0

# AR(1) 回归：x_{t+1} = a + b * x_t + e
x0, x1 = s[:-1].values, s[1:].values
b = np.cov(x0, x1, ddof=0)[0, 1] / np.var(x0, ddof=0)
theta = -np.log(b) if b > 0 else 0.1

# 持仓周期
H = 1.0

# 预期回归距离
expected_reversion = (s.iloc[-1] - s.mean()) * (1 - exp(-theta * H))

print(f"b={b:.3f}, theta={theta:.3f}")
print(f"expected_reversion={expected_reversion:.2f} bps")

预期输出类似：

b=0.70, theta=0.357
expected_reversion=5.86 bps

拿到 expected_reversion 之后，跟你的 friction_budget 比一下就行。一行 if 语句，就是你的过滤器。

六、这个过滤器到底能改变什么

用了这个过滤之后，最直接的变化是交易次数变少了。一些以前会下的单，现在被拦住了。

其实这是好事。被拦住的那些单，预期收益本来就覆盖不了成本，做了也是给券商打工。少做交易、少犯错，比多找信号更管用。

这个方法还逼着你做一件事：把交易摩擦显式化。你得搞清楚自己的 spread 成本、佣金、滑点分别是多少。很多策略亏钱不是因为信号差，是因为做策略的人根本没认真算过成本。。

提示：OU 过程是对现实市场的简化模型。极端行情下（比如流动性突然枯竭），回归行为可能跟模型预估差很远。过滤器是工具，不是保险。

如果你想更进一步，可以估计 σ 的分布，对 x_{t+H} 做蒙特卡洛模拟，算出预期收益的概率分布。但从简单版开始，先把基本的过滤器跑起来。一个清晰的保守过滤器，比追着边际收益使劲，对 P&L 的贡献更快。

最后总结一下要点：

• 回归速度和回归距离同样重要，同样的 Z-score，回归慢的可能亏钱。
• OU 过程给出预期回归距离的封闭解，用 AR(1) 就能估参数。
• 过滤规则就一行：预期回归距离 > 摩擦预算才下单。
• 所有量纲统一到 bps，跟成本直接可比，别混用。
• 交易次数减少是正常表现，拦住的本来就是负期望的单。

均值回归策略的胜负手不在信号本身，在信号和成本的关系。把这个想清楚，你已经比大部分只看 Z-score 的系统强了。

你现在的均值回归策略，有没有认真算过摩擦预算？

#均值回归 #量化策略 #OrnsteinUhlenbeck #交易摩擦 #过滤器 #Zscore #半衰期 #AR1回归 #bps #策略优化 #滑点