pair-trade-screener

配对交易筛选器

概述

此技能通过配对交易识别并分析统计套利机会。配对交易是一种市场中性策略，无论整体市场走势如何，都能通过两种相关证券的相对价格变动获利。此技能采用严谨的统计方法，包括相关性分析和协整检验，以寻找稳健的交易对。

核心方法：

• 识别相关性高且行业或板块敞口相似的股票对
• 检验协整关系（长期统计关系）
• 计算价差 z 分数，以识别均值回归机会
• 根据统计阈值生成入场和离场信号
• 提供市场中性敞口的仓位规模建议

主要优势：

• 市场中性：在上涨、下跌或横盘市场中均可获利
• 风险管理：降低对整体市场波动的敞口
• 统计依据：基于数据，而非主观判断
• 分散投资：与传统只做多策略不相关

何时使用此技能

在以下情况下使用此技能：

• 用户询问“配对交易机会”
• 用户希望了解“市场中性策略”
• 用户请求“统计套利筛选”
• 用户询问“哪些股票走势同步？”
• 用户希望对冲板块敞口
• 用户请求均值回归交易思路
• 用户询问相对价值交易

用户请求示例：

• “寻找科技板块的配对交易机会”
• “哪些股票存在协整关系？”
• “筛选统计套利机会”
• “寻找均值回归交易对”
• “目前有哪些不错的市场中性交易？”

分析工作流

步骤 1：确定交易对范围

目标： 确定用于分析配对关系的股票范围。

选项 A：按板块筛选（推荐）

选择要筛选的特定板块：

• 科技
• 金融
• 医疗保健
• 非必需消费品
• 工业
• 能源
• 原材料
• 必需消费品
• 公用事业
• 房地产
• 通信服务

选项 B：自定义股票列表

用户提供要分析的特定代码：

Example: ["AAPL", "MSFT", "GOOGL", "META", "NVDA"]

选项 C：按行业筛选

将范围缩小到板块内的特定行业：

• 示例：科技板块中的“软件”
• 示例：金融板块中的“区域性银行”

筛选标准：

• 最低市值：20 亿美元（中盘股及以上）
• 最低平均成交量：每日 100 万股（流动性要求）
• 交易活跃：不包含已退市或不活跃的股票
• 优先选择同一交易所：避免跨交易所带来的复杂情况

步骤 2：获取历史价格数据

目标： 获取价格历史数据，用于相关性和协整分析。

数据要求：

• 时间范围：2 年（至少 252 个交易日）
• 频率：每日收盘价
• 复权：针对拆股和股息进行调整
• 数据完整：无间断或缺失值

FMP API 端点：

GET /v3/historical-price-full/{symbol}?apikey=YOUR_API_KEY

数据验证：

• 验证所有代码的日期范围一致
• 删除缺失数据超过 10% 的股票
• 使用向前填充法填补少量缺失数据
• 记录数据质量问题

脚本执行：

python scripts/fetch_price_data.py --sector Technology --lookback 730

第 3 步：计算相关性和 Beta

目标： 找出线性关系强劲的候选组合。

相关性分析：

对于股票池中的每对股票（i，j）：

1. 计算 Pearson 相关系数（ρ）
2. 计算滚动相关性（90 天窗口），检查稳定性
3. 筛选 ρ >= 0.70 的组合（强正相关）

相关性解读：

• ρ >= 0.90：相关性极强（最佳候选）
• ρ 0.70-0.90：相关性强（优质候选）
• ρ 0.50-0.70：相关性中等（勉强符合）
• ρ < 0.50：相关性弱（排除）

Beta 计算：

对于每个候选组合（股票 A，股票 B）：

Beta = Covariance(A, B) / Variance(B)

Beta 表示对冲比率：

• Beta = 1.0：金额相等
• Beta = 1.5：每持有 1.00 美元的 A，持有 1.50 美元的 B
• Beta = 0.8：每持有 1.00 美元的 A，持有 0.80 美元的 B

相关性稳定性检查：

• 计算多个周期（6mo、1yr、2yr）的相关性
• 要求相关性保持稳定（未恶化）
• 标记近期相关性比历史相关性低超过 0.15 的组合

第 4 步：协整检验

目标： 通过统计方法验证长期均衡关系。

协整的重要性：

• 相关性衡量短期共同变动
• 协整证明存在长期均衡关系
• 协整组合具有可预测的均值回归特征
• 非协整组合可能永久背离

增广 Dickey-Fuller（ADF）检验：

对于每个相关的组合：

1. 计算价差：Spread = Price_A - (Beta × Price_B)
2. 对价差序列运行 ADF 检验
3. 检查 p 值：p < 0.05 表示协整（拒绝存在单位根的原假设）
4. 提取 ADF 统计量，用于强度排名

协整解读：

• p 值 < 0.01：协整极强（★★★）
• p 值 0.01-0.05：协整中等（★★）
• p 值 > 0.05：不存在协整（排除）

半衰期计算：

估算均值回归速度：

Half-Life = -log(2) / log(mean_reversion_coefficient)

• 半衰期 < 30 天：均值回归快（适合短期交易）
• 半衰期 30-60 天：速度中等（常见）
• 半衰期 > 60 天：均值回归慢（持仓周期较长）

Python 实现：

from statsmodels.tsa.stattools import adfuller

# Calculate spread
spread = price_a - (beta * price_b)

# ADF test
result = adfuller(spread)
adf_stat = result[0]
p_value = result[1]

# Interpret
is_cointegrated = p_value < 0.05

第 5 步：价差分析和 Z 分数计算

目标： 量化当前价差偏离均衡的程度。

价差计算：

常见方法有两种：

方法 1：价格差（加法）

Spread = Price_A - (Beta × Price_B)

适用场景：价格水平相近的股票

方法 2：价格比（乘法）

Spread = Price_A / Price_B

适用场景：价格水平不同的股票，更易解读

Z 分数计算：

衡量价差偏离均值多少个标准差：

Z-Score = (Current_Spread - Mean_Spread) / Std_Dev_Spread

Z 分数解读：

• Z > +2.0：相对于 B，股票 A 价格偏高（做空 A，做多 B）
• Z > +1.5：价格中度偏高（关注入场机会）
• Z -1.5 到 +1.5：正常范围（不交易）
• Z < -1.5：价格中度偏低（关注入场机会）
• Z < -2.0：相对于 B，股票 A 价格偏低（做多 A，做空 B）

历史价差分析：

• 使用 90 天滚动窗口计算均值和标准差
• 绘制历史 Z 分数分布
• 找出历史 Z 分数偏离的最大值
• 检查是否存在结构性断点（价差状态发生变化）

第 6 步：生成入场/离场建议

目标： 提供明确规则和可执行的交易信号。

入场条件：

保守策略（Z ≥ ±2.0）：

LONG Signal:
- Z-score < -2.0 (spread 2+ std devs below mean)
- Spread is mean-reverting (cointegration p < 0.05)
- Half-life < 60 days
→ Action: Buy Stock A, Short Stock B (hedge ratio = beta)

SHORT Signal:
- Z-score > +2.0 (spread 2+ std devs above mean)
- Spread is mean-reverting (cointegration p < 0.05)
- Half-life < 60 days
→ Action: Short Stock A, Buy Stock B (hedge ratio = beta)

激进策略（Z ≥ ±1.5）：

• 降低阈值，增加交易频率
• 胜率更高，但每笔交易的平均利润更低
• 需要更严格的风险管理

离场条件：

主要离场条件：均值回归（Z = 0）

Exit when spread returns to mean (z-score crosses 0)
→ Close both legs simultaneously

次要离场条件：部分止盈

Exit 50% when z-score reaches ±1.0
Exit remaining 50% at z-score = 0

止损：

Exit if z-score extends beyond ±3.0 (extreme divergence)
Risk: Possible structural break in relationship

基于时间的离场：

Exit after 90 days if no mean-reversion
Prevents holding broken pairs indefinitely

第 7 步：仓位规模与风险管理

**目标：**确定市场中性敞口的金额。

市场中性仓位规模：

对于一组股票（股票 A、股票 B），β 为其 beta：

等额敞口：

If portfolio size = $10,000 allocated to this pair:
- Long $5,000 of Stock A
- Short $5,000 × β of Stock B

Example (β = 1.2):
- Long $5,000 Stock A
- Short $6,000 Stock B
→ Market neutral, beta = 0

仓位规模注意事项：

• 每组股票的总配置：占投资组合的 10-20%
• 最大组数：为实现分散化，活跃组数为 5-8 组
• 各组之间的相关性：避免高度相关的组

风险指标：

• 每组股票的最大亏损：占投资组合总额的 2-3%
• 止损触发条件：Z-score > ±3.0，或价差亏损 5%
• 投资组合层面的风险：所有组的风险总和 ≤ 10%

第 8 步：生成配对分析报告

**目标：**创建包含分析结果和建议的结构化 Markdown 报告。

报告章节：

1. 执行摘要

   • 分析的股票组总数
   • 发现的协整股票组数量
   • 按统计强度排名的前 5 个机会

2. 协整股票组表格

   • 股票组名称（股票 A / 股票 B）
   • 相关系数
   • 协整 p 值
   • 当前 z-score
   • 交易信号（做多/做空/无）
   • 半衰期

3. 详细分析（前 10 组）

   • 股票组描述
   • 统计指标
   • 当前价差仓位
   • 入场/退出建议
   • 仓位规模
   • 风险评估

4. 价差图表（基于文本）

   • 历史 z-score 图（ASCII 艺术图）
   • 标注入场/退出水平
   • 当前仓位指示器

5. 风险警告

   • 相关性恶化的股票组
   • 检测到的结构性断点
   • 流动性不足警告

文件命名约定：

pair_trade_analysis_[SECTOR]_[YYYY-MM-DD].md

示例：pair_trade_analysis_Technology_2025-11-08.md

质量标准

统计严谨性

有效股票组的最低要求：

• ✓ 2 年期间的相关性 ≥ 0.70
• ✓ 协整 p 值 < 0.05（ADF 检验）
• ✓ 确认价差平稳性
• ✓ 半衰期 < 90 天
• ✓ 近期 6 个月内无结构性断点

危险信号（排除该组）：

• 近期 6 个月的相关性下降 >0.20
• 协整 p 值 > 0.05
• 半衰期随时间延长（均值回归减弱）
• 重大公司事件（合并、分拆、破产风险）
• 流动性问题（日均成交量 < 500K 股）

实际注意事项

交易成本：

• 假设每条腿的往返交易成本为 0.1%
• 每组总成本 = 0.4%（入场 + 退出，双腿）
• 最低 z-score 阈值应高于交易成本

卖空：

• 确认股票可卖空（非难以借入）
• 将卖空利息成本（借券费用）纳入考量
• 监控逼空风险

执行：

• 同时进入/退出双腿（避免单腿风险）
• 使用限价单控制滑点
• 入场前预先落实借券

可用脚本

scripts/find_pairs.py

**用途：**在某个行业或自定义列表中筛选协整股票组。

用法：

# Sector-based screening
python scripts/find_pairs.py --sector Technology --min-correlation 0.70

# Custom stock list
python scripts/find_pairs.py --symbols AAPL,MSFT,GOOGL,META --min-correlation 0.75

# Full options
python scripts/find_pairs.py \
  --sector Financials \
  --min-correlation 0.70 \
  --min-market-cap 2000000000 \
  --lookback-days 730 \
  --output pairs_analysis.json

参数：

• --sector：行业名称（Technology、Financials 等）
• --symbols：以逗号分隔的股票代码列表（可替代行业）
• --min-correlation：最低相关性阈值（默认：0.70）
• --min-market-cap：最低市值筛选条件（默认：$2B）
• --lookback-days：历史数据周期（默认：730 天）
• --output：输出 JSON 文件（默认：stdout）
• --api-key：FMP API 密钥（或设置 FMP_API_KEY 环境变量）

输出：

[
  {
    "pair": "AAPL/MSFT",
    "stock_a": "AAPL",
    "stock_b": "MSFT",
    "correlation": 0.87,
    "beta": 1.15,
    "cointegration_pvalue": 0.012,
    "adf_statistic": -3.45,
    "half_life_days": 42,
    "current_zscore": -2.3,
    "signal": "LONG",
    "strength": "Strong"
  }
]

scripts/analyze_spread.py

**用途：**分析指定股票组的价差行为并生成交易信号。

用法：

# Analyze specific pair
python scripts/analyze_spread.py --stock-a AAPL --stock-b MSFT

# Custom lookback period
python scripts/analyze_spread.py \
  --stock-a JPM \
  --stock-b BAC \
  --lookback-days 365 \
  --entry-zscore 2.0 \
  --exit-zscore 0.5

参数：

• --stock-a：第一只股票的代码
• --stock-b：第二只股票的代码
• --lookback-days：分析周期（默认：365）
• --entry-zscore：入场的 Z-score 阈值（默认：2.0）
• --exit-zscore：退出的 Z-score 阈值（默认：0.0）
• --api-key：FMP API 密钥

输出：

• 当前价差分析
• Z-score 计算结果
• 入场/退出建议
• 仓位规模
• 历史 z-score 图表（文本）

参考文档

references/methodology.md

统计套利与配对交易综合指南：

• 配对筛选标准：如何识别优质的配对候选对象
• 统计检验：相关性、协整、平稳性
• 价差构建：价格差值与价格比率方法
• 均值回归：半衰期的计算与解读
• 风险管理：头寸规模、止损、分散投资
• 常见陷阱：幸存者偏差、前视偏差、过度拟合

references/cointegration_guide.md

协整检验深入指南：

• 什么是协整？：直观解释
• ADF 检验：分步流程
• P 值解读：统计显著性阈值
• 半衰期估算：AR(1) 模型方法
• 结构突变：检验市场状态变化
• 实际示例：真实配对案例研究

与其他技能集成

Sector Analyst 集成：

• 使用 Sector Analyst 识别正在轮动的行业
• 在表现优异的行业中筛选配对
• 领先行业中的配对可能呈现更强趋势

Technical Analyst 集成：

• 使用个股技术指标确认配对的入场／出场时机
• 入场前检查支撑位／阻力位
• 确认趋势方向与价差信号一致

Backtest Expert 集成：

• 将配对候选对象交给 Backtest Expert 进行验证
• 测试历史 Z 分数入场／出场规则
• 优化阈值参数（入场 Z 分数、止损）
• 使用滚动前推分析检验稳健性

Market Environment Analysis 集成：

• 极端波动期间（VIX > 30）避免配对交易
• 危机期间相关性会减弱
• 优先在横盘／区间震荡市场中进行配对交易

Portfolio Manager 集成：

• 跟踪多个配对头寸
• 监控整体市场中性敞口
• 计算投资组合层面的配对交易盈亏
• 定期重新平衡对冲比率

重要说明

• 所有分析和输出均使用英语
• 统计基础：不进行主观解读
• 聚焦市场中性：尽量降低方向性贝塔敞口
• 数据质量至关重要：输入垃圾，输出也会是垃圾
• 需要 FMP API 密钥：免费套餐足以支持基础筛选
• Python 依赖项：pandas、numpy、scipy、statsmodels

常见用例

用例 1：科技行业配对

User: "Find pair trading opportunities in tech stocks"

Workflow:
1. Screen Technology sector for stocks with market cap > $10B
2. Calculate all pairwise correlations
3. Filter pairs with correlation ≥ 0.75
4. Run cointegration tests
5. Identify current z-score extremes (|z| > 2.0)
6. Generate top 10 pairs report

用例 2：特定配对分析

User: "Analyze AAPL and MSFT as a pair trade"

Workflow:
1. Fetch 2-year price history for AAPL and MSFT
2. Calculate correlation and beta
3. Test for cointegration
4. Calculate current spread and z-score
5. Generate entry/exit recommendation
6. Provide position sizing guidance

用例 3：地区性银行配对

User: "Screen for pairs among regional banks"

Workflow:
1. Filter Financials sector for industry = "Regional Banks"
2. Exclude banks with <$5B market cap
3. Calculate pairwise statistics
4. Rank by cointegration strength
5. Focus on pairs with half-life < 45 days
6. Report top 5 mean-reverting pairs

故障排除

问题：未找到协整配对

解决方案：

• 扩大筛选范围（降低市值门槛）
• 将协整 P 值放宽至 0.10
• 尝试其他行业（公用事业通常容易出现协整）
• 将回溯期延长至 3 年

问题：所有 Z 分数都接近零（没有交易信号）

解决方案：

• 市场状况正常（配对处于均衡状态）
• 稍后再检查或扩大筛选范围
• 将入场阈值从 ±2.0 降至 ±1.5

问题：配对相关性减弱

解决方案：

• 检查是否发生公司事件（财报、指引变更）
• 确认没有并购活动或重组
• 确认发生结构突变后，将配对从观察列表中移除
• 重新入场前监控 30 天

API 要求

• 必需：FMP API 密钥（免费套餐足够）
• 速率限制：免费套餐每天约 250 次请求
• 数据用量：获取 2 年历史数据时，每个代码约需 2 次请求
• 升级：建议频繁筛选的用户使用专业版套餐（$29／月）

资源

• FMP 历史价格 API：https://site.financialmodelingprep.com/developer/docs/historical-price-full
• 股票筛选器 API：https://site.financialmodelingprep.com/developer/docs/stock-screener-api
• Statsmodels 文档：https://www.statsmodels.org/stable/index.html
• 协整论文：Engle & Granger（1987）—“Co-Integration and Error Correction”

---

版本：1.0 最后更新：2025-11-08 依赖项：Python 3.8+、pandas、numpy、scipy、statsmodels、requests