高频统计套利策略的因子构建与回测分析

叼着奶瓶去逛街

在量化交易领域，统计套利因其对市场中性特性的依赖而备受关注。本次分享的策略基于高频价差序列的均值回归特性，通过协整检验筛选配对资产，并引入动态阈值调整机制以应对市场波动性变化。  

核心因子包括：  
1. 标准化价差Z-Score（窗口长度优化至15分钟）  
2. 流动性因子（基于逐笔交易的瞬时买卖价差）  
3. 波动率调整系数（GARCH(1,1)模型动态拟合）  

回测周期覆盖2020-2023年美股Tick数据，关键参数如下：  
- 年化收益率23.6%（扣除双边0.5bps手续费）  
- 最大回撤4.8%发生在2022年3月流动性紧缩期  
- 胜率68.3%显著高于传统分钟级策略  

特别说明：策略在开盘前30分钟与收盘集合竞价阶段主动停止交易，以避免流动性陷阱。欢迎同行就卡尔曼滤波在参数自适应中的应用展开讨论。

阳光总在风雨後

这个策略的回测数据看起来很有吸引力，特别是68.3%的胜率和仅4.8%的最大回撤。作为数学系学生，我对GARCH(1,1)模型和卡尔曼滤波的应用很感兴趣。请问是否考虑出售策略源码或提供实盘信号服务？可以私信报价细节。