Cointegration Heatmap & Spread Table [EdgeTerminal]

NOTE

本文为公开交易策略的技战术复盘，聚焦方法逻辑、交易场景与风险边界。

策略解读

协整热力图并不是一个“预测涨跌”的指标，而是一个“筛选配对”的工具。它像一张医保体检表，把市场上所有资产两两组合，逐一检验它们是否存在长期稳定的“共生关系”。如果两只资产价格虽然各自随机游走，但它们之间的价差却始终围绕某个均值上下波动，那么一旦价差拉得过大，就可以预期它会像橡皮筋一样被拉回——这就是均值回归交易的核心逻辑。

传统技术指标，如均线、RSI、布林带，描述的是单只资产自身价格行为的统计特征。而协整分析关注的是一对资产之间的“相对关系”。它不关心某只股票是涨是跌，只关心两只股票是否“步调一致”到可以被线性组合成一个平稳序列。如果这个平稳性成立，那么价差就具有统计上的可预测性，交易者便可以在价差极端偏离时建立反向头寸。

这种方法的妙处在于它把“不可预测的绝对价格”转化为“可预测的相对价差”。例如，两只同行业股票，一只涨了10%，另一只只涨了2%，从绝对价格看，前者更强；但如果它们历史上始终保持约8%的价差，那么当前价差偏离可能就是一个开仓信号。协整热力图将所有这些配对检验结果以热力图矩阵展示，颜色越深代表协整关系越显著，交易者便能一眼扫出最有潜力的交易对。

需要注意的是，协整不等于因果。两只股票可能因为同受某个宏观因子驱动而协整，也可能因为同属一个指数而被动同步。协整关系也可能随时间漂移，因此热力图的动态更新和样本区间的选择至关重要。此外，协整分析对数据频率敏感：日线数据发现的协整关系，在小时级别可能不成立；反之亦然。成熟的用法是先用热力图做“全局扫描”，再用滚动窗口验证关系稳定性，最后在选定配对上应用均值回归入场、止损和离场规则。

名词解释

协整（Cointegration）：统计学术语，指两个或多个非平稳时间序列的某种线性组合是平稳的。即使单个序列有随机趋势，它们的线性组合却不会偏离均衡太远。恩格尔和格兰杰于1987年提出该概念，并因此获得2003年诺贝尔经济学奖。
平稳性（Stationarity）：时间序列的统计性质（均值、方差、自相关）不随时间变化。平稳序列会围绕固定均值波动，回归到这个均值的倾向是均值回归策略可交易的前提。
均值回归（Mean Reversion）：资产价格或价差在偏离其历史平均水平后，倾向于回到平均水平的现象。该理念基于“价格围绕价值波动”的假设，也常被称为“橡皮筋效应”。
线性组合（Linear Combination）：将两个或更多变量乘以各自系数后相加。在协整分析中，寻找最优系数使得组合后的序列平稳，这个组合序列通常被称为“价差”或“对冲比率”。
相关性（Correlation）：衡量两个变量线性相关程度的统计量，取值范围在-1到1之间。相关性高不等于协整，因为相关性只反映同步方向，不反映长期均衡关系。
对冲比率（Hedge Ratio）：在配对交易中，多空两腿的头寸比例。协整分析会给出使价差平稳的最优比率，通常通过最小二乘法估计。
约翰森检验（Johansen Test）：一种用于检验多个时间序列之间是否存在协整关系的方法，可以同时确定协整向量的数量和具体形式，比恩格尔-格兰杰两步法更适用于多资产场景。
ADF检验（Augmented Dickey-Fuller Test）：用于检验序列是否平稳的单位根检验。若检验统计量显著小于临界值，则拒绝“存在单位根”的原假设，说明序列平稳。
样本区间（Lookback Period）：计算协整统计量所用的历史数据长度。区间太短可能捕捉到临时噪声，太长则会包含已失效的结构关系。

策略思路讲解

协整热力图策略的整体思路可以分为四个阶段：配对发现、关系验证、信号生成、执行管理。

第一阶段：配对发现。 计算一组资产中所有两两组合的协整统计量。常用方法是先提取每对资产的价格序列，做对数价格处理，然后通过回归估计对冲比率，再对残差做ADF检验。检验的p值或t统计量可以作为协整强度的度量。将所有这些度量填入一个对称矩阵，用热力图着色，颜色越鲜艳代表协整关系越显著。这一步的目的是“广撒网”，从海量标的中快速选出候选组合。

第二阶段：关系验证。 单一时间段的协整检验可能只是巧合。为了提高稳健性，需要将样本分成多个子区间，或者采用滚动窗口反复检验。如果某个配对在大多数窗口内都显示协整，且对冲比率变化不大，那么它才是真正可靠的配对。此外，还可以检查价差的均值和方差是否稳定，避免因为一次极端事件导致伪协整。

第三阶段：信号生成。 对最终确认的配对，构建价差序列：spread = price_A - hedge_ratio × price_B。然后对价差进行标准化（z-score）。常见入场规则为：当z-score低于-2时做多价差（即买入A、卖出B），高于+2时做空价差（即卖出A、买入B）。退出规则为z-score回归到0附近。止损规则可以用固定倍数标准差，例如z-score达到±3时强制平仓，以防止极端行情下价差不回归。

第四阶段：执行管理。 交易时需要同时下单两条腿，注意成交时间和滑点的控制。如果两条腿在不同交易所或不同市场，执行风险会显著增加。头寸大小则根据账户资金和对冲比率计算，保证每对组合的市值中性。持仓期间还需要持续监控协整关系是否破裂，一旦滚动ADF检验的p值上升超过阈值，应主动降仓或平仓。

整个策略的精髓在于“统计套利”：不依赖绝对方向的预测，而是利用统计关系的暂时错位。它本质上是一种低风险、低收益、高胜率但偶尔大亏的策略形态，因此资金管理和风险控制必须放在首位。

优点

市场中性：配对交易同时持有多头和空头，能够抵消市场整体涨跌的影响，在震荡市和熊市中依然可能获得稳定收益。
统计基础扎实：协整有严谨的数学定义和检验方法，不是基于主观经验或简单形态，比“感觉两者有关系”更可靠。
可视化高效：热力图将数百个配对检验结果压缩在一张图上，极大提升了筛选效率，尤其适合定期扫描全市场。
规避单资产黑天鹅的一部分风险：由于做多一只同时做空另一只，单一资产特有的非系统性风险能够被部分对冲，组合对个别公司暴雷的敏感度降低。
收益来源独立：与趋势跟踪或基本面投资相关性较低，可以作为资产配置中的一种分散化策略。
可量化回测：从配对发现到信号生成全流程都可以用历史数据验证，便于评估策略在不同市场状态下的表现。

缺点

协整关系可能失效：公司基本面变化、行业格局调整或宏观政策转向会导致原本协整的配对破裂，而这种破裂往往无法事前察觉。
交易成本敏感：配对交易需要同时操作两只标的，且开平仓次数频繁，佣金、滑点、借券成本可能吞噬大部分利润，尤其在流动性较差的标的上。
统计检验存在陷阱：长样本区间可能包含过多陈旧信息，短样本则可能出现伪协整。数据挖掘偏差也会导致大量“在历史数据上完美、实盘却失效”的配对。
尾部风险：虽然大部分时候价差会回归，但在危机期间价差可能持续扩大，导致止损之前账户已经承受巨大回撤。经典案例是2007年量化基金遭遇的“统计套利风暴”。
参数敏感性：滚动窗口长度、z-score入场阈值、止损倍数、对冲比率估计方法都会显著影响绩效，不同参数组合下结论可能截然不同。
误用相关性替代协整：新手容易将高相关性误认为高协整。高相关性但非协整的配对可能永远不回归，造成价差单边扩大的灾难。

起源年份考证

协整概念本身由克莱夫·格兰杰（Clive Granger）在1981年提出，并于1983年发展完善，1987年他与罗伯特·恩格尔（Robert Engle）合作发表经典论文《Co-integration and Error Correction: Representation, Estimation, and Testing》，奠定了协整理论的基础。因此，协整这一“统计方法”的公认起源年份为1987年。

而将协整应用于配对交易（Pairs Trading）的思想，学界和业界普遍追溯至20世纪80年代华尔街的量化团队。以摩根士丹利等机构为首的一批交易员（最著名的是Nunzio Tartaglia及其团队）在1980年代开发了第一代统计套利配对交易系统。因此，协整配对交易的“实践起源”大约在1985年至1987年之间。

至于“协整热力图”这一具体可视化形式，本质上是21世纪初量化分析工具普及后的产物。随着2000年代中期计算机性能提升和开源统计软件成熟，交易社区开始用热力图展示相关矩阵，随后扩展到协整矩阵。该可视化形式的流行难以精确考证到某一年，合理估计在2010年前后开始在一些量化博客和公开社区中出现。需要说明的是：本段属于对该“方法类型”起源的时间线考证，并非某单一原创工具的官方历史记录。

综合时间线如下：

1981～1983年：格兰杰提出协整概念雏形。
1987年：恩格尔和格兰杰发表里程碑论文，协整理论正式确立。
1985～1987年：华尔街机构开始实践统计套利配对交易。
2000年代初期：协整检验成为量化研究的常规手段。
2010年前后：热力图可视化在量化社区流行，协整热力图作为筛选工具逐渐普及。

改进建议

引入动态对冲比率：固定对冲比率容易因股价结构性变化而过时。可以改用卡尔曼滤波或自适应回归方法，实时估计并更新对冲比率，让价差序列始终保持平稳特性。
多资产协整扩展：从两两配对扩展到三只或更多资产的协整篮子。用一个协整向量同时交易多只资产，能够获得更丰富的均衡关系，降低单一配对失效的概率。
状态识别与择时过滤：在协整信号之上叠加市场状态过滤，例如使用波动率指数（VIX）或市场趋势指标判断当前环境。仅在高波动或震荡环境中启用配对交易，趋势市场中则降低仓位或暂停交易。
严格的风险预算与止损：为每对组合设定最大亏损上限，例如不超过账户净值的1%。同时采用“时间止损”，即持仓超过一定周期且价差仍未回归时主动平仓，避免资金长期占用。
滚动稳健性评分：计算每个配对在不同起点的滚动区间内的协整p值、对冲比率标准差和半衰期，综合这些指标生成一个稳健性分数，只交易分数最高的组合，定期重新排名。
考虑交易成本后的信号优化：在生成入场阈值时，把预期交易成本作为价差回归必须覆盖的最低幅度。只有价差偏离超过“成本加上几倍标准差”时才开仓，从而减少无利可图的频繁交易。
事件风险过滤：为组合中的每个标的设置“财报、分红、并购、监管公告”等事件日历，事件前一周不建新仓，已持仓的组合在事件日前后降低杠杆，避免因基本面跳空导致价差不可恢复。
多时间框架验证：在日线、小时线甚至分钟线级别分别检验协整关系，优先选择多个周期都稳定成立且价差均值回归速度较快的配对，提高信号频率与质量。
替代资产类别应用：除了股票，可将协整热力图扩展到ETF、外汇、商品期货甚至加密货币。不同市场的微观结构差异可以让策略在更多环境中寻找机会，但需重新校准参数和数据频率。

总结

协整热力图提供了一种从统计学角度审视资产关系的全新视角。它让我们不再满足于“价格涨跌”的表面现象，而是深入挖掘资产之间深层的均衡纽带。通过将成百上千个配对关系浓缩成一张色彩分明的矩阵图，交易者可以快速识别出那些值得进一步研究的候选组合，进而将普通的价格观察升级为具有概率优势的统计套利策略。

然而，任何工具都有边界。协整关系不是永恒不变的规律，而是随时间演变、随市场结构变化的动态属性。热力图只是一个筛子，真正的利润来自严谨的验证、稳健的参数、精细的执行和严格的风控。在量化交易的世界里，没有圣杯，只有不断演化的发现过程。协整热力图的价值在于它帮助我们以一种更科学的方式去寻找那些“暂时错位、终将回归”的交易机会，并时刻提醒我们：统计上的显著，并不等于实盘中的必然。唯有敬畏市场、敬畏不确定性，才能让统计工具真正成为交易者手中的利器。