什么是统计套利
统计套利（Statistical Arbitrage，常简称 StatArb）是一类基于数学模型与历史数据，捕捉资产价格之间统计规律偏差的量化交易策略。它不依赖对单一资产"涨还是跌"的方向性判断，而是押注于多个相关资产之间的价格关系会回归到历史均衡状态。
要详解统计套利，必须先抓住它的核心思想：市场短期可能因情绪、流动性等因素出现"错位"，但具有内在关联的资产，其相对价格偏差往往是暂时的，长期会向均值收敛。统计套利就是用概率优势，在大量交易中赚取这种"回归"带来的微小但稳定的收益。
统计套利的机制原理
统计套利的理论基石是"均值回归"（Mean Reversion）。交易者会先用历史数据找出两个或一篮子高度相关的资产，建立它们之间的价格关系模型，并计算出一个"价差"（Spread）。
当价差因短期波动偏离历史均值过远时，模型判定出现了"统计性失衡"：偏高的一方被高估、偏低的一方被低估。策略随即做空被高估资产、做多被低估资产，等待价差回归正常后平仓获利。整个过程不预测大盘方向，理论上对市场涨跌"中性"，因此统计套利常被归类为市场中性策略。其有效性高度依赖相关性的稳定与价差回归的发生，而这两点恰恰是风险的来源。
常见的统计套利策略类型
配对交易（Pairs Trading）：最经典的形式，选取两只历史走势高度相关的资产，价差扩大时做多落后者、做空领先者，是统计套利的入门范式。
篮子套利：不局限于两只资产，而是构建一篮子多头与一篮子空头组合，通过分散化降低单一资产异常波动的冲击。
指数套利与跨期套利：利用现货与衍生品、不同到期合约之间的价格关系偏差进行操作，在加密领域常见于永续合约与现货之间的资金费率与价差机会。
均值回归型高频策略：在极短时间尺度上捕捉价格的微小偏离，对执行速度与成本控制要求极高。
执行统计套利的基本步骤
第一步，数据准备与标的筛选：收集足够长、足够干净的历史数据，通过相关性、协整性检验找出适合配对的资产。第二步，建模与信号生成：构建价差模型，设定进出场的统计阈值（如价差偏离均值多少个标准差时开仓）。第三步，回测验证：在历史数据上检验策略表现，关注收益、回撤、胜率与交易成本的综合影响。第四步，实盘执行与风控：严格控制仓位、设置止损，并持续监控相关性是否失效。第五步，迭代优化：市场结构会变化，模型需要定期重新校准，否则会逐渐失效。
优势与风险
统计套利的优势在于：市场中性、对方向不敏感、收益相对平稳，且策略可系统化、规模化执行。但它绝非"无风险套利"，潜在风险不容忽视。
模型失效风险：历史相关性不代表未来，一旦资产间的内在关联断裂，价差可能持续扩大而非回归，造成两头亏损。杠杆风险：为放大微小价差收益，统计套利常使用杠杆，这会同步放大亏损。流动性与成本风险：频繁交易意味着高昂的手续费和滑点，在流动性差的市场尤为致命。黑天鹅风险：极端行情下，"该回归的没回归"，历史上不乏知名量化基金因此遭受重创的案例。
常见问题
统计套利是稳赚不赔的吗？ 不是。它依赖的是概率优势和统计规律，单笔交易可能亏损，极端行情下整体策略也可能巨亏。
个人投资者能做统计套利吗？ 技术门槛较高，需要数据、建模、回测与执行能力，且要承担交易成本，普通个人参与难度较大。
统计套利和无风险套利有何区别？ 无风险套利锁定确定价差、几乎无敞口；统计套利只是概率上的优势，敞口和风险都真实存在。
风险提示
统计套利是一类高度依赖模型与数据的复杂量化策略，存在模型失效、杠杆放大、流动性枯竭与极端行情等多重风险，过往回测表现不代表未来收益。本文仅作策略原理科普与风险梳理，不构成任何投资建议。请在充分理解风险、具备相应能力的前提下谨慎对待，切勿投入超过自身承受能力的资金。