2026/6/8 · 量化交易 · 第 5 / 6 讲

四、策略分类

趋势跟踪、均值回归、套利三大类：信号逻辑、适用市场、失效判断与 Regime Detection。

量化策略按核心逻辑可以分为三大类：趋势跟踪、均值回归、套利。理解自己的策略属于哪一类，有助于明确其适用的市场环境和风险特征。

趋势跟踪（Trend Following）

核心假设：价格运动具有惯性，上涨趋势倾向于延续，下跌趋势倾向于延续。

典型信号：均线交叉（MA Cross）、动量指标（Momentum）、突破（Breakout）

特征：

胜率通常较低（40%~50%），靠少数大盈利交易覆盖多次小亏损
盈亏比较高（2~5 倍），收益分布右偏
在趋势明确的行情中表现优秀，震荡行情中频繁止损
代表：CTA 基金、海龟交易法则

适用市场：单边行情、低频波段

双均线交叉（MA Cross）详解

最经典的趋势跟踪信号：短期均线上穿长期均线做多，下穿做空。

参数选择逻辑：

短期 MA 越短，信号越灵敏，假信号越多
长期 MA 越长，过滤噪声越好，但入场越滞后
常用组合：(10, 50)、(20, 100)、(50, 200)

数值示例：以 BTC 日线为例，MA(20) = 65,000，MA(100) = 62,000。MA(20) > MA(100)，且昨日 MA(20) < MA(100) → 金叉，做多信号。

趋势跟踪为何在加密市场有效？ 加密货币市场存在大量动量驱动的散户追涨行为，以及信息不对称（机构先知先觉，散户后知后觉）。这种结构性原因使价格趋势持续时间较长，为趋势跟踪策略提供了土壤。但当市场流动性改善、机构参与度提高后，趋势策略的 Alpha 会逐渐衰减。

趋势强度过滤

仅有交叉信号不够，结合趋势强度指标可以过滤震荡市中的虚假信号：

ADX（平均趋势指数）：ADX > 25 表示趋势明确，此时 MA 信号可信度高
成交量确认：突破信号配合成交量放大，可信度更高

趋势策略失效的定量判断

多数趋势策略的失效不是突然发生的，而是渐进的——信号质量减蜀。以下指标助于早期识别：

滚动胜率下滑：60 日滚动胜率从 > 45% 持续下滑到 < 35%，说明清晰趋势的期间在缩短
盈亏比恶化：平均盈利 / 平均亏损的滚动比值持续下降——大赚变小而小亏没有变，是容量礼窗或工具衰尾的典型表现
Walk-forward 中 OOS/IS 比快速恶化：近期 OOS Sharpe 持续低于 IS Sharpe，而非历史平均水平，说明策略正在衰减

均值回归（Mean Reversion）

核心假设：价格偏离均值后倾向于回归，短期超涨会被修正，超跌会被反弹。

典型信号：布林带边界、RSI 超买超卖、价格偏离均线幅度

特征：

胜率通常较高（60%~70%），但单笔盈利空间有限
盈亏比较低，收益分布左偏（少数大亏损对应多次小盈利）
在震荡行情中表现优秀，趋势行情中可能被大单边打穿止损
代表：网格交易、配对交易

适用市场：震荡行情、高频

布林带（Bollinger Bands）详解

布林带由中轨（N 日移动均值）和上下轨（± K 倍标准差）构成：

\text{中轨} = MA(20)\ ,\quad \text{上轨} = MA(20) + 2\sigma_{20}\ ,\quad \text{下轨} = MA(20) - 2\sigma_{20}

交易逻辑：价格触及下轨 → 短期超跌，做多；价格触及上轨 → 短期超涨，做空。

关键参数：K = 2 时约有 95% 的价格在带内，触发约 5% 的时间。K = 1.5 触发更频繁但信号噪声更多。

均值回归的数学基础

均值回归成立的前提是价格序列具有均值回复性（Mean-reversion property）。检验方法：计算价格序列的 Hurst 指数 H。

H < 0.5：均值回归特征（反转）
H = 0.5：随机游走（无规律）
H > 0.5：动量特征（趋势持续）

加密货币短期（分钟级）通常表现轻微均值回归，中长期（日线）则更接近随机游走或动量。

套利（Arbitrage）

利用市场定价效率不足获取无风险或低风险收益。

跨交易所套利（Cross-exchange Arbitrage）

同一资产在不同 CEX 出现价差，同时在低价交易所买入、高价交易所卖出。核心挑战：资金搬运速度、手续费、提现网络拥堵。

期现套利（Cash-and-Carry）

当永续合约资金费率为正时，做空永续 + 现货多头，赚取资金费率。风险：极端行情导致强平、资金费率突然反转。

年化收益估算：资金费率 0.01%/8h → 日收益 0.03% → 年化 ≈ 11%。

统计套利（Statistical Arbitrage）

寻找历史上高度相关的资产对，当价差偏离历史均值时进行反向操作。代表：配对交易（BTC vs ETH 价差策略）。风险：协整关系失效。

三角套利（Triangular Arbitrage）

三角套利利用同一交易所内三个交易对之间的隐式定价矛盾获利，不需要跨交所转移资金，因此没有提现滴空风险。

工作原理：假设三个交易对 A/B、B/C、A/C。如果隐含价格关系不完美，则存在套利机会：

\text{A} \xrightarrow{\text{买 B}} \text{B} \xrightarrow{\text{买 C}} \text{C} \xrightarrow{\text{卖回 A}} \text{A}

若最终得到的 A 多于初始的 A，则存在无风险利润。

数值示例：

BTC/USDT = 60,000
ETH/USDT = 3,000
BTC/ETH = 19.8（如果不存在套利，应为 60,000/3,000 = 20）
套利路径：用 60,000 USDT 买 1 BTC → 卖 19.8 ETH（通过 BTC/ETH）→ ETH 卖为 19.8 × 3,000 = 59,400 USDT，亏损
反向套利：用 60,000 USDT 买 20 ETH（@3,000）→ 卖 1 BTC（通过 BTC/ETH @ 19.8）→ BTC 卖为 1 × 60,000 = 60,000 USDT，再加区带盈利

设计要点：

三角套利在实践中要求极低延迟，价差通常在毫秒级就被抗拥平
三条腿必须同时成交（或极短时间内序列成交），否则存在执行风险
必须考虑三条腿的手续费，笥得价差需超过三笔手续费之和

跨期套利（Calendar Spread Arbitrage）

跨期套利利用同一标的不同到期的合约之间的价差错配获利。在加密市场，常见形式是用永续合约 vs. 季度期货合约之间的基差套利。

工作原理：

永续合约价格 = 现货 + 市场情绪溢价（资金费率机制保证两者靠近）
季度合约价格 = 市场对到期日现货价格的预期，含资金成本 + 风险溢价
当季度合约与永续的隐含远期合约价格出现差异，平仓其价差即为基差套利机会

跨期套利 vs. 期现套利：期现套利利用的是永续合约的气泰边界效应（资金费率收敛到现货），跨期套利利用的是不同到期合约对未来现货价格预期的差异。前者风险更低（价差必然收敛），后者需承担基差变动风险。

统计套利详解与协整失效监控

统计套利步骤：

找出历史上价格走势高度协整的两个资产（如 BTC 和 ETH）
计算价差序列： $Spread = \ln(P_{BTC}) - \beta \times \ln(P_{ETH})$ （β 为协整系数）
当 Spread 偏离均值超过 2σ 时，做空偏贵资产、做多偏便宜资产
当 Spread 回归均值时平仓

协整检验：使用 Engle-Granger 两步法或 Johansen 检验确认协整关系存在，再进行交易。

协整失效的监控方法：统计套利的核心风险是协整关系断裂，一旦断裂价差序列不再回归，仓位损失可以无限放大。

滚动 ADF 检验：对价差序列定期（如每 30 天）重跑 ADF（增广 Dickey-Fuller）检验，检验平稳性（p-value < 0.05 说明价差序列仍平稳）。若 p-value 持续上升到 0.05 以上，说明协整可能正在溶解，需要考虑平仓或重新估计参数。
协整系数 β 的滑动追踪：使用滚动窗口（如 180 天）重新估计 β，若 β 开始快速漂移，说明两资产的相对定价关系已经发生结构性变化（如以太坊升级导致 ETH 相对 BTC 重新定价）。
Spread Z-score 的分布变化：若价差的方差持续扩大却均值不变，说明协整代价已不稳定，即使 ADF 尚未报警，策略也需谨慎对待。
进出场频率异常：若策略开始出现「仓位长期不平仓」的现象（开仓后 Spread 长期不回归），所有开仓都应设置最大持仓期限，超时强制平仓，避免捏成工具。

策略归属自检

特征	趋势跟踪	均值回归	套利
胜率	低	高	高
盈亏比	高	低	低
最佳市场	单边	震荡	任意
止损方向	固定	动态	价差收敛失败

市场状态识别（Regime Detection）

不同策略在不同市场状态（趋势 / 震荡 / 高波动）下表现差异巨大。动态识别市场状态并切换适应的策略，是进阶量化的重要课题。

简单方法

ADX > 25 → 趋势市，启用趋势跟踪
ADX < 20 → 震荡市，启用均值回归
历史波动率 > 均值 + 1σ → 高波动，降低仓位或暂停交易

进阶方法：HMM 市场状态建模详解

隐马尔可夫模型（Hidden Markov Model, HMM）假设市场处于几个隐层状态（如牛市、熊市、震荡），所观测到的收益率序列是这些隐层状态的「层发」结果。

模型结构：

隐层状态：K 个市场制度（通常 K = 2~4），如状态 0 = 低波动上涨、状态 1 = 高波动下跌
转移矩阵：K×K 矩阵 $A$ ， $A_{ij}$ 表示当前处于状态 i 时，下一时刻转移到状态 j 的概率
发射分布：每个状态对应一个迎傅曲线（如高斯分布），一般用 $(\mu_k, \sigma_k)$ 刻画市场状态 k 的收益特征

训练与推断：

用历史日收益序列训练 HMM，使用 Baum-Welch 算法（EM 的序列版本）估计参数
使用 Viterbi 算法推断历史最可能的状态序列
实盘中实时计算当前属于各状态的后验概率 $P(\text{状态 k} | \text{观测序列})$ ，根据状态切换策略

数值示例：设 K = 2。训练后得到：

状态	日收益均值	日收益标准差	情景解读
状态 0	+0.15%	1.2%	低波动上涨制度
状态 1	-0.08%	3.5%	高波动下跌制度

转移矩阵： $A = \begin{pmatrix} 0.95 & 0.05 \\ 0.15 & 0.85 \end{pmatrix}$ ——市场制度具有持续性，不会频繁切换。

HMM 的限制：

HMM 假设市场制度的转阶特性基本不随时间变化（转移矩阵固定），但加密市场的制度切换往往更突然且不对称
单一高斯发射无法捕捉肥尾分布；实战中可用混合高斯（GMM）作为发射分布
对小样本数据易过拟合；建议将状态数 K 限制在 2~3，并用人类可解释性作为指导原则