如何用 Python + QuantDash 快速构建高胜率“配对交易（Pairs Trading）”策略？
在单边波动剧烈或宽幅震荡的市场里做多单只股票的风险巨大。这时候配对交易Pairs Trading这一经典的“市场中性”策略便体现出独特的优势。配对交易的核心是寻找两只具有强逻辑关联、价格走势呈现“协整性Cointegrating”的股票在其价差发生异常偏离时买低卖高等价差收敛后平仓获利。本篇将结合 Python 数理分析库与QuantDash平台的数据接口带你完整跑通从协整性检验到交易信号生成的统计套利实战流程。一、 理论背景与标的选择我们选择白酒板块中关联度极高的两位龙头贵州茅台 (600519.SH)与五粮液 (000858.SZ)。它们属于同一子行业基本面逻辑高度趋同。虽然各自价格可能非平稳呈现长期上涨或下跌但它们的线性组合价差在长期上应该是一个均值回归的平稳序列。核心步骤获取两只股票的长期历史 K 线。运行 ADF 协整检验Engle-Granger 两步法。如果协整通过计算两者价差Spread的 Rolling Z-Score。入场信号Z-Score 突破 ±2 时做多便宜的一只同时做空高估的一只。离场信号Z-Score 回归至 0 附近时平仓。二、 实战代码协整检验与配对交易信号import os import pandas as pd import numpy as np import statsmodels.api as sm from statsmodels.tsa.stattools import coint from quantdash import QuantDash # 1. 客户端初始化 QUANTDASH_API_KEY os.getenv(QUANTDASH_API_KEY, your_quantdash_api_key_here) qd QuantDash(api_keyQUANTDASH_API_KEY) def fetch_pair_data(sym_a600519.SH, sym_b000858.SZ, start2025-01-01): 通过 QuantDash 获取配对标的的历史收盘价并对其时间戳 # 统一拉取 A 股前复权日线 df_a qd.klines.get(symbolsym_a, period1d, adjustqfq, to_dataframeTrue) df_b qd.klines.get(symbolsym_b, period1d, adjustqfq, to_dataframeTrue) # 转换为 DataFrame 格式并按交易日期合并 df_a df_a[[trade_date, close]].rename(columns{close: close_a}) df_b df_b[[trade_date, close]].rename(columns{close: close_b}) merged pd.merge(df_a, df_b, ontrade_date, howinner).sort_values(trade_date) merged.set_index(trade_date, inplaceTrue) return merged def check_cointegration(df): 进行 Granger 协整检验 score, p_value, _ coint(df[close_a], df[close_b]) print(f协整检验 T-statistic: {score:.4f}, P-value: {p_value:.4f}) if p_value 0.05: print( 两只股票在 95% 置信度下【具有明显的协整关系】适合配对交易。) return True else: print( 两只股票不具备统计学上的显著协整关系强行配对可能面临高风险。) return False def generate_signals(df, window20): 计算动态对冲比例与 Z-Score生成信号 # 动态回归计算对冲比例 (Beta) # 此处用简单的滚动价差演示 df[spread] df[close_a] - df[close_b] # 计算均值和标准差的滚动窗口防止过拟合 df[mean] df[spread].rolling(windowwindow).mean() df[std] df[spread].rolling(windowwindow).std() # 计算 Z-Score df[zscore] (df[spread] - df[mean]) / df[std] # 清洗前期的 NaN df.dropna(inplaceTrue) # 获取最新的价差状态 latest_date df.index[-1] latest_row df.iloc[-1] z latest_row[zscore] print(f\n[{latest_date}] 最新价差: {latest_row[spread]:.2f}, 滚动 Z-Score: {z:.2f}) # 生成交易指引 if z 2.0: print( 信号【价差过大】。策略建议卖出/做空 600519.SH买入/做多 000858.SZ。) elif z -2.0: print( 信号【价差过小】。策略建议买入/做多 600519.SH卖出/做空 000858.SZ。) elif abs(z) 0.2: print( 信号【价差回归正常】。策略建议双边【平仓离场】。) else: print( 信号价差处于常态区间无交易信号【保持当前头寸】。) if __name__ __main__: print(正在通过 QuantDash 提取配对股票历史K线数据...) df_pair fetch_pair_data(600519.SH, 000858.SZ) # 1. 验证是否满足协整 if check_cointegration(df_pair): # 2. 如果满足生成实时信号 generate_signals(df_pair, window20)三、 落地量化实盘的思考数理准确性源于底层数据质量在进行协整检验ADF时哪怕其中一两天的 K 线数据因为缺失或脏数据而产生价格突变都可能导致回归系数失真、甚至毁掉整条套利模型的统计基础。QuantDash 稳定的机构级行情能够彻底杜绝这个问题[1]。多市场配对的潜力除了同一板块的白酒该框架在 QuantDash 多市场统一 API 的支持下更可以探索极富想象力的跨市场/跨境套利组合。例如美股PDD (拼多多)与 港股美团-W (03690.HK)的科技赛道配对或者跨国资产的商品配对这在以前几乎是遥不可及的数据门槛而现在利用统一的 SDK 接口甚至不需要更改代码。相关链接 QuantDash 官方QuantDashPython SDK 快速开始快速开始 - QuantDash
