配对交易的协整陷阱：明日开盘前筛查失效配对的三个指标

两只股票历史上走势接近，价差长期在一个区间内摆动。价差扩大，做空强势腿、做多弱势腿；价差收敛，双腿平仓。逻辑清楚，模型漂亮，回测曲线也能爬得像一条训练有素的直线。

然后某一天，价差击穿原来的边界，继续向外发散。你等回归，它不回归；你等第二天，它再拉开；你开始补仓，市场继续绞杀。最后不是策略止损，而是账户先被扫穿。

这就是配对交易的协整陷阱：你以为自己交易的是均值回归，实际上交易的已经是一段失效关系。

明日开盘前，不要先问哪一对的入场Z-Score最漂亮。先问三个更残酷的问题：

• 残差还平稳吗？
• 当前价差偏离，是正常波动还是结构性发散？
• 价差回归速度有没有慢到足以拖死这笔交易？

这三个问题，分别对应ADF检验、滚动Z-Score和均值回归半衰期。它们不是装饰在回测报告里的统计名词，而是你在开盘前决定“继续交易、降低仓位，还是直接删除配对”的三道闸门。

配对交易不是押注两只标的永远相关，而是押注它们之间的价差关系仍然有效。

协整不是婚姻关系，市场一变就会翻脸

配对交易里最常见的错误，是把相关性当成协整。

两只股票过去十年一起上涨，相关系数很高，不代表它们之间存在可以交易的稳定价差。相关性描述的是价格变动方向是否相近，协整检验关注的却是：两条本身不平稳的价格序列，经过线性组合以后，残差是否平稳。

设两只标的价格分别为 \(P_A\) 和 \(P_B\)，常见的价差形式是：

\[

S_t=P_{A,t}-\beta P_{B,t}

\]

这里的 \(\beta\) 不是随便取的比例，而是通过回归估计出来的对冲比率。真正需要观察的是价差残差 \(S_t\) 是否围绕某个均值上下摆动。

如果残差平稳，价差偏离后存在收敛基础；如果残差不平稳，所谓“回归均值”就只剩下图表上的幻觉。你看到的不是价格暂时偏离，而可能是两家公司、两个行业、两种资产定价逻辑已经分道扬镳。

恩格尔和格兰杰在1987年提出协整理论，后来这套理论成为统计套利的重要基础。它解决了一个核心问题：如何区分真正存在长期均衡关系的序列，以及只是因为共同趋势而产生的伪回归。

但理论有边界。协整检验通过，只能说明在样本窗口内，残差呈现出平稳特征。它不承诺下一个交易日仍然平稳，更不承诺市场在突发事件之后还会照着过去的轨道运行。

相关性高，为什么仍然会爆仓

举一个实盘里经常出现的结构。

一只银行股和银行指数过去一段时间走势高度同步。你看到相关性不错，于是把个股和指数做成配对。开盘前，个股因为一则业绩公告低开，指数没有同步下跌。价差迅速扩大。

如果你只看相关性，结论会是：两者长期同涨同跌，回调后应该修复。

如果你看协整残差，结论可能完全相反：原来的线性关系已经被公告击穿，价差正在重新寻找新的均衡位置。

配对交易做的是残差，不是故事。行业相同、业务相似、走势同步，这些都只能作为候选条件，不能直接变成入场理由。

ADF检验：开盘前第一道防线

ADF检验通常用来判断残差是否存在单位根。实务中，常见判断方式是观察ADF检验的p值以及统计量。

• p值低于0.05，说明残差平稳性得到较强支持；
• p值高于0.10，不能继续把这组配对当作正常统计套利对象；
• ADF统计量若没有击穿约为-2.86的临界水平，也不能把协整关系当成可靠前提。

这里必须把话说死：p值高于0.10，不是“信号稍微变差”，而是失效筛查的明确警报。你可以继续研究它，但不能继续用旧模型机械开仓。

p值落在0.05和0.10之间时，不能拿一句“介于两者之间”来糊弄。这个区域说明统计证据不够干净，策略应当进入观察名单，而不是按正常配对执行。真正的交易系统必须把这种灰区转化为动作，例如降低配对权重、缩短持仓期限、提高止损敏感度，或者暂时禁止新开仓。

为什么不能只做一次ADF检验

一次全样本检验，最容易把已经失效的关系包装成稳定关系。

假设你用过去三年的数据进行回归。前两年两家公司业务结构接近，第三年其中一家完成资产重组，收入来源、杠杆水平和市场定价逻辑全部改变。三年的平均结果仍然可能显示残差平稳，但最近一段时间已经开始单边发散。

这就是历史样本拖着当前状态一起撒谎。

更合理的做法是使用滚动窗口：

1. 先确定训练窗口，例如过去若干交易日或若干个月；

2. 在每个交易日重新估计残差和对冲比率；

3. 对最新窗口进行ADF检验；

4. 同时比较最近多个窗口的p值变化，而不是只看一个数字；

5. 如果p值持续抬升，或者从低于0.05穿过0.10，直接触发失效筛查。

如果昨天的p值是0.04，今天变成0.08，明天开盘前又升到0.13，这不是三个孤立数字，而是一条正在恶化的路径。你不需要等模型正式宣布死亡才撤单，市场不会给你颁发一张“协整关系已断裂”的通知书。

第一个指标：ADF检验看残差有没有失去平稳性

ADF检验的作用，不是替你预测涨跌，而是回答一个更基础的问题：这组配对是否还值得继续使用。

开盘前筛查时，建议至少把下面几项放在同一张监控表里：

注意，ADF检验不能单独决定所有动作。

p值低于0.05，也不等于这笔交易可以直接开仓。残差可能平稳，但当前价差已经被流动性冲击推到极端位置；也可能模型在统计上成立，但两条腿的交易成本、融券限制和滑点已经吃掉全部收益。

反过来，p值高于0.10时，也不意味着两只标的永远没有关系。它只说明旧的统计套利模型失去了当前交易所需的证据。你可以重新建模，可以等待新的稳定窗口形成，但不能抱着旧参数继续补仓。

盘前数据要看什么

明日开盘前的协整筛查，不能只读取昨天收盘价，然后把检验结果当成实时真相。你需要把最近一个交易日的变化拆开看：

• 两只标的是否出现单边跳空；
• 是否有业绩、停牌、重组、监管、分红除权等事件改变价格结构；
• 一条腿是否存在融券限制、涨跌停限制或流动性塌陷；
• 价差扩大是否发生在收盘前最后一段时间；
• 对冲比率是否突然跳变；
• 残差的波动率是否从平稳区间脱离。

研究资料无法覆盖所有盘前突发公告，也不能保证协整p值在事件发生后能够被及时、准确地重新计算。系统必须承认这个盲区，而不是用一串精确到小数点后的参数制造安全感。

如果盘前已经出现重大事件，最稳妥的动作往往不是急着修复模型，而是暂时禁止交易。市场开盘后的第一轮报价可能包含新的信息，旧的收盘价和新的开盘价之间会形成断层。你在断层上计算出来的Z-Score，可能只是报价缺口的产物。

第二个指标：滚动Z-Score，识别正常偏离还是失控发散

协整检验告诉你关系有没有基础，Z-Score告诉你当前价差偏离得有多远。

对价差 \(S_t\) 进行滚动标准化，常见形式为：

\[

Z_t=\frac{S_t-\mu_t}{\sigma_t}

\]

其中，\(\mu_t\)是滚动均值，\(\sigma_t\)是滚动标准差。

当Z-Score达到1.5至2.0，很多配对策略会把它视为入场区域：价差相对历史均值出现明显偏离，交易者做多被低估的一腿，同时做空被高估的一腿，等待收敛。

但这里最危险的误读是：Z-Score越大，机会越大。

不对。Z-Score越大，只能说明偏离越极端。它可能是均值回归前的最后一脚，也可能是结构断裂后的第一段趋势。你必须先判断价差为什么扩大，再决定它是不是交易机会。

入场阈值不是止损阈值

把入场线和止损线混在一起，是配对交易爆仓的常见起点。

一个基本的区分可以是：

• Z-Score达到1.5至2.0：进入候选入场区，等待其他条件确认；
• Z-Score回到均值附近：观察收敛是否完成，考虑平仓；
• Z-Score突破2.5至3.0：进入强制风险处置区；
• Z-Score超过3.0且继续单边扩张：不要再用“极端偏离必然回归”解释它，直接按失效处理。

不同市场、不同标的、不同持仓周期，需要重新估计阈值。这里的关键不是背下一个固定数字，而是把策略动作写进系统。没有强制平仓条件的均值回归策略，本质上是在把止损权交给情绪。

你可以允许模型在1.8附近开仓，但不能允许交易者在2.6附近说“再等等”。一旦止损阈值被击穿，系统必须扫损。否则前面的所有量化规则，最后都会被一句手工干预击穿。

1.8个标准差是交易信号，3.0个标准差是生存问题。把两者混成一条线，账户就会替你的含糊买单。

滚动窗口为什么会制造假稳定

Z-Score依赖均值和标准差。问题在于，均值和标准差本身也会被极端行情拖动。

价差突然大幅扩大后，新的极端值进入滚动窗口。均值可能被推向新的位置，标准差也会迅速放大。此时Z-Score看上去从3.2回落到2.1，但价差并没有真正收敛，只是统计尺度被冲击重新拉宽了。

这是很多回测系统最喜欢藏起来的地方。信号数字回来了，账户净值却没有回来。

所以盘前不应只看最新Z-Score，还要看以下变化：

1. 价差相对于旧均值是否仍然处在单边区域；

2. 滚动均值是否已经明显漂移；

3. 滚动标准差是否突然扩大；

4. Z-Score回落是否伴随两条腿真正收敛；

5. 价差是否曾经连续多个交易日维持在均值一侧。

如果Z-Score从3.0降到2.4，但价差仍在新高附近横住，不能把它当成回归开始。那可能只是发散速度暂时放慢。

开盘缺口会把Z-Score直接踢进止损区

配对交易的两条腿经常不会同时、等幅度地开盘。

假设昨天收盘时，价差对应的Z-Score为1.7，模型准备在次日开盘附近入场。夜间一条腿发布重大公告，开盘直接跳空，另一条腿只小幅变动。此时Z-Score可能直接冲到2.8甚至3.0以上。

这笔交易不能因为前一日的1.7已经触发信号，就机械按照原计划进场。开盘价已经改写了风险收益比。原本的入场位置被跳空越过，模型应该重新计算价差、残差和交易成本。

对于有涨跌停制度、融券约束或开盘集合竞价波动较大的市场，还要把可执行性放在统计信号之前。理论上的双腿同步成交，实盘里可能变成一条腿已经成交，另一条腿挂不上、借不到、滑不进。此时你持有的不是配对仓位，而是裸腿风险。

价差偏离后的复盘顺序

不要从结果倒推逻辑。交易结束后，按照下面的顺序复盘更有价值：

• 入场时，ADF检验是否仍然支持残差平稳；
• 入场时，Z-Score是否位于策略定义的交易区间；
• 价差扩大时，扩大速度是否超过历史分布；
• 两条腿是否出现异步跳空或流动性断层；
• 触发止损时，Z-Score是否已经超过失效阈值；
• 如果没有止损，究竟是哪一条规则被人为取消。

最后一项最重要。很多交易者会把亏损归因于“这次行情特殊”，却不愿承认自己在2.7个标准差时取消了止损。市场当然会出现特殊行情，但模型真正的失效，往往不是发生在屏幕上，而是发生在交易者决定不执行规则的那一秒。

第三个指标：半衰期拉长，说明均值回归正在失去力量

Z-Score看偏离幅度，半衰期看回归速度。

均值回归半衰期，描述价差偏离后回到一半所需的时间。它不是预测具体哪一天回归，而是衡量这组配对的收敛效率。

在很多统计套利策略中，15至30天可以作为典型参考区间。这个区间不是万能标准，但足够用来识别一个危险变化：原本几天就能回归的价差，现在需要几十天，甚至根本没有收敛。

这时，配对关系可能还没有在ADF检验里彻底失效，但它已经不适合原来的交易周期。你以为持仓周期是十天，价差却需要三十天才能完成半程收敛。资金占用、融资成本、借券费用和机会成本会一起咬住账户。

半衰期的计算逻辑

常见做法是对价差变化进行自回归估计。可以把价差的变化近似写成：

\[

\Delta S_t=\alpha+\lambda S_{t-1}+\varepsilon_t

\]

当\(\lambda\)为负时，价差具备一定的回归倾向。半衰期通常根据估计出的回归速度换算得到，核心思想只有一句话：回归速度越快，半衰期越短；回归速度越慢，半衰期越长。

但不要被公式骗了。半衰期的数值对样本窗口、异常值和结构变点都很敏感。

比如过去一段时间价差快速回归，估算半衰期为18天。最近连续几周，价差在均值一侧停留，偶尔出现大幅反向波动，新的滚动计算可能把半衰期推到45天。若你还按照原来的持仓上限和止盈时间执行，资金会被锁在一笔越来越迟钝的交易里。

半衰期如何与止损结合

半衰期不能替代止损，但可以决定止损的耐心。

可以把它拆成三种情况：

半衰期稳定，Z-Score正常波动。

这说明价差的回归速度没有明显恶化。只要ADF检验、流动性和交易成本没有发出反向信号，可以按照原模型执行。

半衰期持续拉长，Z-Score仍未突破止损线。

这不是“暂时没亏损”，而是交易效率正在下降。新仓应当暂停，已有仓位可以降低风险敞口，或者设定时间止损。否则，模型会把短周期套利拖成长期方向赌局。

半衰期失去统计显著性，同时Z-Score单边发散。

这不需要继续争论。它已经从低效交易转入失效交易，直接强制平仓。不要等ADF下一次检验给你盖章，也不要等价差自己证明你是对的。

为什么时间止损不能被忽略

很多人只设置价格止损，不设置时间止损。

价格没有突破3.0，账面亏损看起来还可以接受，于是继续持仓。问题是，均值回归策略的盈利来源就是回归速度。价差如果长时间不动，策略优势已经被消耗。你承担了新的信息冲击，却没有得到相应的风险补偿。

时间止损可以围绕半衰期设计。例如，某组配对历史半衰期为20天，策略持仓超过若干个半衰期后仍未出现有效收敛，就需要重新评估。具体倍数应由回测和交易成本决定，但原则不变：一笔短周期统计套利，不能无限期占用资金。

更不能因为“浮亏还不大”就把它拖成中长线投资。那是交易系统被人类情绪接管后的典型变形。

对冲比率漂移：价差模型正在换骨头

很多配对策略使用静态对冲比率。

例如通过历史回归得到\(\beta=0.8\)，于是每次交易都按照一份A对应0.8份B进行对冲。这个比例在训练样本内可能有效，但市场结构不是钉死在墙上的参数。

公司市值变化、行业权重调整、盈利预期变化、杠杆变化、指数再平衡，都会影响两只标的的相对敏感度。静态对冲比率一旦漂移，表面上的“市场中性”就会漏风。

如果你继续使用旧的\(\beta\)，价差中的方向暴露会逐步增加。起初只是小幅偏差，遇到单边行情后，原本的配对仓位会被某一条腿拖成隐形方向仓。

盘前如何识别对冲比率异常

将当前滚动对冲比率与历史区间比较，至少看三件事：

• 对冲比率是否连续向一个方向移动；
• 比率变化是否与ADF p值抬升、半衰期拉长同步出现；
• 使用新比率后，残差波动是否明显下降。

如果\(\beta\)突然跳变，不要立刻认为“重新回归就好了”。先排查跳变的来源：

• 是否有除权除息导致价格序列不连续；
• 是否有合约换月、指数调整或成分变化；
• 是否有一条腿出现流动性塌陷；
• 是否存在重大公司事件；
• 是否是数据复权、时间戳或价格清洗错误。

数据错误和结构断裂，在图表上有时长得很像。前者需要修复数据，后者需要砍掉策略。把两者混在一起，回测会继续漂亮，实盘会继续流血。

卡尔曼滤波不是万能修复器

卡尔曼滤波可以动态跟踪对冲比率，让模型根据新数据逐步调整，而不是把一个旧的静态参数用到底。对于市场敏感度不断变化的配对，它比固定回归更灵活。

但灵活也有代价。

如果滤波器过度追踪噪声，对冲比率会跟着每一次短期波动乱跳。模型看起来适应了市场，实际是在用参数追涨杀跌。等它终于追上新的结构，交易机会可能已经结束，滑点和手续费先把利润吃干净。

使用动态对冲比率时，要设定：

• 参数更新频率；
• 比率变化的最大允许速度；
• 异常跳变的冻结条件；
• 重新估计后是否必须重新计算Z-Score；
• 动态模型失效时的备用退出方案。

不要把卡尔曼滤波当成“自动修复协整关系”的按钮。它只能追踪变化，不能创造均值回归。

变点检测：别等统计结果迟到

协整关系破裂往往不是一瞬间完成，而是先出现残差分布变化、波动率变化和回归速度变化。等到ADF p值正式超过0.10，损失可能已经扩大。

这就是变点检测的价值。

贝叶斯在线变点检测等方法，可以监控时间序列的生成机制是否发生变化。它关注的不是某个价差今天涨了还是跌了，而是均值、方差、自相关结构是否发生切换。

在配对交易中，可以把变点检测作为ADF、Z-Score和半衰期之外的提前预警层：

• 变点概率上升，暂停新增仓位；
• 残差波动率突然切换，重新估计滚动参数；
• 对冲比率与残差均值同时变化，检查结构断裂；
• 变点确认后，旧模型进入冻结状态；
• 只有经过新的训练窗口验证，配对才重新获得交易资格。

变点检测不能准确告诉你下一根K线向上还是向下，也不能替你决定最佳平仓价格。它的作用是把你从“继续相信旧模型”的惯性里拽出来。

开盘前的三指标筛查，应该怎样落地

真正可执行的盘前流程，不需要堆满几十个因子。配对交易最怕的是指标越来越多，最后每个指标都能被解释成继续持仓的理由。

可以把筛查分成四个阶段。

第一阶段：先筛掉事件风险

在计算统计指标前，先检查两条腿的基本状态：

• 是否出现重大公告或监管事项；
• 是否发生停牌、复牌、除权除息；
• 是否存在融券不可得或借券成本急升；
• 是否有明显的盘前跳空预期；
• 是否会受到涨跌停、交易时段或合约换月影响。

如果事件已经改变了其中一条腿的基本面或交易条件，旧配对直接进入冻结名单。不要因为历史相关性还在，就给结构风险开绿灯。

第二阶段：重新估计残差和对冲比率

使用最新滚动窗口重新回归，得到新的对冲比率和残差序列。不要只把昨天的参数复制到今天。

接着比较新旧结果：

• 对冲比率是否漂移；
• 残差均值是否移动；
• 残差标准差是否扩大；
• 价差是否出现明显偏态；
• 最近窗口与较长窗口的参数是否冲突。

如果新旧模型差异很大，先把它当作风险信号，而不是当作更精准的交易机会。

第三阶段：依次检查ADF、Z-Score和半衰期

建议用硬规则处理：

1. ADF p值高于0.10，配对失效筛查触发，禁止新开仓；

2. ADF统计量未能达到约-2.86的临界水平，不能把协整作为有效依据；

3. Z-Score处于1.5至2.0，可以进入候选区，但必须结合交易成本和执行条件；

4. Z-Score达到2.5至3.0，进入强制风险处置区；

5. 半衰期从15至30天的参考区间持续拉长，暂停按旧持仓周期执行；

6. 半衰期不显著且价差单边发散，直接退出。

这些条件不是让你预测市场，而是让你在市场不配合时少犯错。

第四阶段：把风险敞口锁死

单配对资金风险敞口建议控制在投资组合总资产的5%至10%以内。这里说的是单配对整体风险预算，不是简单把两条腿的名义金额相加后就认为完成了对冲。

你还要考虑：

• 两条腿是否真的能同步成交；
• 对冲比例是否让净方向暴露接近目标；
• 开盘滑点是否可能扩大；
• 强平时是否存在一条腿无法成交；
• 多组配对之间是否共享同一行业、指数或宏观风险；
• 多个配对同时失效时，组合是否会集中爆仓。

名义中性不等于风险中性。两条腿各自波动、相关性突变和流动性收缩，都会让看似平衡的组合突然倾斜。

一个盘前决策示例：别让漂亮的入场信号骗了你

假设某组股票配对在过去一段时间表现稳定。前一交易日收盘后，系统给出以下结果：

• ADF p值为0.04；
• Z-Score为1.9；
• 半衰期为21天；
• 对冲比率处于历史正常范围。

如果只看这四个数字，很多人会准备第二天开盘进场。

但盘前一条腿出现重大业绩变化，预期将大幅低开。重新纳入最新价格后，结果变成：

• ADF p值升至0.13；
• Z-Score跳升至2.8；
• 半衰期拉长到42天；
• 对冲比率明显偏离原区间。

这时候，旧信号已经没有执行价值。昨天的1.9属于历史状态，今天的2.8属于新的风险状态。你不能因为模型曾经在昨天发出入场信号，就把今天的失效条件删除。

更糟糕的做法，是开盘后先买入弱势腿，等强势腿回落再补空。只成交一条腿，配对交易就变成了单腿抄底。市场一旦继续跳空，你会同时承受方向风险和执行风险。

正确的动作很简单：冻结新仓，等待结构重新估计。已有仓位则根据Z-Score、ADF变化和实际成交条件执行退出，不把“还没超过3.0”当成继续忍耐的许可证。

回测系统最容易漏掉的三类陷阱

未来函数让协整关系看起来更稳定

如果回测使用了未来数据估计对冲比率、均值或标准差，Z-Score会被严重美化。盘前筛查必须严格使用当时已经获得的数据。当天收盘后才能知道的价格，不能拿来决定当天开盘前的动作。

滚动窗口也必须向后滚动，不能把整段样本的统计参数固定到历史每一天。否则，策略知道未来的均值和波动，实盘当然无法复制。

忽略双腿成交顺序

回测里的双腿成交通常发生在同一个价格、同一时间。实盘没有这种待遇。

一条腿成交后，另一条腿可能出现：

• 开盘价格快速跳动；
• 盘口深度不足；
• 融券无法借入；
• 交易限制导致无法下单；
• 滑点超过历史平均；
• 订单部分成交。

所以回测至少要对双腿分别模拟成交、滑点和延迟。否则策略收益可能不是来自均值回归，而是来自一个不存在的成交假设。

把失效配对留在候选池里

很多系统只负责产生信号，不负责删除失效对象。于是某组配对ADF p值持续升高、半衰期不断拉长、Z-Score多次冲击止损线，系统仍然每天把它放回候选池。

这不是模型坚持，是系统没有记忆。

应当给配对建立状态：

• 正常；
• 观察；
• 降权；
• 禁止新仓；
• 强制退出；
• 重新训练；
• 恢复交易。

只有经过新的滚动窗口验证，失效配对才能回到正常状态。否则，旧关系会像一颗没有拆掉的雷，反复被策略踩中。

组合层面的风险：一组配对失效，可能不是孤立事件

单配对风险敞口控制在5%至10%，并不意味着组合安全。

如果你同时交易多组银行股、券商股和金融指数配对，它们看似是不同交易，实际上可能共享同一个行业风险。市场发生监管冲击时，所有价差同时发散，多个止损一起触发，滑点还会相互放大。

组合层面至少要监控：

• 配对之间的残差相关性；
• 两条腿的行业和风格暴露；
• 多组配对是否共享同一基准资产；
• 同时处于高Z-Score区域的配对数量；
• 同时触发ADF恶化的配对数量；
• 组合总保证金和可用流动性；
• 极端行情下双腿无法同时退出的风险。

当多个配对同时出现半衰期拉长和残差波动扩张时，不要把它们当成多个独立机会。这更像是市场结构正在切换。此时继续扩大仓位，是把统计套利做成集体接飞刀。

三个指标如何互相验证

ADF、Z-Score和半衰期各自回答不同问题：

真正需要警惕的是指标共振。

• ADF恶化，但Z-Score仍在1.5附近：先暂停新增仓位，等待确认；
• Z-Score突破3.0，但ADF仍低于0.05：不要迷信单一统计检验，先执行风险控制；
• 半衰期拉长，ADF p值同步抬升：均值回归效率和统计基础同时衰退；
• 对冲比率漂移，残差波动扩大：检查结构变点，不要继续使用静态参数；
• 三项指标同时恶化：按失效配对处理，不留情面。

指标不是用来互相打架的，而是用来确认风险是否正在从一个角度扩散到另一个角度。

最后，别把“失效筛查”做成事后解释

量化交易最怕两种人。

一种人在交易前只看机会，不看失效条件。入场时谈均值回归，亏损后谈长期逻辑，爆仓前还在等待价差回家。

另一种人在交易后把所有指标重新调到刚好解释结果，形成一份看起来无懈可击的复盘报告。这样的复盘没有用，因为它无法在明天开盘前阻止你再次犯错。

真正有价值的筛查，必须在下单之前明确写出：

• 什么情况下协整关系不再接受；
• 什么情况下Z-Score只是危险，而不是机会；
• 价差多久不回归就必须退出；
• 对冲比率漂移到什么程度需要重建模型；
• 哪些事件会直接冻结配对；
• 单配对和组合总风险分别是多少；
• 双腿不能同时成交时，系统如何处理。

配对交易的核心，不是找一组永远会回归的标的。市场没有这种标的。核心是建立一套机制，在关系破裂、价差发散、回归迟钝之前，及时识别并切断风险。

明日开盘前，先看ADF p值，再看滚动Z-Score，最后看半衰期有没有拉长；如果三项指标都在报警，就别再幻想自己抓到了便宜筹码。协整破裂时，市场不会因为你的回归模型写得漂亮而手下留情。逢失效不砍仓，所谓量化策略，最后只剩下一套自动化爆仓程序。

Related reading: 量化策略回测指标的虚与实：如何看穿超高收益率背后的陷阱.