第14章统计套利进阶

14. 统计套利进阶：卡尔曼滤波动态估计基差，适应市场结构变化

各位同学，欢迎来到第十四讲。

前面我们讲了很多关于基差交易的基础逻辑，比如用历史均值、滚动窗口来估计基差的合理区间。但说实话，这些方法在真实交易中，我吃过不少亏。为什么？因为市场结构是会变的。

举个例子，2015年股灾前后，股指期货的基差结构发生了根本性变化。如果你还用过去半年的均值去套，那结果就是——反复止损，反复被打脸。

所以这一讲，我们来聊一个更高级的工具：卡尔曼滤波。它能动态估计基差，实时适应市场的变化。

为什么需要动态估计？

传统的统计套利，通常假设基差是平稳的，均值回归的。但现实是，基差的均值和波动率都会随时间变化。

我遇到过这样的情况：一个品种的基差，上半年均值是20个点，下半年变成了-10个点。如果你用固定阈值去开仓，上半年赚钱的策略，下半年全亏回去。

卡尔曼滤波解决的就是这个问题。它像一个“自适应滤波器”，不断根据新数据修正对基差状态的估计。

核心思想：卡尔曼滤波把基差看作一个“隐藏状态”，我们观测到的价格差是带噪声的测量值。通过预测-更新两步走，实时追踪基差的真实水平。

卡尔曼滤波的数学直觉

我不打算堆公式，咱们用大白话讲清楚。

卡尔曼滤波就两个步骤：

预测：根据上一时刻的状态，预测当前时刻的状态。比如，基差昨天是10，我猜今天大概还是10左右，但不确定性会变大。
更新：拿到今天的实际观测值后，结合预测值和观测值，算出一个最优估计。说白了，就是“信预测多一点，还是信观测多一点”。

这个“信多少”由卡尔曼增益决定。当观测噪声大时，我更相信预测；当预测不准时，我更相信观测。

嗯，这里要注意：卡尔曼增益是动态计算的，所以它能自适应市场的变化。

Python实现：卡尔曼滤波估计基差

下面我给出一个完整的实现。这个代码我在实盘里用过，效果还不错。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

class KalmanFilterBasis:
    """卡尔曼滤波基差估计器"""
    
    def __init__(self, delta=0.001, R=0.01, Q=0.001):
        """
        delta: 状态转移矩阵的缩放因子
        R: 观测噪声协方差
        Q: 过程噪声协方差
        """
        self.delta = delta
        self.R = R
        self.Q = Q
        
        # 初始状态
        self.x = 0.0  # 基差估计值
        self.P = 1.0  # 估计误差协方差
        
    def update(self, observation):
        """
        卡尔曼滤波更新步骤
        observation: 当前观测到的基差值
        """
        # 预测步骤
        self.x = self.delta * self.x
        self.P = self.delta * self.P * self.delta + self.Q
        
        # 更新步骤
        K = self.P / (self.P + self.R)  # 卡尔曼增益
        self.x = self.x + K * (observation - self.x)
        self.P = (1 - K) * self.P
        
        return self.x

# 模拟基差数据：前一半均值10，后一半均值-5
np.random.seed(42)
n = 200
basis = np.concatenate([
    10 + np.random.randn(100) * 2,
    -5 + np.random.randn(100) * 2
])

# 应用卡尔曼滤波
kf = KalmanFilterBasis(delta=0.999, R=0.5, Q=0.01)
estimates = []
for obs in basis:
    est = kf.update(obs)
    estimates.append(est)

# 可视化
plt.figure(figsize=(12, 6))
plt.plot(basis, label='观测基差', alpha=0.6)
plt.plot(estimates, label='卡尔曼滤波估计', linewidth=2)
plt.axvline(x=100, color='red', linestyle='--', label='市场结构变化点')
plt.legend()
plt.title('卡尔曼滤波动态估计基差')
plt.show()

参数调优建议：

R（观测噪声）：设得越大，滤波结果越平滑，但反应越慢
Q（过程噪声）：设得越大，滤波结果越灵敏，但容易受噪声干扰
我个人习惯先用历史数据做网格搜索，找到最优参数组合

卡尔曼滤波 vs 滚动窗口均值

咱们做个对比，你就知道为什么卡尔曼滤波更好了。

方法	优点	缺点
滚动窗口均值	简单直观，计算快	窗口大小难选，对突变反应迟钝
卡尔曼滤波	自适应，实时更新，对结构变化敏感	需要调参，理解门槛稍高

我曾经用滚动窗口做回测，看起来曲线很漂亮。结果一上实盘，市场风格一变，直接回撤20%。后来换成卡尔曼滤波，虽然参数调了一周，但实盘表现稳定多了。

实战中的避坑指南

我曾经踩过的坑：

参数过拟合：用历史数据调出的最优参数，在未来可能失效。建议定期重新校准。
初始值敏感：卡尔曼滤波对初始状态和初始协方差敏感。我一般用前50个观测值的均值和方差做初始化。
高频数据慎用：如果你做tick级别的基差交易，卡尔曼滤波的计算延迟可能成为问题。建议用1分钟或5分钟数据。

知识体系总览

下面这张图，帮你理清卡尔曼滤波在基差交易中的位置。

总结一下

卡尔曼滤波不是银弹，但它确实比固定窗口的方法更适应市场变化。你想想看，市场每天都在变，凭什么你的模型参数可以一成不变？

我个人建议，把卡尔曼滤波作为基差估计的“默认选项”。先用它跑一段时间，积累足够的数据后，再考虑加入更复杂的模型，比如粒子滤波或者深度学习。

好了，这一讲就到这里。记住：动态适应，才是统计套利的进阶之道。