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，无论整体市场走向如何，都能从两种相关证券的相对价格变动中获利。此技能采用严谨的统计方法，包括相关性分析和协整检验，寻找稳健的交易配对。

核心方法：

• 识别相关性高且行业或板块敞口相似的股票配对
• 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头寸规模

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：降低对广泛市场波动的敞口
• 统计依据：以数据为基础，而非凭主观判断
• 多元化：与传统仅做多策略的相关性低

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”
• 用户想要“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？”
• 用户想对冲行业敞口
• 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”
• “寻找均值回归配对”
• “目前有哪些不错的市场中性交易？”

前提条件

• Python 3.9 或更高版本
• 可访问公司筛选器和历史价格端点的 FMP API 密钥
• 用于 ADF 和自回归计算的 statsmodels>=0.14,<0.15

设置 API 密钥时，不要将其放在命令行中或提交到文件中：

export FMP_API_KEY="<fmp-api-key>"

从仓库根目录运行脚本，并将统计依赖项限定在该命令中：

uv run --with 'statsmodels>=0.14,<0.15' python \
  skills/pair-trade-screener/scripts/find_pairs.py \
  --symbols AAPL,MSFT \
  --output /tmp/pair-trade/pairs.json

分析工作流

第 1 步：定义配对范围

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股票代码：

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

选项 C：按行业筛选

将范围缩小至某个板块内的特定行业：

• 示例：科技板块中的“软件”
• 示例：金融板块中的“区域性银行”

筛选条件：

• 最低市值：$2B（中盘股及以上）
• 最低平均成交量：每天 1M 股（流动性要求）
• 正常交易：不包含已退市或已停止交易的股票
• 优先选择同一交易所：避免跨交易所带来的复杂情况

第 2 步：获取历史价格数据

目标： 获取用于相关性和协整分析的历史价格数据。

数据要求：

• 时间范围：2 年（至少 252 个交易日）
• 频率：每日收盘价
• 调整：根据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：

• 确认所有代码的日期范围一致
• 移除缺失数据超过 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：

uv run --with 'statsmodels>=0.14,<0.15' python \
  skills/pair-trade-screener/scripts/find_pairs.py \
  --sector Technology \
  --lookback-days 730 \
  --output /tmp/pair-trade/technology.json

第 3 步：计算相关性和 Beta

目标： 找出具有较强线性关系的候选配对。

相关性分析：

对于股票池中的每一对股票（i，j）：

1. 计算 Pearson 相关系数（ρ）
2. 计算滚动相关性（90 天窗口），用于稳定性检查
3. 筛选 ρ >= 0.70 的配对（强正相关）

相关性解读：

• ρ >= 0.90：极强相关（最佳候选）
• ρ 0.70-0.90：强相关（良好候选）
• ρ 0.50-0.70：中等相关（勉强符合）
• ρ < 0.50：弱相关（排除）

Beta 计算：

对于每一组候选配对（股票 A，股票 B）：

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

Beta 表示对冲比率：

• Beta = 1.0：金额相同
• Beta = 1.5：每投入 $1.00 的 A，投入 $1.50 的 B
• Beta = 0.8：每投入 $1.00 的 A，投入 $0.80 的 B

相关性稳定性检查：

• 在多个时间段（6 个月、1 年、2 年）计算相关性
• 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逾 0.15 的配对

第 4 步：协整检验

目标： 从统计学角度验证长期均衡关系。

协整的重要性：

• 相关性衡量短期共同波动
• 协整证明存在长期均衡关系
• 协整配对具有可预测的均值回归特性
• 非协整配对可能永久偏离

增广 Dickey-Fuller（ADF）检验：

对于每一组相关配对：

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 表示存在协整（拒绝单位根的原假设）
4. 提取 ADF 统计量，用于强度排名

协整解读：

• p 值 < 0.01：极强协整（★★★）
• p 值 0.01-0.05：中等协整（★★）
• p 值 > 0.05：无协整（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（标准）
• 半衰期 > 60 天：均值回归慢（持有期较长）

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值的程度。

价差计算：

常见的两种方法：

方法 1：价格差（加法）

Spread = Price_A - (Beta × Price_B)

最适用于：价格水平相近的股票

方法 2：价格比（乘法）

Spread = Price_A / Price_B

最适用于：价格水平不同的股票，解读更简单

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（留意入场时机）
• Z -1.5 到 +1.5：正常范围（不交易）
• Z < -1.5：价格中度偏低（留意入场时机）
• 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：

• 在 90 天滚动窗口内计算均值和标准差
• 绘制历史 Z 分数分布
• 找出历史 Z 分数偏离的最大值
• 检查结构性突变（价差状态变化）

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，以增加交易频率
• 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：部分获利了结

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

步骤 7：头寸规模与风险管理

目标： 确定市场中性敞口的美元金额。

市场中性头寸规模：

对于一对股票（股票 A、股票 B），其 β 系数为 β：

等额美元敞口：

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

头寸规模注意事项：

• 每对股票的总配置比例：占投资组合的 10%–20%
• 最大配对数：为实现分散化，保持 5–8 对活跃配对
• 配对间相关性：避免高度相关的配对

风险指标：

• 每对股票的最大亏损：占投资组合总额的 2%–3%
• 止损触发条件：Z 分数 > ±3.0，或价差亏损 5%
• 投资组合层面的风险：所有配对的风险总和 ≤ 10%

步骤 8：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

   • 分析的配对总数
   • 发现的协整配对数
   • 按统计强度排序的前 5 个机会

2. 协整配对表

   • 配对名称（股票 A / 股票 B）
   • 相关系数
   • 协整 p 值
   • 当前 Z 分数
   • 交易信号（做多/做空/无）
   • 半衰期

3. 详细分析（前 10 对配对）

   • 配对说明
   • 统计指标
   • 当前价差位置
   • 入场/离场建议
   • 头寸规模
   • 风险评估

4. 价差图表（文本形式）

   • 历史 Z 分数图（ASCII 艺术图）
   • 标出入场/离场水平
   • 当前头寸指示器

5. 风险警告

   • 相关性正在减弱的配对
   • 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

输出

find_pairs.py 会创建请求的父目录，并写入一个包含 metadata 和 pairs 键的 JSON 对象。每个配对都包含相关系数、对冲比率、ADF 结果、半衰期、当前 Z 分数、信号和生成时间戳。进度和排序后的摘要会写入 stdout。发生文件系统错误时，会输出简洁的 stderr 错误消息并以非零状态退出。

analyze_spread.py 会将单个配对的统计报告写入 stdout，不会创建文件。两条命令都会在发起 API 请求前拒绝无效或非有限的阈值、不足的回溯窗口以及重复的股票代码。缺少 statsmodels 时，会在 stderr 中输出安装命令，不会显示回溯信息。

质量标准

统计严谨性

有效配对的最低要求：

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

警示信号（排除该配对）：

• 近 6 个月内相关性下降 > 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 < 50 万股）

实际注意事项

交易成本：

• 假设每条交易腿的往返成本为 0.1%
• 每对股票的总成本 = 0.4%（入场 + 离场，双腿）
• 最低 Z 分数阈值应高于交易成本

卖空：

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

执行：

• 同时进入/退出两条交易腿（避免单腿风险）
• 使用限价单控制滑点
• 入场前预先安排借券

可用脚本

scripts/find_pairs.py

用途： 筛选某个行业或自定义列表中的协整配对。

用法：

# Sector-based screening
uv run --with 'statsmodels>=0.14,<0.15' python \
  skills/pair-trade-screener/scripts/find_pairs.py \
  --sector Technology \
  --min-correlation 0.70 \
  --output /tmp/pair-trade/technology.json

# Custom stock list
uv run --with 'statsmodels>=0.14,<0.15' python \
  skills/pair-trade-screener/scripts/find_pairs.py \
  --symbols AAPL,MSFT,GOOGL,META \
  --min-correlation 0.75 \
  --output /tmp/pair-trade/custom.json

# Full options
uv run --with 'statsmodels>=0.14,<0.15' python \
  skills/pair-trade-screener/scripts/find_pairs.py \
  --sector Financials \
  --min-correlation 0.70 \
  --min-market-cap 2000000000 \
  --lookback-days 730 \
  --output /tmp/pair-trade/financials.json

参数：

• --sector：行业名称（Technology、Financials 等）
• --symbols：以逗号分隔的股票代码列表（用于替代行业）
• --min-correlation：最低相关性阈值（默认值：0.70）
• --min-market-cap：最低市值筛选条件（默认值：$2B）
• --lookback-days：历史数据周期（默认值：730 天）
• --output：输出 JSON 文件（默认值：pair_analysis.json）
• --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： 分析特定配对的价差表现并生成交易信号。

用法：

# Analyze specific pair
uv run --with 'statsmodels>=0.14,<0.15' python \
  skills/pair-trade-screener/scripts/analyze_spread.py \
  --stock-a AAPL \
  --stock-b MSFT

# Custom lookback period
uv run --with 'statsmodels>=0.14,<0.15' python \
  skills/pair-trade-screener/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（默认值：365）
• --entry-zscore：入场 Z-score 阈值（默认值：2.0）
• --exit-zscore：离场 Z-score 阈值（默认值：0.0）
• --api-key：FMP API 密钥

输出：

• 当前价差分析
• Z-score 计算
• 入场／离场建议
• 仓位规模
• 历史 Z-score 图表（文本）

参考文档

references/methodology.md

统计套利和配对交易综合指南：

• 配对筛选标准：如何识别优质配对候选
• 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：半衰期计算与解读
• 风险管理：仓位规模、止损、多元化
• 常见陷阱：幸存者偏差、前视偏差、过拟合

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
• 半衰期估计：AR(1) 模型方法
• 结构突变：检验状态变化
• 实际示例：真实配对案例研究

与其他技能集成

行业分析师集成：

• 使用 Sector Analyst 识别轮动中的行业
• 筛选表现优异行业中的配对
• 领先行业中的配对可能具有更强趋势

技术分析师集成：

• 结合个股技术指标确认配对入场／离场
• 入场前检查支撑位／阻力位
• 验证趋势方向是否与价差信号一致

回测专家集成：

• 将配对候选交给 Backtest Expert 验证
• 测试历史 Z-score 入场／离场规则
• 优化阈值参数（入场 Z-score、止损）
• 通过滚动前推分析检验稳健性

市场环境分析集成：

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

投资组合经理集成：

• 跟踪多个配对仓位
• 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
• 专注市场中性： 尽量减少方向性 Beta 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： 免费套餐足以进行基础筛选
• Python 依赖项： pandas、numpy、scipy、requests 和 statsmodels>=0.14,<0.15

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：

• 扩大股票范围（降低市值门槛）
• 将协整检验 p 值放宽至 0.10
• 尝试不同的行业（公用事业行业通常容易形成协整关系）
• 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）
• 稍后再查看，或扩大股票范围
• 将入场阈值从 ±2.0 降至 ±1.5

问题：配对相关性失效

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
• 如果确认发生结构性变化，则将配对从关注列表中移除
• 重新入场前监控 30 天

API 要求

• 必需：FMP API 密钥（免费套餐即可满足需求）
• 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，每个股票代码约需 2 次请求
• 升级：建议频繁筛选时使用 Professional 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）-“协整与误差修正”

---

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