问题未必出在均值回归策略本身，而可能出在你用来定义两条腿关系的那条“锚”——对冲比率 β 已经失效。
用全样本普通最小二乘法算出来的 β，本质上是一根僵硬的铁棍。你试图用它去撬动两条时而粘合、时而撕扯的资产价格。市场情绪一变，两腿资产的相关性结构瞬间扭曲，你的 β 纹丝不动，而真实的价差早已换了形状。
这就是用历史数据的“尸体”去预测市场“活体”的经典死法。你需要的不是一根看起来更精确的铁棍，而是一个能感知关系变化、并且允许自身逐步伸缩的动态估计器。卡尔曼滤波做的，正是这件事。
从静态普通最小二乘法到动态状态空间：为何对冲比率需要进化
配对交易的理论根基是协整。两条价格序列各自可能是非平稳的，但如果它们之间存在长期均衡关系，那么经过适当组合之后，得到的价差序列可能趋于平稳。交易者据此建立多头和空头两腿，等待暂时偏离的价差回到均衡区域。
最直接的做法，是用普通最小二乘法回归：
\[
y_t=\alpha+\beta x_t+\varepsilon_t
\]
其中，\(y_t\) 是资产甲的价格或对数价格，\(x_t\) 是资产乙的价格或对数价格，\(\alpha\) 是截距，\(\beta\) 就是对冲比率，\(\varepsilon_t\) 是回归残差，也就是交易者通常关注的价差。
如果回归结果给出 \(\beta=1.2\)，策略可能会建立一份资产甲多头，同时建立 1.2 份资产乙空头。这个比例并不是为了让两边名义金额相等，而是为了尽量消除共同价格因素，使剩下的残差更接近一个可交易的均值回归过程。
静态回归的问题在于：它把整个样本期压缩成一个固定答案。无论你使用过去几个月还是几年的数据，最终得到的 β 都是一个常数。这个常数代表的是样本期内的平均关系，而不是当前时刻的真实关系。
市场却不会配合这个假设。
两家公司可能因为业务合作、供应链关系或同一行业周期而长期联动，也可能因为政策、业绩、融资结构或公司事件而迅速脱钩。即使两家公司基本面没有发生明显变化，流动性、参与者结构和资金偏好改变，也可能让短期价格关系产生显著漂移。
静态 β 的隐患至少有三层：
- 对冲不足：真实 β 已经上升，但模型仍使用旧的较低比例，资产甲的价格波动无法被资产乙充分抵消。
- 对冲过度：真实 β 已经下降，但模型仍保留较高比例，空头腿反而放大了组合波动。
- 价差失真：用错误的 β 构造出来的残差，不再是原本想交易的均值回归价差，而可能只是模型误差的累积。
当价差因为 β 失准而扩大时，交易者很容易把亏损解释成普通的短期偏离，然后继续等待所谓的回归。但如果偏离来自关系本身的改变，等待就不是耐心，而是在给错误仓位续命。
用历史均值的 β 去做今天的对冲，是把后视镜当导航仪。市场已经翻山越岭，你看到的却还是上一段平直公路。
动态对冲的思路并不是宣称 β 可以被准确预测，而是承认 β 本身可能随时间缓慢变化。与其强行假定关系固定，不如建立一个机制，让模型在每个新观测到来时重新评估当前关系。
这就把问题从静态回归转换成了状态空间模型：
- β 不再是一个一次性估计出来的常数，而是随时间变化的隐藏状态。
- 价格不是直接告诉你 β 是多少，而是提供带有噪声的间接线索。
- 模型通过“先预测、后更新”的递推过程，让历史信息和最新价格逐步结合。
状态方程的构建：β值的随机游走假设与噪声建模
卡尔曼滤波真正的核心，不在于公式看起来复杂，而在于它对不可见变量的处理方式。
在配对交易中，当前的对冲比率通常无法直接观察。你能看到的是两条资产的价格，无法看到市场参与者心中那个即时变化的真实 β。因此，需要先假设 β 如何随时间运动，再用价格数据去反推它。
最常见的状态方程是随机游走：
\[
\beta_t=\beta_{t-1}+w_t
\]
这里的含义很直接：
- \(\beta_t\)：时刻 \(t\) 的真实对冲比率，无法直接观测。
- \(\beta_{t-1}\)：上一个时刻对对冲比率的估计。
- \(w_t\)：状态转移噪声，代表关系在两个时刻之间发生的不可预测变化。
如果模型中还包含截距，那么状态向量不应只写成一个 β，而可以写成：
\[
\theta_t=
\begin{bmatrix}
\alpha_t\\
\beta_t
\end{bmatrix}
\]
对应的状态方程可以写成：
\[
\theta_t=\theta_{t-1}+w_t
\]
这意味着截距和对冲比率都允许缓慢变化。状态转移矩阵在这种最简单的随机游走模型中是单位矩阵，也就是模型默认当前状态大体延续上一时刻的状态，但允许噪声推动它发生变化。
状态噪声 \(w_t\) 通常被假设为均值为零、协方差为 \(Q\) 的随机变量：
\[
w_t\sim N(0,Q)
\]
这里最重要的不是“正态分布”四个字，而是协方差矩阵 \(Q\) 所表达的模型态度：你认为状态本身有多容易变化。
如果 \(Q\) 较小，模型会认为 β 的变化应该比较缓慢。上一时刻的估计会被高度信任，新价格即使出现短期波动，也很难让 β 大幅移动。这样做的优点是稳定，缺点是反应迟钝。
如果 \(Q\) 较大，模型会认为资产关系可能快速改变。模型会减少对旧 β 的依赖，更愿意根据最新价格重新调整。这样做对结构变化更敏感，但也更容易把普通噪声误判为关系变化。
在单一状态的简化情形下，\(Q\) 可以看作一个标量；当状态向量同时包含截距和 β 时，\(Q\) 是协方差矩阵。例如：
\[
Q=
\begin{bmatrix}
q_{\alpha}&0\\
0&q_{\beta}
\end{bmatrix}
\]
这两个参数可以分别控制截距和对冲比率的变化速度。是否允许二者相关，则取决于模型的经济含义和实际估计方式。
随机游走不是说市场完全没有规律
随机游走假设经常被误解为：模型认为 β 的变化毫无规律，因此什么也预测不了。实际上，它表达的是一种克制的预测。
模型没有假装知道下一时刻 β 会精确变成多少，而是把上一时刻的估计作为当前预测，并为这个预测设置不确定性：
\[
\hat{\theta}{t|t-1}=\hat{\theta}{t-1|t-1}
\]
预测协方差则会增加：
\[
P_{t|t-1}=P_{t-1|t-1}+Q
\]
其中，\(P\) 表示状态估计的不确定性。即使预测的中心位置没有改变，随着时间推进，模型也会承认自己越来越不确定。这个“不确定性膨胀”正是新观测能够影响模型的原因之一。
如果 \(Q=0\)，状态协方差不会因为状态演化而增加，模型事实上越来越固执，最终几乎不再接受新信息。此时所谓动态模型，已经退化成了一个接近静态的估计器。
观测方程与递推逻辑：基于实时价格的预测—更新闭环
状态方程描述的是 β 如何运动，但它没有告诉我们怎样从价格数据中识别 β。这个任务由观测方程完成。
在带截距的对数价格模型中，观测方程可以写成：
\[
y_t=\alpha_t+\beta_t x_t+v_t
\]
把状态向量和观测向量写开：
\[
y_t=
\begin{bmatrix}
1&x_t
\end{bmatrix}
\begin{bmatrix}
\alpha_t\\
\beta_t
\end{bmatrix}
+v_t
\]
令：
\[
F_t=
\begin{bmatrix}
1&x_t
\end{bmatrix}
\]
则观测方程可以简写为：
\[
y_t=F_t\theta_t+v_t
\]
这里的 \(F_t\) 被称为观测矩阵。它会随着 \(x_t\) 的变化而变化，这也是该模型与最简单固定系数回归不同的地方。
观测噪声 \(v_t\) 表示价格中无法由当前状态解释的部分。即使真实 β 已经正确，资产甲也可能因为自身新闻、买卖盘不平衡、流动性变化或短期资金冲击而偏离模型给出的理论价格。
通常假设：
\[
v_t\sim N(0,R)
\]
其中，\(R\) 是观测噪声协方差。它控制模型对价格观测的信任程度。
于是，整个模型由两部分组成：
- 状态方程：对冲关系会变化，\(\theta_t=\theta_{t-1}+w_t\)。
- 观测方程：价格是当前对冲关系加上噪声后的表现，\(y_t=F_t\theta_t+v_t\)。
卡尔曼滤波的递推过程，可以拆成几个连续步骤。
第一步：预测当前状态
根据上一时刻已经更新过的状态估计，先得到当前状态的先验预测：
\[
\hat{\theta}{t|t-1}=\hat{\theta}{t-1|t-1}
\]
同时更新预测协方差：
\[
P_{t|t-1}=P_{t-1|t-1}+Q
\]
如果使用更一般的状态转移矩阵 \(A_t\)，则形式为：
\[
\hat{\theta}_{t|t-1}=A_t\hat{\theta}_{t-1|t-1}
\]
\[
P_{t|t-1}=A_tP_{t-1|t-1}A_t^\top+Q
\]
随机游走模型只是令 \(A_t\) 等于单位矩阵。
第二步：预测观测值
根据预测出来的状态，得到资产甲的理论价格：
\[
\hat{y}_{t|t-1}=F_t\hat{\theta}_{t|t-1}
\]
实际价格和理论价格之间的差，就是创新项：
\[
e_t=y_t-\hat{y}_{t|t-1}
\]
在配对交易里，这个创新项通常就是动态模型下的价差，或者至少是构造交易信号的核心残差。
如果资产甲实际价格高于模型预测，说明当前组合关系出现了正向偏离；如果实际价格低于预测，则是负向偏离。但不能简单地把正负偏离直接当成买卖信号，还要结合创新项的不确定性进行标准化。
创新协方差为：
\[
S_t=F_tP_{t|t-1}F_t^\top+R
\]
于是可以使用标准化创新：
\[
z_t=\frac{e_t}{\sqrt{S_t}}
\]
它与固定窗口中的传统标准分数有相似用途，但分母不是简单的历史标准差，而是模型根据当前状态不确定性和观测噪声推导出来的动态尺度。
第三步：计算卡尔曼增益
卡尔曼增益决定这一次新信息应当对状态估计产生多大影响：
\[
K_t=P_{t|t-1}F_t^\top S_t^{-1}
\]
直觉上，卡尔曼增益就是旧估计和新观测之间的权衡器。
当预测状态很不确定时，\(P_{t|t-1}\) 较大，卡尔曼增益通常会提高，模型更愿意接受新价格提供的信息。
当观测噪声 \(R\) 较大时，模型认为当前价格信号不可靠，卡尔曼增益会降低，状态估计会更多依赖过去的结果。
第四步：用创新项更新状态
状态更新公式为：
\[
\hat{\theta}_{t|t}
=
\hat{\theta}_{t|t-1}
+
K_t e_t
\]
这一步就是模型真正“移动”β 的地方。如果创新项为正，β 可能向上调整；如果创新项为负，β 可能向下调整。但调整幅度并不只由创新项决定，还由卡尔曼增益共同决定。
更新后的协方差可以写成：
\[
P_{t|t}
=
(I-K_tF_t)P_{t|t-1}
\]
它反映的是：吸收了新价格之后，模型对当前状态的认识通常会更确定。
卡尔曼滤波不是水晶球，而是一个勤勉的校对员。它先用状态方程写出 β 的初稿，再用每一天的真实价格逐字修正错误，始终逼近当下那个并不完美、但更有用的关系。
\(Q\) 与 \(R\)：模型灵敏度真正由什么决定
很多人第一次使用卡尔曼滤波时，会把主要注意力放在递推公式上，却忽略了 \(Q\) 和 \(R\) 的经济含义。实际上，模型最后表现得灵敏还是迟钝，往往就取决于这两个参数的相对关系。
| 参数 | 模型认为的事情 | 对 β 更新速度的影响 | 常见风险 |
|---|---|---|---|
| 状态噪声 \(Q\) 较小 | 对冲关系稳定，变化缓慢 | 更新较慢，更平滑 | 关系突变时反应滞后 |
| 状态噪声 \(Q\) 较大 | 对冲关系可能快速变化 | 更新较快，更敏感 | 把普通噪声当成结构变化 |
| 观测噪声 \(R\) 较小 | 当前价格信息较可靠 | 更依赖最新价格 | 容易受到短期异动影响 |
| 观测噪声 \(R\) 较大 | 当前价格含有较多噪声 | 更依赖历史状态 | 可能错过真实关系变化 |
真正发挥作用的往往不是 \(Q\) 或 \(R\) 的单独绝对大小，而是二者的相对比例。增大 \(Q\) 和减小 \(R\)，都会让模型更重视新观测；减小 \(Q\) 和增大 \(R\)，则会让模型更依赖此前的估计。
对不同资产关系的理解不能一套参数打天下
对于流动性较好、业务联系稳定的资产组合，β 的变化可能相对缓慢。此时，较小的状态噪声通常更符合交易逻辑，模型不必因为每一次短期波动就大幅改写对冲比例。
对于基本面可能突然变化的个股组合，关系漂移的速度可能更快。模型需要保留足够大的状态噪声，否则它会继续抱着旧 β 不放，直到残差已经扩大到无法忽略。
高频数据则更复杂。更高频率并不自动意味着模型应该更灵敏。分钟级价格中可能包含更多撮合噪声、买卖价差和短暂流动性冲击。如果把这些短暂波动全部看作关系变化，较大的 \(Q\) 很容易把 β 变成一条剧烈摆动的曲线。
在不同频率之间切换时，不能机械沿用同一组参数。采样间隔改变后，状态变化和观测噪声的含义也会改变。日线模型中看似合理的噪声设定，放到分钟数据上可能会产生完全不同的交易行为。
对数价格建模：为什么原始价格经常会误导模型
直接使用原始价格构造观测方程，看起来简单，却容易把价格水平和经济关系混在一起。
假设资产甲价格为 100，资产乙价格为 10，模型得到的 β 可能接近 10。之后两者同时上涨一倍，资产甲变成 200，资产乙变成 20，二者的相对比例其实没有改变，但绝对价格差却显著扩大。
如果模型直接围绕原始价格差进行判断，就可能把价格水平的变化误认为关系偏离。资产价格越高，绝对差值的波动通常也越大，残差的尺度会随着价格水平一起漂移。
更常见的做法是使用对数价格：
\[
\ln P^A_t=\alpha_t+\beta_t\ln P^B_t+v_t
\]
对应的动态价差为：
\[
s_t=\ln P^A_t-\alpha_t-\beta_t\ln P^B_t
\]
在这种形式下，β 更接近两种资产价格变化之间的弹性关系。也就是说，当资产乙发生一定比例的变化时，资产甲在模型中对应的比例变化由 β 体现。
对数价格还有几个实际好处：
- 降低不同价格量级对回归结果的直接影响。
- 让比例变化比绝对金额变化更容易被比较。
- 对长期价格序列的尺度变化更友好。
- 使残差的经济含义更接近相对估值偏离，而不是简单的货币差额。
但对数变换并不是无条件适用。价格必须为正，数据中的零值、负值、缺失值和异常复权记录都需要先处理。股票分红、拆分、合并以及期货换月，也可能改变价格序列的连续性。如果价格数据本身没有经过一致处理，卡尔曼滤波只会非常认真地追踪错误数据。
截距是否应该动态变化
很多模型只让 β 随时间变化，把截距 α 固定不动；也有模型同时让 α 和 β 动态变化。两种做法没有绝对的优劣。
固定截距意味着交易者认为两资产关系的基准位置相对稳定，主要需要追踪的是斜率，也就是对冲比例。这样参数更少，模型往往更稳定。
动态截距则允许价差的均衡中心移动。如果两资产之间的基准估值关系会缓慢漂移，只让 β 变化可能会把本应由 α 解释的变化错误地压到 β 上。
但动态截距也会增加自由度。如果 α 和 β 都设置得过于灵活，模型可能通过不断移动状态来解释几乎所有价格变化，最后得到的是一条漂亮但没有交易价值的拟合曲线。
实践中，是否让截距动态变化，应当由价差的经济含义决定，而不是为了让回测曲线更平滑。模型越灵活，不代表预测越可靠；它只是拥有更多解释路径。
从动态 β 到交易信号：残差、标准化与仓位
卡尔曼滤波给出的不是一个天然的买卖指令，而是一组随时间变化的状态估计。交易策略还需要把这些估计转换为残差、信号和仓位。
最直接的步骤是计算动态残差：
\[
e_t=y_t-F_t\hat{\theta}_{t|t-1}
\]
然后使用创新协方差进行标准化：
\[
z_t=\frac{e_t}{\sqrt{S_t}}
\]
当 \(z_t\) 为较大的正值时，意味着资产甲相对于资产乙的模型价格偏高；当 \(z_t\) 为较大的负值时，则意味着资产甲相对偏低。交易者可以据此构造相反方向的两腿仓位。
但这里有一个容易被忽视的细节：交易信号与状态更新使用的是不同信息时点。为了避免未来函数，不能先使用收盘价更新 β，再假设自己在同一个收盘时刻按照更新后的 β 完成交易，除非交易执行确实发生在该价格之后且数据时序允许这样处理。
更稳妥的做法，是明确区分：
1. 用 \(t-1\) 时刻以前的数据得到当前可用的状态。
2. 在 \(t\) 时刻观察到价格并计算信号。
3. 根据信号和可执行价格建立或调整仓位。
4. 用新数据更新状态，为下一次决策服务。
动态 β 也不等于动态仓位的全部。即使模型给出一个新的对冲比例，实际仓位还要考虑合约乘数、最小交易单位、保证金、融资成本和资产流动性。
如果资产甲和资产乙的价格分别为 \(P^A_t\) 与 \(P^B_t\)，模型给出的 β 是价格或对数价格关系中的比例，但真正下单时的股数比例还可能需要结合：
- 合约乘数与交割单位；
- 两腿名义金额；
- 波动率差异；
- 保证金占用；
- 借券成本和资金利率；
- 交易成本与市场冲击。
因此，β 是统计意义上的对冲比率，不一定直接等于下单数量比。把二者简单画上等号，是从模型走向实盘时最常见的错误之一。
初始化问题：第一天的 β 从哪里来
递推模型不可能凭空开始。第一期需要给出初始状态 \(\hat{\theta}{0|0}\) 和初始协方差 \(P{0|0}\)。
一种常见做法，是先使用一段历史数据通过普通最小二乘法估计初始截距和 β，再把这个结果交给卡尔曼滤波继续动态更新。这样做的优点是启动稳定，缺点是初始样本中的结构偏差可能影响前期估计。
另一种做法，是给 β 一个较宽泛的初始分布，并设置较大的初始协方差，让模型在获得新观测后快速调整。这样可以减少对某段历史样本的依赖，但前期信号可能不稳定。
初始化协方差 \(P_0\) 不能随意设成零。设为零等于告诉模型：初始状态完全确定，后续几乎不需要修正。对于一个本来就不确定的对冲关系，这是过度自信。
如果设置得过大，模型在最初阶段会对新观测极其敏感，β 可能出现剧烈跳动。交易策略通常需要一段预热期，让状态协方差和估计逐渐进入相对稳定的范围。预热期内的信号是否参与回测，必须事先规定，不能为了改善结果临时删掉不理想的部分。
实证表现与局限性：卡尔曼滤波并不是收益保证书
动态 β 的价值，首先体现在它能够减少模型与当前关系之间的滞后。对于确实存在缓慢结构漂移的资产组合，动态模型可能比固定 β 更快适应变化，也可能让价差估计更加平滑。
但这并不意味着卡尔曼滤波必然带来更高收益，更不能把任何回测中的优势都归因于滤波本身。实际结果还会受到配对选择、开平仓阈值、持仓时间、交易成本、借券条件、执行延迟和风险控制的共同影响。
如果回测中只比较毛收益，没有充分扣除手续费、滑点、融资和借券成本，那么动态模型更高的换手率可能被严重低估。特别是在 \(Q\) 设置较大时，β 会频繁变化，仓位也可能不断调整。纸面上的跟踪能力，最后可能变成实盘中的交易摩擦。
卡尔曼滤波的边界至少有以下几条。
第一，滤波器不能识别所有结构性断裂
模型擅长追踪渐进变化，不擅长处理关系突然消失。
如果两家公司因为重大公司事件、监管变化、业务重组或长期竞争格局改变而永久脱钩，随机游走模型可能会不断调整 β，试图解释一个已经不存在的关系。它会继续输出更新后的参数，却不会主动告诉你协整关系已经死亡。
所以，配对交易必须在模型外层设置结构性风险判断。例如观察滚动协整稳定性、残差持续趋势、波动率突变、成交量异常和基本面事件。模型可以负责追踪关系，但不能替代交易者判断关系是否还值得追踪。
第二，动态 β 可能把噪声变成仓位变化
当 \(Q\) 较大时，模型反应会更快，但新价格中的偶然噪声也更容易推动 β 改变。若交易策略同时根据残差开仓，又根据 β 变化频繁调仓，就可能形成双重换手。
这类策略在回测中常常显得很聪明：每一次关系变化都被及时捕捉，曲线看起来紧贴市场。但加入真实交易成本后，优势可能迅速收缩。
因此，β 的变化不必每次都立即转化为交易动作。可以对 β 设置平滑、最小调整幅度或再平衡间隔，也可以把状态变化与残差极值结合起来，只有当两者共同支持交易时才调整仓位。
第三，协整不是相关性的高级版本
相关性高，不等于存在稳定的协整关系；协整关系暂时成立，也不代表未来一定持续。
两条资产价格可能因为共同受到某个市场因子影响而高度相关，但这种相关性在市场状态改变后会迅速下降。协整关注的是长期组合是否具有平稳性，卡尔曼滤波关注的是参数如何随时间变化。它们解决的是不同层次的问题，不能互相替代。
如果配对选择本身没有经济逻辑，只是从大量资产中挑出历史相关性最高的组合，动态模型再精巧，也可能只是更快地追踪一段样本噪声。
第四，数据质量会直接决定滤波质量
卡尔曼滤波对输入数据的连续性和时序非常敏感。股票价格如果没有正确处理拆分和分红，期货价格如果在换月时出现不连续跳跃，不同交易所的时间戳如果没有对齐，模型会把数据处理问题误判成 β 的变化。
高频数据还要额外关注成交不同步。资产甲在某个时刻刚刚成交，资产乙却仍停留在几秒之前的报价，直接进行回归会制造虚假的残差。这个问题不是增大 \(Q\) 或调整 \(R\) 就能解决的，而是需要从采样、同步和成交价格选择上重新处理。
如何判断模型是在追踪关系，还是在追踪噪声
一个动态模型是否有用，不能只看最终收益。还要观察它到底在做什么。
可以从几个角度审查：
- β 的路径是否具有经济解释：如果 β 在没有明显市场变化时剧烈上下摆动，模型可能过度灵敏。
- 残差是否比静态模型更稳定：动态 β 的目标不是让参数曲线好看，而是让交易残差更接近可管理的均值回归过程。
- 换手是否与收益匹配：如果收益主要来自频繁调仓，扣除成本后是否仍然成立。
- 不同时间区间是否一致：只在某一段行情中有效的参数，很可能是环境依赖或过拟合。
- 参数变化是否提前于收益，还是只是在事后拟合：如果 β 只是在价格已经大幅变化后才调整，它可能没有提供真正的预测价值。
- 关系断裂时是否能退出：一个只会更新参数、不会停止交易的模型，面对结构性风险仍然是不完整的。
参数选择也不应只依赖历史收益最大化。网格搜索当然可以找到一组让回测结果漂亮的 \(Q\) 和 \(R\)，但这组参数可能只是精准贴合了某一段历史噪声。
更稳妥的方式，是先从交易逻辑出发理解参数，再通过滚动样本和样本外测试检查稳定性。参数不是为了把历史曲线修成完美形状，而是为了表达你对关系变化速度和价格噪声程度的判断。
结语：动态模型的价值，是承认锚会移动
卡尔曼滤波在配对交易中的真正价值，不是预测下一根价格，也不是把亏损的价差 magically 拉回均值。它完成的是一次思维升级：从假设关系固定，转向承认关系会变化；从一次性估计 β，转向持续跟踪 β；从只看残差大小，转向同时考虑状态不确定性和观测噪声。
它让模型拥有了一种有限但实用的自我修正能力。状态方程负责告诉模型，昨天的关系仍然可以作为今天的起点；观测方程则不断提醒它，今天的价格可能已经和昨天不同。两者通过卡尔曼增益完成妥协，既不盲目相信历史，也不把每一次噪声都当成新世界的开始。
但动态并不等于正确，灵敏也不等于聪明。\(Q\) 设得过大，β 会追着噪声乱跑；\(Q\) 设得过小，模型会抱着失效关系不松手。观测噪声估计错误，模型要么被每一个价格波动牵着走，要么对真正的变化充耳不闻。
所以，卡尔曼滤波不是一把自动赚钱的钥匙，而是一把更合适的尺子。它不能保证每一次偏离都会回归，也不能阻止两只资产永久脱钩，但它至少不会强迫你用一个多年不变的 β 去解释今天完全不同的市场。
别再问今天应该使用哪个固定 β。先问清楚：当前的关系允许多快地变化，价格信号里有多少是噪声，模型在什么时候必须承认自己已经失效。
让状态方程去游走，让观测方程去修正。你要做的，是给噪声设定合理边界，为结构性断裂保留退出机制，然后等待价差偏离与模型估计真正形成共振的时刻。
在均值回归的交易里，活下来永远是第一项任务。动态对冲比率的意义，也正在这里：不是让你每次都赢，而是尽量不要因为手里握着一根生锈的静态铁棍，在真正的关系变化面前被市场一击击穿。
相关阅读: 交易员决策疲劳应对策略：减少日内无效交易的系统化方案 、 全职交易员的社交孤立：享受孤独还是走向心理失衡？.