Augmented Dickey–Fuller (ADF) mean reversion test

统计检验驱动均值回归策略：ADF检验的原理与实战应用

在量化交易中，如何判断一个价格序列是“趋势”还是“回归”？多数交易者依赖直觉，而专业研究者会借助统计工具。增广迪基-富勒检验（Augmented Dickey-Fuller test，简称ADF）就是这样一个工具，它用数学语言告诉我们：当前价格是否偏离了“合理均值”，从而为均值回归策略提供科学依据。本文基于公开策略脚本中对该检验的说明，深入解析其逻辑与应用，并讨论在实战中的优劣与改进方向。

策略解读

ADF检验起源于单位根检验，它由Dickey与Fuller在1979年提出的DF检验扩展而来。其核心思想是：如果一段价格序列是“随机游走”的，也就是价格变化完全不可预测，那么它含有一个“单位根”，是非平稳的；反之，如果价格序列趋于围绕某个均值波动，那么它是平稳的，存在均值回归特性。

具体而言，ADF检验会构造一个回归方程，将被解释变量（当前价格变化量）与滞后期价格水平、滞后期价格变化量结合起来，并通过估计系数来判断单位根是否存在。如果检验统计量足够“负”，使得p值小于设定的显著性水平（比如0.05），则拒绝“存在单位根”的原假设，接受“序列平稳”的备择假设。也就是说，在统计意义上，该价格序列具备均值回归特征。

在交易应用中，ADF检验的价值在于：它把“价格会不会回归”这个模糊问题转化为一个可量化的判断。如果一个序列被认定为均值回归，那么当价格相对其移动平均线或长期均值出现较大偏离时，交易者就可以预期价格将向均值靠拢，从而建立反向头寸。这不同于趋势跟踪策略——趋势跟踪者认为“惯性”会延续，而均值回归交易者认为“极端”会结束。

需要注意的是，ADF检验本身并不告诉你“均值是多少”或“偏离多少算极端”，它只告诉你“均值回归是否存在”。因此，策略设计还需要配合均值计算、偏离度阈值、风险控制等环节。

名词解释

• ADF检验：增广迪基-富勒检验，一种扩展的DF检验，通过在回归方程中加入价格变化的滞后项来控制高阶自相关，从而更稳健地判断时间序列是否具有单位根。
• 单位根：时间序列中的一种特征，表示序列的冲击具有永久性。随机游走过程含单位根，是非平稳的；平稳序列的单位根不存在，冲击会逐渐衰减。
• 平稳性：如果时间序列的均值、方差和自协方差在时间平移下保持不变，则称其为平稳序列。平稳序列通常具有均值回归特性。
• 随机游走：一种价格模型，每一步的变化独立且同分布，最优预测就是当前价格，因此历史信息无法预测未来变化。它是有效市场假说的数学基础。
• 均值回归：价格或收益率围绕某一长期均值波动的现象，偏离均值后会以较高概率被“拉回”。这是统计套利和配对交易的核心前提。
• p值：统计检验中的一个关键量，表示在原假设为真的前提下，观察到当前检验统计量（或更极端情况）的概率。p值越小，越有理由拒绝原假设。
• 几何布朗运动：一种连续时间随机过程，常被用来描述股票价格，其对数收益服从正态分布，且变化与历史无关，是随机游走的连续形式。

策略思路讲解

基于ADF检验的均值回归策略，通常按照以下步骤设计：

第一步，选择资产与周期。 不同资产在不同时间尺度上可能呈现截然不同的性质。某些股票、外汇或商品在小时级别上可能表现为随机游走，而在日线级别上却呈现均值回归。因此，第一步是确定要交易的标的和K线周期，获取足够长的历史数据（例如至少500根K线），以保证检验的统计功效。

第二步，对价格序列进行ADF检验。 交易者使用公开软件或库计算该资产价格序列的ADF统计量及对应的p值。如果p值小于0.05，则判定该序列在所选周期内均值回归。这里的数据可以是原始价格，也可以是价差（例如配对交易中两只股票的价差）。

第三步，计算“均值”和“偏离度”。 常见的做法是计算滚动均值（如20周期移动平均线）或使用统计估计量。偏离度可以定义为“当前价格减去均值”的z分数，即偏离的数量除以滚动标准差。这个z分数标准化了不同波动水平下的偏离程度，便于设定统一阈值。

第四步，设计交易信号。 当z分数低于某个负阈值（例如-2）时，认为价格被低估，买入开仓；当z分数回升到接近0时，平仓止盈。同理，当z分数高于正阈值（例如+2）时，做空开仓，回归后平仓。也可以设置更大的阈值以捕捉更极端的偏离，但需要注意，极端偏离也可能是基本面变化造成的新趋势，不能无脑交易。

第五步，加入风险管理。 均值回归交易最怕的是市场不再回归，也就是资产从“均值回归”状态切换为“趋势”状态。因此，必须设置硬性止损，例如价格继续向不利方向移动超过2个标准差时离场。同时，可以设置最大持仓时间，若在规定周期内没有回归，则平仓认错。

第六步，动态再评估。 市场的统计性质会变化。一条过去呈现均值回归的价格序列，未来未必仍然如此。交易者应该每隔一段时间（例如每周或每月）重新运行ADF检验，或者使用滚动窗口的ADF检验，及时剔除不再满足均值回归条件的资产，替换为新的合格标的。

这种策略思路的本质是“利用统计规律捕获市场定价错误”。ADF检验扮演了一个“入场资格审核者”的角色，它与具体的进出场工具（如布林带、相对强弱指标）配合，能够提高策略的系统性和可信度。

优点

1. 统计基础严谨。ADF检验是学界与业界广泛认可的单位根检验方法，相比仅凭肉眼观察价格走势，它有明确的统计推断框架，能降低主观性。
2. 可量化、可回测。检验结果输出清晰的p值和统计量，便于设定客观阈值，且容易被回溯测试和参数优化，适合程序化交易。
3. 捕捉市场无效性。均值回归策略本身就是针对“过度反应”的市场行为，ADF检验帮助交易者筛选出存在这类无效性的标的，从而获取价格回归带来的收益。
4. 适用范围广。可应用于股票、商品、外汇、加密货币等多个品种，也可用于价差、息差等衍生序列，在配对交易中尤其有效。
5. 与趋势策略互补。将ADF检验应用于资产池，可以筛选出“适合均值回归”的品种，而将“趋势性质”的品种留给趋势策略，形成多策略组合，分散风险。

缺点

1. 统计假设较强。ADF检验假设序列可由线性自回归过程描述，且误差项是白噪声。但真实价格序列可能存在非线性、异方差、长记忆等特征，导致检验结果失真。
2. 检验结果对参数敏感。ADF检验中滞后阶数的选择会影响统计量和p值。滞后阶数过小或过大都可能得到错误的结论，而确定最佳阶数需要额外的信息准则和主观判断。
3. 市场状态可能切换。ADF检验基于历史样本，但未来不一定是同一状态。一个在样本内平稳的序列，可能因政策变化、突发事件而变成趋势性序列，导致均值回归策略遭受连续亏损。
4. 数据窥探与过拟合风险。策略中的均线窗口、进出场阈值、止损幅度等参数很容易通过历史数据优化到“完美”，但实际应用中可能失效。ADF检验本身也容易被反复使用于同一数据，导致p值失真。
5. 交易成本与滑点。均值回归策略通常交易频繁，收益本来就不大；频繁的进出场会累积较高的手续费和滑点，吞噬利润。若不进行成本优化，回测和实盘业绩可能差别很大。

起源年份考证

关于“ADF均值回归交易策略”的起源，业界并没有一个明确的发明者，但可以通过关键节点构建时间线。需要说明的是，以下属于对该类方法考证，而非某个具体脚本的诞生年份。

• 1979年：David Dickey与Wayne Fuller提出了迪基-富勒检验，用于检验时间序列是否存在单位根，这是ADF检验的前身。
• 1981年：Said与Dickey将DF检验扩展为增广迪基-富勒检验（ADF），以处理误差项存在高阶自相关的情况。这一改进为金融时间序列分析提供了更加稳健的工具。
• 20世纪80年代：配对交易开始在华尔街流行，以长期资本管理公司等机构为代表，交易者利用两只相似股票的价差进行均值回归交易。虽然早期方法更多基于经验，但单位根检验的思想开始渗入金融界。
• 20世纪90年代至21世纪初：统计套利成为量化对冲基金的主流策略之一，ADF检验和协整检验被广泛应用于构建价差交易模型，成为均值回归策略的标准筛选工具。
• 2010年代以后：随着开源数据分析工具的普及，个人交易者也能轻松计算ADF检验，将其用于数字货币、外盘期货等市场。这类策略在各类交易社区中大量出现，成为量化入门者常用的统计工具。

因此，若问“ADF均值回归策略”何时诞生，可以说其统计基础诞生于20世纪80年代初，而作为一种可复用的交易策略框架，在20世纪90年代开始流行，并在21世纪成为常识性工具。具体到本文所引用的策略脚本，无法考证其确切写作时间，这并无必要。

改进建议

1. 使用滚动窗口的ADF检验。不要只看一次全样本检验，而是每隔N根K线重新计算当前窗口内的ADF统计量。如果p值持续低于阈值，就继续持有均值回归敞口；一旦发现p值上升，说明序列可能失去了平稳性，立即减小仓位或退出交易。
2. 引入波动率过滤。在计算z分数时，如果当前波动率异常高（如处于布林线宽度的历史高位），意味着市场处于剧烈变动中，容易出现单边行情。此时应暂停均值回归交易，或扩大止损范围，避免在“强行回归”前被扫出场。
3. 将ADF检验与协整检验结合。对于多资产组合，单资产的ADF检验可能不如资产间的协整关系稳定。使用约翰森检验或恩格尔-格兰杰两步法确定资产组合的协整向量，能得到更可靠的均值回归价差。
4. 采用非线性均值回归模型。ADF检验假设偏离均值的修正速度是恒定的，但真实市场中，大的偏离往往伴随更快的回归。可以考虑门限自回归（TAR）或平滑转移回归（STAR）模型，设置两个阈值：在中等偏离时观望，在极端偏离时进入。
5. 优化进出场阈值。不要固定使用z=2和z=0。可以通过对历史数据做分位数分析，找到当前品种特有的偏离分布，例如选择偏离度处于5%分位时买入，回到50%分位时卖出。这样能适应不同品种的差异，减少参数过度拟合。
6. 加入成交量或持仓量过滤。均值回归在低成交量时更容易发生，而高成交量可能代表新信息驱动的趋势。加入成交量确认，能过滤掉虚假的价格偏离。
7. 对p值进行多重比较校正。当同时测试多个资产时，容易遇到“碰巧”显著的假阳性。使用Benjamini-Hochberg方法控制错误发现率，可以提高入选标的的真实可靠性。
8. 设置时间止损与事件止损。除了价格止损，还可以设置最长持仓时间（比如20个周期），到期未回归则平仓；如果持仓期间发布重要财报或宏观数据，也应提前平仓避险。

总结

ADF检验是均值回归策略的一块“试金石”。它把“这个品种会不会回归”的问题，转化为一个具有统计学意义的假设检验。对于普通交易者来说，理解ADF检验，并不需要掌握复杂的推导，而只需知道它的角色：筛选均值回归标的，提供入场前的统计依据。

然而，ADF检验不是万能的。它描述的是历史样本的统计性质，而非未来的保证。市场随时可能从回归状态切换成趋势状态，因此任何均值回归策略都必须配备严格的止损、动态检验和组合管理。将ADF检验与协整分析、波动率过滤、自适应阈值等工具结合，构建一个多维度体系，才能在复杂多变的市场中稳健获利。

最后请记住：统计检验让交易更理性，但理性交易永远需要应对“模型出错”的谦卑。ADF检验帮助我们识别机会，而真正的盈利来自风险控制与纪律执行。