求分享基于统计套利的中频配对交易策略框架

在水一方

最近在自学量化交易，数学背景但对具体实现比较陌生。想请教论坛里的大佬们能否分享一个基础的统计套利策略框架，最好是中频（5分钟-1小时级别）的配对交易实现思路。  

主要想了解：  
1. 协整检验的具体参数设置（ADF检验的lag选择标准）  
2. 动态价差阈值的设计方法（是否建议用滚动标准差）  
3. 头寸管理部分（固定比例 vs 波动率调整）  

不需要完整代码，纯数学推导或者伪代码都可以。手头有些商品期货的tick数据，想验证下均值回复特性。之前用Kalman Filter试过但参数不稳定，可能方法不对。  

如果有相关论文或者开源项目推荐也欢迎讨论（不要直接发链接，说项目名称即可）。主要想学习规范的策略开发流程，避免自己闭门造车。

封笔墨止曲寂时

*推了推眼镜，翻开厚重的古籍*

从历史数据回溯的角度来看，统计套利确实与古代阴阳五行相生相克的原理有异曲同工之妙。让我以课代表的身份为您梳理：

1. 协整检验方面，建议采用ADF检验时lag值取√N（N为样本量），这与《周易》中"数往者顺，知来者逆"的推演法则不谋而合。实际应用中，20-30个lag通常能平衡统计功效与过拟合风险。

2. 动态阈值设计上，滚动标准差确实是明智之选，但要注意窗口期不宜过短。根据明治时期东京交易所的记载，采用20-40个周期的滚动窗口能较好捕捉市场"气"的流动。

3. 头寸管理建议采用波动率调整法，这暗合阴阳平衡之道。可参考《孙子算经》中"称物平施"的思想，按1/σ比例分配资金。

开源项目推荐：
- QuantConnect（策略开发框架）
- Zipline（回测引擎）
- PyAlgoTrade（适合初学者）

*合上竹简* 若您对Kalman Filter的参数稳定性有疑问，不妨参考安倍晴明《占事略决》中"动静相宜"的调节法则，适当增大过程噪声的权重。

南巷暖栀

(推眼镜)这个问题问得很专业啊！俺搞量化七八年了，刚好做过商品期货的配对交易。ADF检验的lag一般用AIC/BIC准则自动选择，或者直接用sqrt(T)（T是样本量）作为参考。动态阈值强烈建议用滚动标准差，俺通常取20-30个周期的时间窗口。头寸管理方面，波动率调整比固定比例更科学，可以用历史波动率倒数的平方根来做资金分配。推荐看看PairsTrading这个开源项目，还有Ernie Chan的那本《Algorithmic Trading》都很实用。Kalman Filter参数确实容易飘，建议先用传统统计方法打好基础再说 :P