量化交易系列（二）：三大经典策略，为什么有人靠它赚了200年？

量化交易系列（二）：三大经典策略，为什么有人靠它赚了200年？

导语

上一篇我们讲了量化交易的底层逻辑——Alpha 从哪来、市场微观结构、期望值思维。如果你还没读过，建议先去看看，因为今天要讲的每一个策略，都建立在那些基础概念之上。

这篇文章拆解量化交易的三大经典策略类别：动量（Momentum）、均值回归（Mean Reversion）、统计套利（Statistical Arbitrage）。

它们不是"过时的教科书理论"——恰恰相反，全球最大的量化基金今天仍在大规模运行这些策略的变种。但大多数散户只知其名、不知其理，更不知道它们什么时候有效、什么时候致命。

---

一、动量策略：追涨也能是门科学

底层逻辑

动量策略的核心假设极其简单：过去涨得好的资产，未来一段时间大概率继续涨得好；过去跌得惨的资产，未来大概率继续跌。

听起来像是"追涨杀跌"？没错，但这不是拍脑袋的追涨杀跌，而是被严格验证过的统计现象。

1993 年，Jegadeesh 和 Titman 发表了开创性论文《Returns to Buying Winners and Selling Losers》。他们发现：买入过去 3-12 个月表现最好的股票、卖空过去 3-12 个月表现最差的股票，在扣除交易成本后，年化超额收益约 12%。这个发现在后续研究中被反复验证——覆盖了美国、欧洲、亚洲、商品、外汇、加密货币等几乎所有市场和资产类别。

更惊人的是，AQR 的 Tobias Moskowitz 等人在 2012 年的论文中证明：动量效应在全球股票、债券、商品、外汇市场中普遍存在，且时间跨度可以追溯到 1800 年代。 200 多年的历史数据中，动量效应从未完全消失。

为什么动量有效？

这是金融学界争论最激烈的问题之一。主要有三种解释：

1. 行为金融解释（主流）

人类对信息的反应是渐进式的，不是一步到位的：

• 反应不足（Underreaction）：当好消息出现时，投资者初始反应不够充分。价格没有立即涨到"合理价位"，而是慢慢爬升。这创造了短期动量。
• 确认偏差：一旦形成某种看法（"这只股票是好股票"），人们倾向于寻找支持这一看法的信息，忽略反面信息。这加强了价格趋势。
• 羊群效应：看到别人赚钱了，更多人跟进买入，进一步推高价格。
• 处置效应：盈利的投资者倾向于过早获利了结（卖出赢家），减缓了上涨速度；亏损的投资者倾向于死扛（不卖出输家），延缓了下跌速度。

Daniel Kahneman（诺贝尔奖得主）的前景理论完美解释了这些行为偏差——它们是人类心理的"硬编码"，不会因为你知道它的存在就消失。

2. 风险补偿解释

另一派学者认为：动量收益不是"免费的午餐"，而是对特定风险的补偿。持有动量头寸意味着你承受了"动量崩溃"的尾部风险——在市场极端反转时，动量策略可能一个月亏掉几年的利润（2009 年 3 月就发生过这种事）。

3. 市场微观结构解释

机构投资者由于监管限制、委托代理问题等原因，对新信息的反应速度不同。例如，养老基金的投资决策通常需要委员会审批，从获取信息到执行交易可能需要数周甚至数月。这种结构性的"慢反应"创造了动量机会。

动量策略的致命弱点：崩溃

动量策略最大的风险不是"慢慢亏钱"，而是突然崩溃（Momentum Crash）。

历史上最惨烈的动量崩溃发生在 2009 年 3 月。在经历了 2008 年金融危机的暴跌之后，市场突然V型反转。之前跌得最惨的垃圾股猛烈反弹，之前抗跌的优质股反而表现平平。做多赢家、做空输家的动量策略两面挨打——一个月亏损超过 40%。

2025-2026 年的加密市场也出现过类似情况。BTC 在极端恐慌后突然反弹，空头动量策略被暴力轧空。

规律是：动量崩溃往往发生在市场从极端状态（暴跌后的恐慌）反转的时刻。 这也说明了动量策略的本质——它是在"顺趋势"的环境中赚钱，在"趋势反转"的环境中亏钱。

关键参数

动量策略的效果高度依赖于回望期（Lookback Period）和持有期（Holding Period）的选择：

回望期	效果	说明
1 天-1 周	短期反转	极短期内往往是反转而非动量
1-12 个月	动量有效	学术研究验证最充分的区间
3-5 年	长期反转	过去涨太多的，长期可能均值回归

注意中间那行——1-12 个月是动量的"甜蜜区"。而 1 天以内和 3 年以上，反而是反向的（均值回归）。这个发现本身就暗示了：动量和均值回归不是对立的，而是在不同时间尺度上的同一枚硬币的两面。

---

二、均值回归策略：跌下去的终会涨回来？

底层逻辑

均值回归的核心假设和动量恰好相反：价格偏离"正常水平"之后，有回归的倾向。涨得太多的会回落，跌得太多的会反弹。

这个思想可以追溯到 19 世纪的统计学家 Francis Galton，他在研究人类身高时发现了"回归均值"的现象——特别高的父母，孩子的身高往往会"回归"到更接近平均水平。

在金融市场，均值回归的直觉也很自然：如果一只股票因为一则负面新闻暴跌 30%，但公司基本面没有根本恶化，那么过度反应的市场最终会修正这个错误——价格会涨回来。

学术证据

短期均值回归：

Lo 和 MacKinlay 在 1990 年的研究中发现：在周度频率上，股票收益率存在显著的负自相关——即本周涨得多的股票，下周更可能跌。这为短期均值回归策略提供了统计基础。

长期均值回归：

DeBondt 和 Thaler 在 1985 年发表了著名的"过度反应假说"：过去 3-5 年表现最差的股票，未来 3-5 年平均收益率显著高于过去表现最好的股票。 这就是长期均值回归。

估值均值回归：

Robert Shiller 的 CAPE（周期调整市盈率）研究表明：当 CAPE 远高于历史均值时，未来 10 年的股市收益率往往很低；反之则很高。这是估值层面的均值回归。

均值回归有效的前提条件

这里有一个关键区分：并不是所有偏离都会回归。均值回归策略有效的前提是：

1. 标的有一个稳定的"均值"可供回归。 如果一家公司的基本面在根本恶化（比如行业消亡），价格的下跌不是偏离均值，而是均值本身在下移。你不能在柯达、诺基亚或 Luna 暴跌时"抄底"说"这是均值回归"——它们回不来了。

2. 偏离的驱动力是暂时的，而非永久的。 因为一则过度夸大的负面新闻跌 20%，可能会回归。因为核心产品被禁止销售跌 20%，很可能不会回归。

3. 标的具有足够的流动性和存活概率。 在加密市场，99% 的山寨币跌下去就永远不会回来了。对它们谈"均值回归"是刻舟求剑。

这就是均值回归策略最大的风险——你以为在抄底，实际在接飞刀。

经典应用：配对交易（Pairs Trading）

配对交易是均值回归策略最经典的实现形式。

基本思路：找到两个高度相关的资产（比如可口可乐和百事可乐，或者中国平安 A 股和 H 股），当它们的价差偏离历史正常范围时，做多便宜的那个、做空贵的那个，等价差回归正常后平仓获利。

为什么有效？

同行业的两只股票受同样的宏观因素影响（经济周期、行业政策、利率变化等）。如果它们的价差突然扩大，很可能是因为短期的、特异性的因素（比如其中一只股票因为一则负面新闻被过度抛售），而不是基本面的永久性分离。

关键风险——价差不回归：

2007 年 8 月，全球量化基金遭遇了"量化地震（Quant Quake）"。大量配对交易策略同时失效——本应回归的价差反而继续扩大。原因是：太多量化基金使用了相似的策略，当其中几家因为其他原因被迫清仓时，引发了连锁反应，反而加剧了价差偏离。

这是一个深刻的教训：均值回归策略的最大风险，是所有人都在等均值回归。当策略过于拥挤时，原本应该回归的价差反而会进一步偏离——因为平仓的抛售本身就是导致偏离的力量。

---

三、统计套利：量化交易的"工业化"

从配对交易到统计套利

配对交易是"手工作坊"——找两只股票做价差交易。统计套利是"工业化生产"——同时对数百甚至数千只股票建立多空头寸，每个头寸很小，但数量极多。

统计套利的核心思想是：通过大量分散的、小额的正期望值押注，利用大数定律获取稳定的收益。

一个类比：赌场不靠任何一把赌局赚钱，它靠的是每把赌局有 1%-5% 的概率优势，然后每天运行数万把。只要单次的概率优势为正，大数定律保证了赌场的长期盈利。

统计套利就是量化基金把自己变成"赌场"的方法。

统计套利的典型流程

第一步：因子分解（Alpha 因子 + 风险因子）

对每只股票，用一组因子解释其收益率。这些因子可能包括：

• 动量（过去收益率）
• 价值（估值指标）
• 质量（盈利能力、财务健康度）
• 规模（市值大小）
• 波动率（历史波动）
• 特异因子（行业、地理等）

对每只股票，计算它在每个因子上的暴露度，然后预测其短期预期收益率。

第二步：组合构建（Portfolio Construction）

根据预期收益率，构建一个多空组合——做多预期收益最高的一批股票，做空预期收益最低的一批股票。组合的构建需要同时满足多个约束：

• 市场中性：多头和空头的市场暴露（Beta）大致抵消，组合不受大盘涨跌影响
• 行业中性：不在任何单一行业上有过大的净暴露
• 因子中性：除了 Alpha 因子外，其他风险因子（价值、规模等）的暴露也大致为零
• 持仓限制：单只股票不超过组合的一定比例
• 换手率限制：控制交易频率以限制交易成本

第三步：执行和风控

这是最容易被低估的环节。统计套利策略每天可能需要交易数百只股票，交易成本的微小差异就能决定策略是赚还是亏。

统计套利的"黄金时代"和衰落

20 世纪 90 年代到 2000 年代初是统计套利的黄金时代。D.E. Shaw、Renaissance Technologies 等先驱在这个领域赚取了惊人的回报。

但到了 2010 年代，情况发生了变化：

• 参与者爆炸性增长：越来越多的量化基金开始使用类似的策略
• Alpha 衰减：同样的因子被越来越多人使用，超额收益逐渐下降
• 基础设施军备竞赛：速度优势（从毫秒到微秒到纳秒）成为关键，硬件投入越来越大

2007 年 8 月的"量化地震"是一个标志性事件。当时全球大量统计套利基金在同一周内遭受巨额亏损。事后分析表明：策略过于拥挤，一家基金的清仓引发了多米诺骨牌效应。

这个事件深刻地改变了行业——基金开始更加注重策略的独特性和流动性风险管理。

---

四、三大策略的统一视角

表面上看，动量和均值回归是"矛盾"的——一个说"追涨"，一个说"抄底"。但从更高的视角看，它们是同一套市场定价效率理论在不同时间尺度上的体现：

超短期（日内-数日）→ 微观结构效应（流动性、做市商行为）
短期（1-12 个月）  → 动量效应（行为偏差导致的反应不足）
中期（1-3 年）     → 过渡/混合区域
长期（3-5 年+）    → 均值回归（过度反应的修正）

而统计套利，本质上是把动量、均值回归以及其他所有因子"打包"成一个工业化系统，通过分散化和大数定律来稳定获利。

选择哪种策略？

关键问题不是"哪种策略最好"，而是"你的环境适合哪种策略"：

维度	动量策略	均值回归策略	统计套利
最佳环境	趋势明确的市场	震荡区间的市场	正常波动的市场
最差环境	极端反转（V型底）	趋势持续（单边行情）	极端事件（流动性危机）
持仓周期	周-月级别	日-周级别	日级别
容量	较大	较小	中等-大
对交易成本的敏感度	中等	高	极高
数学门槛	中等	中等	高
心理挑战	承受回撤	忍受"接飞刀"	信任模型

---

五、从理论到现实：策略有效性的检验标准

一个策略在理论上有效，不代表它在现实中有效。检验的金标准有五条：

1. 经济学解释（Economic Rationale）

好的策略必须有合理的经济学解释——它为什么有效？赚的是什么钱？如果一个策略只是"数据挖掘出来的统计规律"而没有逻辑支撑，那它大概率是过拟合的产物（下一篇会详细讲）。

动量策略有效，因为人类的行为偏差是根深蒂固的。
均值回归有效，因为市场会过度反应然后修正。
配对交易有效，因为同行业公司受同样的基本面驱动。

2. 样本外验证（Out-of-Sample Test）

策略必须在它被发现时使用的数据之外的数据上依然有效。

动量效应最初在美国股市发现（1993 年），后来在欧洲、亚洲、新兴市场、商品、外汇、加密货币中都被验证。这种跨市场、跨资产类别的稳健性，是它最有力的证据。

3. 跨时间段稳健性

策略在牛市、熊市、震荡市中的表现如何？如果只在特定市场环境下有效，那它的实用价值就大打折扣。

4. 交易成本压力测试

加入真实的交易成本（手续费 + 滑点 + 价格冲击）后，策略还能赚钱吗？

很多看似惊艳的策略，一旦加入交易成本就由盈转亏。特别是高频策略和小盘股策略，交易成本的影响可能是决定性的。

5. 策略拥挤度评估

有多少人在用同样或相似的策略？策略越拥挤，Alpha 越薄，且系统性风险越大（参考 2007 年"量化地震"）。

---

六、总结

三大经典策略各有其适用环境和致命弱点：

• 动量是最稳健的异象之一，200 年来持续有效，但会在极端反转时崩溃
• 均值回归利用了市场的过度反应，但最大风险是"均值本身在变"
• 统计套利通过工业化和分散化来平滑收益，但面临策略拥挤和流动性危机的风险

没有"永远有效"的策略。策略本身不是护城河，持续发现和改进策略的能力才是。

下一篇我们进入量化交易最"生死攸关"的领域——风险管理。很多人以为风险管理就是"设止损"，实际上远不止如此。

---

下一篇：量化交易系列（三）——风险管理：量化交易的生死线。仓位管理、回撤控制、尾部风险和凯利公式。

关注公众号「coft」，获取更多 AI 时代的深度思考。