PTrade 统计套利实战：基于 Z-Score 的配对交易策略编写指南

这是一个基于 Z-Score（标准分数） 模型的配对交易（Pairs Trading）策略。

策略原理

配对交易是一种基于均值回归的市场中性策略。

1. 选取标的：选取两只历史走势高度相关（协整）的股票（例如：浦发银行 和 招商银行）。
2. 计算价差比率：计算两只股票价格的比值（Ratio = Price_A / Price_B）。
3. 计算 Z-Score：基于过去 N 天的历史数据，计算当前比值的 Z-Score。
   • $Z = \frac{\text{当前比值} - \text{比值均值}}{\text{比值标准差}}$
4. 交易信号：
   • 做空价差（Z > 阈值）：比值过高，说明 A 贵 B 便宜。卖出 A，买入 B。
   • 做多价差（Z < -阈值）：比值过低，说明 A 便宜 B 贵。买入 A，卖出 B。
   • 平仓（|Z| < 平仓阈值）：比值回归正常水平，平掉所有仓位。

策略代码

import numpy as np
import pandas as pd

def initialize(context):
    """
    初始化函数
    """
    # 设定两只拟合度较高的股票（这里以银行股为例：浦发银行 和 招商银行）
    g.stock1 = '600000.SS' 
    g.stock2 = '600036.SS'
    g.security_list = [g.stock1, g.stock2]
    
    # 设置股票池
    set_universe(g.security_list)
    
    # 策略参数
    g.window = 20           # 计算均值和标准差的窗口期（天）
    g.entry_threshold = 2.0 # 开仓阈值（Z-Score绝对值）
    g.exit_threshold = 0.5  # 平仓阈值（Z-Score绝对值）
    
    # 每次交易使用的资金比例（每只股票占总资金的比例）
    g.position_pct = 0.4 

def handle_data(context, data):
    """
    盘中运行函数，每日或每分钟调用
    """
    # 1. 获取历史收盘价数据
    # 注意：获取数量需要包含窗口期，这里取 g.window
    # 当 field 为单个字段时，返回的 DataFrame 列索引为股票代码
    hist = get_history(g.window, '1d', 'close', g.security_list, fq='pre')
    
    # 检查数据长度是否足够
    if len(hist) < g.window:
        log.info("历史数据不足，跳过计算")
        return

    # 2. 提取两只股票的价格序列
    # 注意：需确保数据对齐，处理停牌导致的 NaN
    price_s1 = hist[g.stock1].values
    price_s2 = hist[g.stock2].values
    
    # 简单的清洗：如果有 NaN (停牌)，则不进行计算
    if np.isnan(price_s1).any() or np.isnan(price_s2).any():
        log.info("历史数据包含无效值(可能停牌)，跳过")
        return

    # 3. 计算比价 (Ratio)
    ratios = price_s1 / price_s2
    
    # 4. 计算 Z-Score
    # Z = (当前比值 - 均值) / 标准差
    current_ratio = ratios[-1]
    mean_ratio = np.mean(ratios)
    std_ratio = np.std(ratios)
    
    if std_ratio == 0:
        return
        
    z_score = (current_ratio - mean_ratio) / std_ratio
    
    # 打印日志方便调试
    log.info("当前 Z-Score: %.4f, 比值: %.4f" % (z_score, current_ratio))
    
    # 5. 获取当前持仓和资金情况
    position_s1 = get_position(g.stock1)
    position_s2 = get_position(g.stock2)
    total_value = context.portfolio.portfolio_value
    target_value = total_value * g.position_pct
    
    # 6. 交易逻辑
    
    # --- 平仓逻辑 (回归均值) ---
    if abs(z_score) < g.exit_threshold:
        # 如果持有仓位，则平仓
        if position_s1.amount != 0 or position_s2.amount != 0:
            log.info("Z-Score 回归 (%.4f)，执行平仓" % z_score)
            order_target_value(g.stock1, 0)
            order_target_value(g.stock2, 0)
            
    # --- 开仓逻辑 ---
    
    # 情况 A: Z-Score > 阈值 (Stock1 相对 Stock2 贵) -> 卖 S1，买 S2
    elif z_score > g.entry_threshold:
        # 如果当前没有持有正确的方向（即没有持有S2），则开仓
        # 这里简化逻辑：只要不符合目标持仓就调整
        if position_s2.amount == 0:
            log.info("Z-Score > 阈值 (%.4f)，做空价差：卖 %s，买 %s" % (z_score, g.stock1, g.stock2))
            # 卖出 S1 (做空或清仓) -> PTrade A股通常不能直接融券做空，这里模拟为清仓S1
            # 如果是两融账户可以使用 marginsec_open / margincash_open
            # 此处演示普通账户逻辑：持有S1则卖出，买入S2
            order_target_value(g.stock1, 0) 
            order_target_value(g.stock2, target_value)

    # 情况 B: Z-Score < -阈值 (Stock1 相对 Stock2 便宜) -> 买 S1，卖 S2
    elif z_score < -g.entry_threshold:
        # 如果当前没有持有正确的方向（即没有持有S1）
        if position_s1.amount == 0:
            log.info("Z-Score < -阈值 (%.4f)，做多价差：买 %s，卖 %s" % (z_score, g.stock1, g.stock2))
            # 买入 S1，卖出 S2
            order_target_value(g.stock1, target_value)
            order_target_value(g.stock2, 0)

def after_trading_end(context, data):
    """
    盘后处理
    """
    log.info("今日交易结束")

代码要点解析

1. 数据获取 (get_history):

   • 我们使用了 get_history(g.window, '1d', 'close', g.security_list)。
   • 在 PTrade 中，当 field 为单个字符串且 security_list 为列表时，返回的 DataFrame 索引是时间，列名是股票代码。这非常方便直接进行向量化计算。

2. Z-Score 计算:

   • 使用了 numpy 库来计算均值 (np.mean) 和标准差 (np.std)。
   • 这是统计套利中最核心的指标，用于衡量当前价差偏离历史均值的程度。

3. 交易执行 (order_target_value):

   • 使用 order_target_value 可以让系统自动计算需要买卖的数量以达到目标持仓金额。
   • 注意：上述代码是基于普通股票账户编写的（只能做多，不能做空）。
     • 当信号提示“卖出 A，买入 B”时，代码逻辑是：清空 A 的持仓，买入 B。
     • 如果你使用的是两融账户（信用账户），可以将 order_target_value 替换为 marginsec_open (融券卖出) 和 margincash_open (融资买入) 来实现真正的多空对冲。

4. 兼容性:

   • 代码遵循 Python 3.5 语法规范（例如使用 % 进行字符串格式化，而不是 f-string），确保在 PTrade 旧版本环境中也能运行。

常见问题 (Q&A)

Q: 如何选择配对的股票？
A: 通常选择同行业、业务相似、市值接近的股票。可以通过协整检验（Cointegration Test）来筛选标的，但在 PTrade 策略中，通常在 initialize 之前通过研究环境选好，直接填入代码。

Q: 为什么使用 order_target_value 而不是 order？
A: order_target_value 更适合这种策略，因为它会自动处理调仓。例如，如果当前已经持有 10000 元的股票 A，策略判断需要继续持有，该函数会自动忽略或微调，避免重复下单导致仓位过重。

Q: 这个策略在回测和实盘中有什么区别？
A: 在回测中，get_history 获取的是复权后的历史数据。在实盘中，如果遇到除权除息，价格比率可能会发生跳跃，导致 Z-Score 异常。建议在实盘代码中加入对除权除息的处理，或者使用复权数据（fq='pre'）。上述代码已默认使用前复权。