均值回归策略

均值回归策略假设价格会围绕其均值波动，当价格偏离均值过大时会向均值回归。

---

什么是均值回归？

金融资产的价格长期来看会围绕某个均值上下波动：

• 价格远低于均值 → 超卖 → 价格有上涨回归的动力
• 价格远高于均值 → 超买 → 价格有下跌回归的压力

均值回归策略就是在价格偏离均值时逆向交易，捕捉回归过程中的利润。

---

Z-Score 均值回归

最经典的量化方法：用 Z-Score 衡量价格的偏离程度。

import pandas as pd
import numpy as np

def zscore_mean_reversion(df, window=20, entry_threshold=2.0, exit_threshold=0.5):
    """
    Z-Score 均值回归策略
    
    当 Z-Score 低于 -2 → 超卖 → 买入
    当 Z-Score 高于 +2 → 超买 → 卖出
    
    参数:
        window: 计算均值和标准差的时间窗口
        entry_threshold: 入场阈值
        exit_threshold: 出场阈值
    """
    df = df.copy()
    
    # 计算均值和标准差
    df['ma'] = df['close'].rolling(window=window).mean()
    df['std'] = df['close'].rolling(window=window).std()
    
    # 计算 Z-Score（偏离度）
    df['zscore'] = (df['close'] - df['ma']) / df['std']
    
    # 生成信号
    df['position'] = 0  # 0=空仓, 1=多头, -1=空头
    
    # 入场信号
    df.loc[df['zscore'] < -entry_threshold, 'position'] = 1   # 超卖 → 买入
    df.loc[df['zscore'] > entry_threshold, 'position'] = -1   # 超买 → 卖空
    
    # 出场信号：Z-Score 回归到 exit_threshold 以内
    df.loc[(df['zscore'] > -exit_threshold) & (df['zscore'] < exit_threshold), 'position'] = 0
    
    return df

---

布林带策略

布林带是均值回归的经典可视化工具：

def bollinger_bands_strategy(df, window=20, num_std=2):
    """
    布林带策略
    
    布林带 = 中轨（MA）± 标准差倍数
    
    - 价格触及下轨 → 超卖 → 买入
    - 价格触及上轨 → 超买 → 卖出
    - 价格回到中轨 → 平仓
    """
    df = df.copy()
    
    # 计算布林带
    df['bb_middle'] = df['close'].rolling(window).mean()
    df['bb_std'] = df['close'].rolling(window).std()
    df['bb_upper'] = df['bb_middle'] + num_std * df['bb_std']
    df['bb_lower'] = df['bb_middle'] - num_std * df['bb_std']
    
    # 计算带宽
    df['bb_width'] = (df['bb_upper'] - df['bb_lower']) / df['bb_middle']
    
    # 生成信号
    df['signal'] = 0
    df.loc[df['close'] <= df['bb_lower'], 'signal'] = 1   # 触及下轨 → 买入
    df.loc[df['close'] >= df['bb_upper'], 'signal'] = -1  # 触及上轨 → 卖出
    
    return df

---

可视化布林带

import matplotlib.pyplot as plt

def plot_bollinger_bands(df, window=20):
    """可视化布林带策略"""
    df = bollinger_bands_strategy(df, window)
    
    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), 
                                     gridspec_kw={'height_ratios': [3, 1]})
    
    # 上图：价格和布林带
    ax1.plot(df.index, df['close'], label='收盘价', color='#333')
    ax1.plot(df.index, df['bb_middle'], label='中轨 (MA)', color='#faad14', linewidth=1)
    ax1.plot(df.index, df['bb_upper'], label='上轨', color='#f5222d', 
             linewidth=1, linestyle='--', alpha=0.7)
    ax1.plot(df.index, df['bb_lower'], label='下轨', color='#52c41a', 
             linewidth=1, linestyle='--', alpha=0.7)
    ax1.fill_between(df.index, df['bb_upper'], df['bb_lower'], alpha=0.1)
    
    # 标记交易信号
    buy = df[df['signal'] == 1]
    sell = df[df['signal'] == -1]
    ax1.scatter(buy.index, buy['close'], color='red', marker='^', 
                s=100, label='买入', zorder=5)
    ax1.scatter(sell.index, sell['close'], color='green', marker='v', 
                s=100, label='卖出', zorder=5)
    
    ax1.set_title(f'布林带策略 (MA{window}, ±2σ)')
    ax1.legend(loc='upper left')
    ax1.grid(True, alpha=0.3)
    
    # 下图：带宽（波动率）
    ax2.plot(df.index, df['bb_width'], color='#722ed1')
    ax2.set_ylabel('带宽')
    ax2.grid(True, alpha=0.3)
    
    plt.tight_layout()
    plt.show()

---

均值回归 vs 趋势跟踪

维度	均值回归	趋势跟踪（如双均线）
核心假设	价格会回归均值	趋势会持续
交易方向	逆向交易（跌买涨卖）	顺向交易（涨买跌卖）
适合市场	震荡市、整理行情	趋势市、单边行情
风险点	趋势市可能持续亏损	震荡市频繁假信号
持仓时间	较短（几天到几周）	较长（几周到几月）

两类策略各有适用场景，量化交易员通常会同时运行均值回归和趋势跟踪策略，形成策略组合。

---

下一步：回测与风险管理 →