哈哈，刚好折腾过类似的配对交易回测，结合你已经完成的协整检验结果，给你梳理一套可行的落地流程：

一、回测前的准备工作 #

• 先把每一对协整资产的时间序列数据提出来：从你的资产数据集里，照着combos每一列的ID，把对应资产的收盘价序列（配对交易优先用收盘价）捞出来就行
• 计算每对资产的均衡价差：用线性回归拟合它们的协整关系，得到的残差就是我们要盯的价差。比如资产X和Y，拟合Y = α + βX + ε，这里的ε就是核心的价差指标
• 确定交易触发阈值：常规操作是用残差的均值±n倍标准差当开仓线，比如±1.5或2倍标准差，这个数值可以拿一小段历史数据调优，别太激进也别太保守

二、配对交易回测的核心逻辑 #

对着每一对协整资产，按下面的规则模拟交易就行：

• 开仓信号：当价差冲破上阈值（均值+标准差倍数），就做空Y、做多X；当价差跌破下阈值（均值-标准差倍数），就做多Y、做空X
• 平仓信号：要么等价差回归到均值附近（比如±0.5倍标准差范围内）就平仓，要么提前设好止损止盈线，防止极端行情把你套牢
• 仓位管理：一定要根据拟合出来的β系数调整仓位，比如做多X的仓位 = β × 做空Y的仓位，这样才能有效对冲市场的系统性风险

三、Python代码示例（快速上手版） #

假设你的资产价格数据存在price_data这个DataFrame里，索引是时间，列名是资产ID：

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import coint

# 遍历所有869组协整组合
for col_idx in range(combos.shape[1]):
    # 取出当前组合的两个资产ID
    asset_a_id = combos[0, col_idx]
    asset_b_id = combos[1, col_idx]
    
    # 获取两只资产的收盘价序列
    asset_a = price_data[str(asset_a_id)]
    asset_b = price_data[str(asset_b_id)]
    
    # 拟合协整回归，计算价差（残差）
    # 因为已经做过协整检验，直接拟合线性回归就行
    beta, alpha = np.polyfit(asset_a, asset_b, 1)
    spread = asset_b - (alpha + beta * asset_a)
    
    # 计算交易阈值
    spread_mean = spread.mean()
    spread_std = spread.std()
    upper_limit = spread_mean + 2 * spread_std  # 可调整倍数
    lower_limit = spread_mean - 2 * spread_std
    close_limit = 0.5 * spread_std  # 回归到均值±0.5倍标准差平仓
    
    # 生成交易信号
    signals = pd.DataFrame(index=spread.index)
    # 价差过高：空B多A
    signals['long_A_short_B'] = (spread > upper_limit).astype(int)
    # 价差过低：多B空A
    signals['long_B_short_A'] = (spread < lower_limit).astype(int)
    # 价差回归：平仓
    signals['close_all'] = ((spread >= spread_mean - close_limit) & 
                            (spread <= spread_mean + close_limit)).astype(int)
    
    # 后续可以基于信号计算回测收益、最大回撤等指标
    # 比如用信号计算每日仓位，再结合收益率算策略收益
    # ...

四、回测后的关键评估指标 #

回测完别光看赚了多少钱，得看这些指标判断策略靠谱不：

• 累计收益率：直观看策略整体盈利情况
• 夏普比率：衡量风险调整后的收益，数值越高越划算
• 最大回撤：看策略最惨的时候亏了多少，心里有底
• 胜率：盈利交易次数占总次数的比例，辅助判断策略稳定性
• 协整稳定性：回测过程中定期重新做协整检验，要是协整关系破了，这组配对就得剔除了

内容的提问来源于stack exchange，提问作者Owen Cleberson