Python量化：基于vectorbt的配对交易策略实现与优化

1. 配对交易策略概述

配对交易（Pairs Trading）是一种经典的市场中性策略，起源于1980年代摩根士丹利的量化团队。其核心逻辑是寻找两只历史价格走势高度相关的资产，当它们的价差偏离历史均值时，建立多头和空头头寸，等待价差回归后平仓获利。这种策略属于统计套利（Statistical Arbitrage）的范畴，在股票、期货、加密货币等市场都有广泛应用。

vectorbt作为Python生态中新兴的量化分析库，相比传统的backtrader、zipline等工具，最大的优势在于其向量化回测引擎。通过充分利用NumPy的向量化运算和并行计算能力，vectorbt能够以惊人的速度处理大规模历史数据。我在实际使用中发现，对于包含数百组配对组合的回测，vectorbt的处理速度可以达到传统迭代式回测框架的10倍以上。

2. 配对交易的核心原理

2.1 均值回归理论

配对交易的理论基础是均值回归（Mean Reversion）假设。该假设认为，资产价格虽然短期内可能偏离其长期均衡关系，但最终会回归到历史平均水平。在统计上，我们通常用价差序列（Spread）的平稳性来检验这一假设：

python复制# 使用ADF检验价差平稳性
from statsmodels.tsa.stattools import adfuller

def check_stationarity(spread):
    result = adfuller(spread)
    print(f'ADF Statistic: {result[0]}')
    print(f'p-value: {result[1]}')
    return result[1] < 0.05

注意：p值小于0.05才能认为序列是平稳的，这是配对交易可行的前提条件

2.2 协整关系检验

单纯的相关系数并不能保证两只资产的价差是平稳的。我们需要使用计量经济学中的协整（Cointegration）检验来确认这种长期均衡关系。最常用的是Engle-Granger两步法：

1. 对两只资产的价格序列进行线性回归：price_A = β * price_B + ε
2. 检验残差序列ε的平稳性（使用ADF检验）

python复制import statsmodels.api as sm

def engle_granger_test(price_a, price_b):
    # 第一步：回归分析
    price_b = sm.add_constant(price_b)
    model = sm.OLS(price_a, price_b).fit()
    spread = model.resid
    
    # 第二步：ADF检验
    return check_stationarity(spread)

3. vectorbt实现配对交易

3.1 数据准备与预处理

首先我们需要获取两只相关资产的历史数据。这里以BTC/USD和ETH/USD为例：

python复制import vectorbt as vbt

# 从Binance获取数据
btc_price = vbt.YFData.download('BTC-USD').get('Close')
eth_price = vbt.YFData.download('ETH-USD').get('Close')

# 数据对齐
data = pd.concat([btc_price, eth_price], axis=1).dropna()
data.columns = ['BTC', 'ETH']

3.2 构建价差与交易信号

计算标准化价差（Z-Score）是配对交易的关键步骤：

python复制# 计算价差
hedge_ratio = sm.OLS(data['BTC'], sm.add_constant(data['ETH'])).fit().params[1]
spread = data['BTC'] - hedge_ratio * data['ETH']

# 计算Z-Score
mean = spread.rolling(window=30).mean()
std = spread.rolling(window=30).std()
z_score = (spread - mean) / std

# 生成交易信号
entry_threshold = 1.5
exit_threshold = 0.5

long_signals = z_score < -entry_threshold
short_signals = z_score > entry_threshold
exit_signals = abs(z_score) < exit_threshold

3.3 组合配置与回测

在vectorbt中，我们可以使用Portfolio.from_signals快速构建回测：

python复制# 构建投资组合
portfolio = vbt.Portfolio.from_signals(
    data['ETH'],  # 使用ETH作为价格序列
    entries=long_signals,
    short_entries=short_signals,
    exits=exit_signals,
    upon_opposite_entry=True,  # 反向信号时平仓
    fees=0.001,  # 考虑交易手续费
    freq='1D'  # 每日调仓
)

# 查看绩效指标
print(portfolio.stats())

4. 策略优化与风险管理

4.1 参数优化

配对交易有几个关键参数需要优化：

• 回看窗口（计算均值和标准差的周期）
• 入场/出场阈值
• 最大持仓时间

使用vectorbt的网格搜索功能：

python复制# 定义参数空间
param_grid = {
    'window': np.arange(20, 60, 5),
    'entry': np.linspace(1.0, 2.5, 10),
    'exit': np.linspace(0.1, 1.0, 10)
}

# 运行网格搜索
grid = vbt.ParameterGrid.from_grid(param_grid)
results = grid.run(backtest_function)  # 需要自定义回测函数

4.2 风险管理要点

1. 资金分配：单对配对交易不宜超过总资金的5%
2. 止损设置：当Z-Score超过3.5时应强制平仓
3. 相关性监控：定期检查资产对的协整关系是否仍然成立

python复制# 动态监控相关性
rolling_corr = data['BTC'].rolling(30).corr(data['ETH'])

5. 实际应用中的挑战

5.1 常见问题排查

1. 价差不回归：可能因为基本面关系改变，需要及时平仓
2. 交易成本侵蚀利润：高频调仓可能导致手续费占比过高
3. 流动性风险：小市值资产可能出现无法及时平仓的情况

5.2 实战经验分享

1. 选择流动性好的资产对，日均成交量应大于1亿美元
2. 避免在重大事件（如分叉、升级）前后建立新头寸
3. 组合多个不相关的配对可以降低整体风险

python复制# 多对组合管理示例
pair_list = [('BTC','ETH'), ('SOL','AVAX'), ('BNB','FTT')]
portfolios = [backtest_pair(pair) for pair in pair_list]
combined = vbt.Portfolio.from_orders(portfolios)

我在实际交易中发现，配对交易在震荡市中表现优异，但在趋势性行情中容易亏损。因此建议配合市场状态识别模块，在强趋势行情中降低配对交易的资金分配比例。