配对交易策略Skill 用法详解

配对交易策略：用一个 Z-score 把「价差回归」变成可执行的交易信号

核心结论速览

配对交易策略Skill 是一个专注于两个高相关标的价差（比值）均值回归的策略框架，用 Z-score 判断价差是否偏离过度，并给出反向开仓信号。
核心逻辑只有三步：算比值 ratio = close_A / close_B → 算滚动均值与标准差 → 算 Z-score 并生成多空对冲信号。
参数极简，仅 lookback（默认 60）、entry_z（默认 2.0）、exit_z（默认 0.5）三个，改配置即可换标的、换周期。
天然市场中性：A 做多则 B 做空，A、B 各占 50% 资金，规避单边行情风险。
依赖只有 pandas 与 numpy，股票（如 601318.SH / 601628.SH）与加密货币（如 BTC-USDT / ETH-USDT）都能跑。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能中文名：配对交易策略Skill 技能英文名：配对交易策略 技能 ID：14255 技能分类：strategy（策略类）

它解决什么问题

做量化的人常常卡在同一个地方：想法很清晰——“中国平安和中国人寿价差拉开太多就该回归”“BTC 和 ETH 的比价偏离均值了该做对冲”——但从想法到可运行的信号，中间隔着一整套重复劳动：数据对齐、滚动窗口计算、Z-score 归一化、多空方向映射、平仓条件判断、边界情况处理（前期 NaN 怎么办、日期错位怎么办）。

配对交易策略Skill 把这些重复劳动固化成一个标准框架：你只需要给出两个标的代码 + 时间区间，剩下的比值计算、滚动统计、Z-score 阈值判断、多空信号生成、平仓逻辑全部由技能按约定输出。它的定位不是“又一个回测引擎”，而是把一套成熟的统计套利方法论变成即插即用的策略单元。

一键安装的思路与步骤

配对交易策略Skill 的安装遵循 AI 技能平台的通用方式，具体入口与命令以官方说明为准。整体路径如下：

第一步：确认安装前提

已接入支持技能（Skill）调用的 AI 编程助手或策略运行环境；
本地或运行环境具备 Python 环境，因为该策略的依赖为 pandas 与 numpy；
已注册技能市场中 ID 为 14255 的「配对交易策略」技能。

第二步：安装技能本体

在技能市场/技能管理面板中搜索技能名称「配对交易策略」或技能 ID 14255，点击安装并启用。若你的平台支持命令行安装，按平台文档提供的技能安装命令执行，具体命令以官方说明为准。

第三步：安装运行依赖

技能详情明确给出的依赖安装命令是：

pip install pandas numpy

这是唯一需要手动补齐的运行依赖，安装完成后即可进行比值与滚动统计计算。

第四步：验证是否生效

最简单的验证方式是跑一次默认配置：构造一个包含两个标的代码的 config.json（下文有可直接复制的示例），提交给技能执行。若返回的信号序列中 A 与 B 方向始终相反（A 为 0.5 时 B 为 -0.5，A 为 0 时 B 也为 0），说明技能已正常生效；若两者出现同向信号，说明配置或对齐环节有问题，需回到「常见坑」排查。

该技能的主要功能和特点

双标的价差建模：以 ratio = close_A / close_B 作为价差代理变量，避免了价差绝对值受价格量级影响的问题，同一套参数可以跨标的复用。
滚动统计 + Z-score 归一化：用 ratio.rolling(lookback).mean() 与 .std() 计算动态均值与波动，再算 z = (ratio - mean) / std。相比固定阈值，Z-score 会随市场波动自适应，牛熊环境下判断标准不漂移。
双向均值回归信号：Z < -entry_z 判定比值过低 → 做多 A、做空 B；Z > +entry_z 判定比值过高 → 做空 A、做多 B；|Z| < exit_z 判定已回归均值 → 平仓离场。开仓、持仓、平仓三段式逻辑完整。
强制多空对冲结构：A 与 B 的信号天然相反，从根本上杜绝“两边同向”这种伪配对交易，保证策略始终是市场中性敞口。
等权资金分配：A、B 各占 50% 资金，不做精细对冲比率（beta 中性）计算——这是刻意的简化，让策略更容易理解与复现，代价是对冲不完全对称（见下文注意事项）。
参数极简、易调优：只有三个可调参数，网格搜索成本低，不容易过拟合。
多市场数据源适配：配置中通过 source 字段切换数据源，示例覆盖 tushare（A 股）与 okx（加密货币），同一套信号逻辑跨资产类别通用。
明确的信号约定：A 腿 0.5 = 做多、-0.5 = 做空、0 = 空仓；B 腿方向与 A 相反。输出格式统一，方便直接接入回测或下单模块。

和普通工具比强在哪：用 pandas 手写这段逻辑并不难，难的是每次都记得处理日期对齐、前期 NaN、方向映射这些细节。这个技能把这些“默认正确”的部分固化下来，让你把注意力放在“选哪两个标的”这个真正决定收益的问题上。

如何使用该技能？

步骤 1：准备运行环境与依赖

pip install pandas numpy

确认 pandas、numpy 可正常导入。

步骤 2：选定一对高相关标的

配对交易的前提是两个标的存在稳定的经济联系：同行业公司（如保险板块的两只龙头）、上下游、同一指数的成分股，或者加密市场中的 BTC/ETH。技能详情中的示例即为同一行业的两只标的：601318.SH 与 601628.SH。

步骤 3：编写 `config.json`

A 股示例（可直接复用）：

{
  "source": "tushare",
  "codes": ["601318.SH", "601628.SH"],
  "start_date": "2023-01-01",
  "end_date": "2024-12-31",
  "initial_cash": 1000000,
  "commission": 0.001,
  "extra_fields": null
}

加密货币示例：

{
  "source": "okx",
  "codes": ["BTC-USDT", "ETH-USDT"],
  "start_date": "2024-01-01",
  "end_date": "2024-12-31",
  "initial_cash": 1000000,
  "commission": 0.001,
  "extra_fields": null
}

关键约束：codes 数组长度必须正好为 2。第一个是 A 腿（leg1），第二个是 B 腿（leg2），顺序会决定信号的符号方向，改顺序等于把多空方向整体对调。

步骤 4：提交策略执行

通过所在平台的策略运行入口提交该配置（具体命令或按钮入口以官方说明为准），技能会按 lookback 窗口滚动计算 Z-score 并输出信号序列。

步骤 5：读取并理解输出

以默认参数（lookback=60、entry_z=2.0、exit_z=0.5）为例，你会得到两条方向相反的信号序列：

场景	A 腿信号	B 腿信号	含义
比值过低（Z < -2.0）	0.5（做多）	-0.5（做空）	赌比值回升
比值过高（Z > +2.0）	-0.5（做空）	0.5（做多）	赌比值回落
已回归（\|Z\| < 0.5）	0（空仓）	0（空仓）	平掉双腿
窗口未填满	0	0	前期 Z 为 NaN，信号填 0

步骤 6：按需调参

lookback（默认 60）：调大 → 均值更稳定、信号更少更保守；调小 → 对近期偏离更敏感，但更容易被噪声触发。
entry_z（默认 2.0）：调大 → 只做极端偏离，交易次数下降、单次赔率上升；调小 → 交易频繁、成本上升。
exit_z（默认 0.5）：决定“回归到什么程度算回归”，调大 → 更早离场、持仓时间短；调小 → 更贴近均值、但可能错过反转。

步骤 7：务必检查的四个坑

codes 只能有 2 个标的，多一个少一个都不行；
两个标的的日期索引必须对齐（用 inner join），否则比值会算错；
lookback 窗口填满之前 Z-score 为 NaN，信号需按 0 处理；
绝不能给 A、B 生成同向信号——配对交易的本质就是多空对冲。

另外需要清醒认识一点：该技能采用等权分配，A、B 各 50% 资金，不做精确对冲比率计算。如果两个标的波动率差异很大（例如一个日波动 1%、一个日波动 5%），等权配置会带来残余的净敞口，这不是 bug，而是框架的明确取舍。

同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
配对交易策略Skill（ID 14255）	专注双标的价差均值回归的策略单元	比值建模、滚动 Z-score、双向对冲信号、三段式开平仓	低：安装技能 + `pip install pandas numpy`，配置 6 个字段即可跑	快速验证配对想法、教学演示、市场中性策略原型	优势：逻辑透明、参数少、天然多空对冲、跨股票/加密资产通用；不足：仅等权分配不做对冲比率优化、固定只支持两个标的
手工编写 pandas 脚本	自研实现	完全自定义	中：需自行实现对齐、滚动统计、NaN 处理、方向映射	有特殊需求（自定义对冲比率、多腿配对）的进阶用户	优势：自由度最高；不足：重复造轮子，细节坑（日期错位、NaN）容易出错且难以复用
通用回测框架（如 Backtrader 等）	通用策略回测引擎	事件驱动回测、多品种组合、绩效分析	中高：需学习框架 API 与数据接入方式，配对逻辑仍需自己写	完整策略研发流水线、多策略组合管理	优势：工程能力强、绩效指标完善；不足：学习曲线陡，配对交易的信号逻辑不在框架内置范围内
在线量化研究平台	云端研究 + 回测环境	内置数据源、在线 Notebook、可视化回测	低到中：注册即用，但受平台数据与算力约束	无本地环境、想快速拿数据做验证的用户	优势：免部署、数据现成；不足：策略逻辑仍需自己实现，跨平台迁移成本高

怎么选：如果你的目标是“半小时内验证‘这两个标的能不能配对交易’”，配对交易策略Skill 的路径最短；如果最终要做精细的 beta 中性对冲、多腿统计套利，则需要回到自研或通用框架。两者并不冲突——常用做法是先用技能跑通逻辑、确认价差确实存在均值回归特性，再投入工程资源做精细化实现。

该技能的典型应用场景与实际体验情况

场景一：量化初学者第一次接触统计套利

角色：刚学完 pandas、想动手做策略的开发者。痛点：教材上讲“价差回归”很清楚，但一动手就卡在滚动窗口、NaN、信号方向映射上，跑出来的结果自己都不敢信。 使用方式：直接套用示例配置，先跑 601318.SH / 601628.SH，观察 Z-score 曲线与信号序列的对应关系，再手动改 entry_z 看信号密度如何变化。 实际体验：上手难度低，配置即代码的思路省掉了大量脚手架；输出的信号约定（0.5 / -0.5 / 0）非常直观，能立刻建立“Z 值到仓位”的映射直觉。注意事项：一定要先确认两条价格序列的日期索引已对齐，否则比值会算出无意义的结果。

场景二：行业研究员验证“同板块两只股票是否可配对”

角色：覆盖某一行业的研究员或投资经理。痛点：凭经验觉得某两只票走势同步，但“同步到什么程度、偏离多少算异常”缺乏量化依据。 使用方式：选取同行业两只标的，跑一段两年区间的数据，重点看 Z-score 突破 ±2 的频率与随后回归的速度。 实际体验：这个技能最有价值的地方不是“给你一个能赚钱的策略”，而是给你一把尺子——用历史 Z-score 分布判断这对标的的价差是“真均值回归”还是“结构性漂移”。注意事项：若两只标的在样本期内发生基本面重大变化（并购、主营业务切换），历史相关性会失效，需要分段检验。

场景三：加密市场 BTC/ETH 比价对冲

角色：加密资产交易者。痛点：BTC 与 ETH 的强弱轮动频繁，单边持仓风险大，想用比价做相对价值交易。 使用方式：将 source 设为 okx，codes 填 ["BTC-USDT", "ETH-USDT"]，其余字段照抄示例，按加密市场 7×24 交易特性适当缩短 lookback。 实际体验：同一套逻辑无缝迁移到加密资产是这套框架的亮点，ratio = BTC/ETH 的经济含义清晰。注意事项：加密市场波动远大于股票，默认 entry_z = 2.0 可能触发过于频繁，且手续费与滑点对高频开平仓的侵蚀更明显（示例中 commission 设为 0.001，实际应按交易所真实费率调整）。

场景四：教学与策略评审演示

角色：讲师、策略评审人或团队负责人。痛点：需要向他人解释“什么叫市场中性”，纯文字描述抽象。 使用方式：现场跑一次配对策略，展示 A 腿与 B 腿信号永远一正一负，直观说明“无论大盘涨跌，我只赚价差回归的钱”。 实际体验：信号约定的强制反向设计让概念具象化，讲解成本大幅降低。注意事项：演示时要主动说明“等权分配 ≠ 完全对冲”，避免听众形成“无风险套利”的错误预期。

该技能能为用户带来的价值

1. 把策略搭建时间从「几天」压缩到「几十分钟」 传统路径下，从数据对齐到信号输出，即使熟练开发者也需要反复调试日期索引、滚动窗口、NaN 填充、方向映射这些琐碎环节。该技能把这些环节全部封装，你只需要写一个 6 字段的 JSON，剩下的交给框架，时间成本几乎全部转移到“选标的研究”这个真正产生价值的部分。

2. 用标准范式降低犯低级错误的概率 技能详情里列出的四个“常见坑”（标的数必须为 2、日期必须 inner join 对齐、前期 NaN 填 0、禁止同向信号），恰恰是手工实现时最容易踩的四个雷。把约束前置到框架层，相当于给每次实验都配了一个自动检查清单。

3. 让「市场中性」这个抽象概念变得可执行 A、B 各占 50% 资金、信号永远反向，这套强制结构让策略天然具备对冲属性。对于想摆脱“靠天吃饭”单边策略的投资者，这是一个低门槛的起点。

4. 跨资产类别的复用价值 同一套 Z-score 逻辑，source 换成 tushare 就是 A 股配对，换成 okx 就是加密比价交易。一次理解、多处复用，学习投入的边际收益很高。

5. 长期价值：作为策略研发的“第一道筛子” 在投入工程资源做精细对冲之前，先用这个框架快速筛掉那些“看起来相关、实际价差持续单边漂移”的伪配对标的组合。省下的不是写代码的时间，而是避免在错误标的上浪费的研发周期。

常见问题 FAQ

Q1：这个技能怎么安装？需要装什么依赖？

在技能市场搜索「配对交易策略」或技能 ID 14255 安装并启用（具体安装入口与命令以官方说明为准），然后执行 pip install pandas numpy 补齐运行依赖。验证方式：跑一次双标的配置，若 A、B 两腿信号始终方向相反，即为安装生效。

Q2：这个技能收费吗？

技能详情中未涉及任何定价信息，是否收费、是否有免费额度取决于你所在平台的技能市场规则，以官方说明为准。可以确定的是，运行依赖 pandas 与 numpy 均为开源免费的 Python 库。

Q3：为什么一定要正好两个标的？三个不行吗？

不行。该技能的信号逻辑建立在「A 与 B 的比值」之上，ratio = close_A / close_B 定义的是二元关系，codes 数组长度必须等于 2，第一个是 A 腿、第二个是 B 腿。三腿及以上的统计套利需要协整关系建模，超出本技能的框架范围。

Q4：为什么我的策略一直不交易？或者交易特别频繁？

大概率是参数与标的波动不匹配。一直不交易：entry_z = 2.0 对低波动标的可能过于苛刻，可适当调小，或检查 lookback 是否过大导致均值过于平滑。交易过于频繁：把 entry_z 调大、exit_z 调小，并确认 commission 按真实费率设置，避免忽略交易成本。另外请检查 codes 中的两个标的日期是否对齐，日期错位会导致比值异常从而产生大量无意义信号。

Q5：它和直接用回测框架自己写有什么区别？我该选哪个？

这个技能是专用策略单元，只做配对交易这一件事，但把这件事做对了：逻辑透明、参数少、约束明确，适合快速验证想法和教学演示。通用回测框架是通用引擎，工程能力和绩效分析更完善，但配对交易的信号逻辑需要你自己实现。实用建议：先用技能做第一道筛选，确认价差具有均值回归特性后，再决定是否投入资源做精细化自研。另外要记住，本技能采用等权 50/50 分配，不做精确对冲比率计算，若你需要 beta 中性对冲，需要在自研环节补上这一层。