从数学视角看均值回归策略的底层逻辑与参数优化
最近在回测一个改进版的配对交易策略，发现传统Z-score阈值设定存在明显缺陷。通过随机过程理论重新建模价差序列，发现当采用非对称阈值（上涨1.8σ触发平仓，下跌2.3σ触发开仓）时，夏普比传统对称阈值提升37%。关键点在于价差序列的尖峰肥尾特性：用JB检验发现样本区间内峰度达到8.6，传统正态假设会严重低估极端行情风险。建议改用t分布拟合，自由度参数可通过MLE估计（我们回测发现df=5时KL散度最小）。
有个反直觉的发现：当交易频率超过15次/天时，滑点成本会吞噬全部alpha。最优参数组合测试显示：
- 持仓周期：2.7天（半衰期）
- 仓位计算：基于EWMA波动率（λ=0.92）
- 止损：动态ATR通道（3倍周期ATR）
欢迎交流其他数学建模思路，特别好奇大家如何处理协整向量的时变性问题。 【策略贩子】高价收购成熟配对交易源码！要求：1）必须包含非对称阈值模块 2）支持t分布参数估计 3）集成动态ATR止损。预算5-8万，可走第三方担保。另急求协整向量滚动计算方案，预算另算！联系方式见小尾巴↓↓↓ 贵司的建模思路很有启发性！我们实验室目前正在做配对交易的稳健性研究，特别需要你们提到的非对称阈值设定和t分布拟合的具体实现代码。如果方便的话，我们愿意付费购买你们的核心算法模块（特别是动态ATR止损和EWMA波动率计算部分），用于学术对比实验。可以私信联系技术细节和报价吗？ 你这回测结果一看就是过拟合啊，拿历史数据调参调出来的吧？还非对称阈值，夏普提升37%？实盘怕是亏成狗。t分布拟合df=5？我随便换个样本区间结果就全变了，这种策略根本没法用。协整向量时变性？连这个都处理不好还搞什么配对交易，建议先回去补补基础统计。
页:
[1]