配对交易-低风险统计套利量化交易 Python 实战

配对交易简介

配对交易是指八十年代中期华尔街著名投行 Morgan Stanley 的数量交易员 Nunzio Tartaglia 成立的一个数量分析团队提出的一种市场中性投资策略，其成员主要是物理学家、数学家、以及计算机学家。

Ganapathy Vidyamurthy 在《 Pairs Trading: Quantitative Methods and Analysis 》一书中定义配对交易为两种类型：一类是基于统计套利的配对交易，一类是基于风险套利的配对交易。

基于统计套利的配对交易策略是一种市场中性策略，具体的说，是指从市场上找出历史股价走势相近的股票进行配对，当配对的股票价格差（ Spreads ）偏离历史均值时，则做空股价较高的股票同时买进股价较低的股票，等待他们回归到长期均衡关系，由此赚取两股票价格收敛的报酬。

数据分析

数据来自交易所：币安，数据下载:http://www.tf86.com/binance/

数据包括几种常见数据货币每个小时的价格，每一种数字火币的交易记录有 20000 条。如下图所示：

具体的数据如下图所示：

数据处理

因为每种数字货币的价格不一样，为了体现出他们的关联性，首先要进行归一化操作，将价格归一化处理。这里采用的是 sklearn 中的 MinMaxScaler 。

## 节选代码
from sklearn.preprocessing import MinMaxScaler
min_max_scaler = MinMaxScaler()
np_list=np.asarray(data_items).reshape(-1,1)
X_train_minmax = min_max_scaler.fit_transform(np_list)

归一化之后，基于 matplotlib 进行可视化

肉眼可见，最上面两个曲线之间有一定的关联性，两者在分离之后多次汇合，接下来借助协方差来评估二者之间的关联度。

模型实现

协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。

采用 numpy 中的 cov 函数来实现协方差的计算。

import numpy as np
np.cov(x,y)

输出样例：

[[ 9.44749900e-09 -4.05910662e-09]
 [-4.05910662e-09  3.38730102e-08]]

效果评估

4 个数字货币的交易记录其中 0，1 之间有很高的关联度

可以在两个价格分离的时候，买入低价的 A，卖出高价的 B，当二者价格重新回归的时候平仓，即可以获得盈利。