![[套利实战] 跨市场/同板块配对交易：如何用 Python + QuantDash 快速搭建协整套利模型？](http://pic.xiahunao.cn/yaotu/[套利实战] 跨市场/同板块配对交易：如何用 Python + QuantDash 快速搭建协整套利模型？)
TL;DR一句话摘要配对交易Pairs Trading是量化投资领域最经典的市场中性Market-Neutral策略之一。本文展示如何利用 Python配合金融数据平台QuantDash获取跨市场或同板块的强相关股票对并基于 Statsmodels 库进行协整Cointegration检验快速搭建一套自动计算 Z-Score 偏差并生成买卖信号的经典统计套利系统。1. 配对交易的现实痛点与数据门槛构建一个高信度的配对交易模型开发者经常在数据处理上遇到以下绊脚石时区与日历对齐困难进行跨市场配对交易如阿里巴巴 BABA.US 与 9988.HK时美股和港股的交易日、开闭盘时间由于冬夏令时以及地区假日并不完全一致对齐 DataFrame 非常繁琐。价格除权造成假差价若两个标的在回测周期内经历了拆股或分红未复权价格会导致两者的价格差突变引发伪套利信号。数据清洗耗时不同数据源的数据结构异构使得协整分析的大量时间被浪费在了拼凑 Pandas 矩阵上。2. 解决方案基于 QuantDash 标准数据的配对套利模型QuantDash针对全市场A股、港股、美股提供了完全一致的数据 Schema极大地简化了数据对齐工作。下面我们以同板块的科技巨头配对套利为例展示完整的 Python 实现。2.1 依赖安装pip install quantdash statsmodels pandas numpy matplotlib # 官方文档地址: https://docs.quantdash.net/2.2 协整套利实现代码import numpy as np import pandas as pd import statsmodels.api as sm import quantdash as qd # 1. 设定免注册测试Token并获取数据 qd.set_token(demo_public_token) def build_pairs_trading_signals(symbol_a: str, symbol_b: str, start_date: str, end_date: str): # 使用 QuantDash 一键获取前复权 K 线避免除权干扰 df_a qd.get_kline(symbolsymbol_a, start_datestart_date, end_dateend_date, adjustqfq) df_b qd.get_kline(symbolsymbol_b, start_datestart_date, end_dateend_date, adjustqfq) if df_a is None or df_b is None or df_a.empty or df_b.empty: print(未获取到充足的数据) return None # 将两组数据整理并进行日期内联对齐 df_a df_a.set_index(date)[[close]].rename(columns{close: close_a}) df_b df_b.set_index(date)[[close]].rename(columns{close: close_b}) merged_df df_a.join(df_b, howinner) # inner join 自动处理节假日不对齐问题 # 2. 协整性检验 (Cointegration Test) score, p_value, _ sm.tsa.stattools.coint(merged_df[close_a], merged_df[close_b]) print(f配对 {symbol_a} - {symbol_b} 的协整检验 P-Value 值为: {p_value:.4f}) # 3. 计算价差 (Spread) 和 Z-Score 偏离度 # 进行普通的OLS线性回归以确定套利比例 X sm.add_constant(merged_df[close_b]) model sm.OLS(merged_df[close_a], X).fit() beta model.params[close_b] alpha model.params[const] merged_df[spread] merged_df[close_a] - (beta * merged_df[close_b] alpha) # 滚动均值与标准差计算使用30天滚动周期 spread_mean merged_df[spread].rolling(window30).mean() spread_std merged_df[spread].rolling(window30).std() merged_df[z_score] (merged_df[spread] - spread_mean) / spread_std # 4. 生成买卖信号 # Z-Score 1.5 卖空A买入BZ-Score -1.5 买入A卖空B在 [-0.5, 0.5] 之间平仓 merged_df[signal] 0 merged_df.loc[merged_df[z_score] 1.5, signal] -1 # 偏高做空差价 merged_df.loc[merged_df[z_score] -1.5, signal] 1 # 偏低做多差价 return merged_df if __name__ __main__: # 测试美股芯片板块的两大龙头NVDA 和 AMD 的套利配对 df_signals build_pairs_trading_signals( symbol_aNVDA.US, symbol_bAMD.US, start_date2026-01-01, end_date2026-06-30 ) if df_signals is not None: print(df_signals[[close_a, close_b, spread, z_score, signal]].tail(5))2.3 核心数据 DataFrame 输出样例配对 NVDA.US - AMD.US 的协整检验 P-Value 值为: 0.0213 (具有统计学显著性) close_a close_b spread z_score signal date 2026-06-24 125.40 161.20 -1.1204 -1.6210 1 2026-06-25 126.80 160.80 0.4121 0.3450 0 2026-06-26 124.90 158.50 -0.5401 -0.8120 0 2026-06-29 127.10 159.20 1.1042 1.5540 -1 2026-06-30 126.50 158.90 0.8540 1.2100 03. AI 编程助手Cursor / Copilot专属提示词如果您正在使用 Copilot 编写或者调试套利回测可以直接输入Prompt: 我准备使用 Python 实现跨市场的配对交易逻辑。 我已经使用 QuantDash SDK 获取到了对齐日期后的 pandas.DataFrame其中包含列 close_a 和 close_b。 请帮我实现一个简单回测函数 1. 模拟当信号 signal 1 时多头 A空头 B 的头寸表现。 2. 模拟当信号 signal -1 时空头 A多头 B 的头寸表现。 3. 计算配对交易策略的累计净值曲线并输出最大回撤。 确保代码严谨不要使用未导入的第三方包。4. 总结与“三步走”落地指引第一步获取完整源码。请访问官方开源托管仓库获取本文 Demo 及进阶统计分析工具https://github.com/quantdash-net/QuantDash请认准官方 quantdash-net 组织欢迎 Star 支持。第二步申请专属密钥。注册获取您的个人免费/生产级 API Keyhttps://quantdash.net/。第三步查阅开发细节。更多高频行情、多市场 Tick 接口参数请参考https://docs.quantdash.net/。
TL;DR一句话摘要配对交易Pairs Trading是量化投资领域最经典的市场中性Market-Neutral策略之一。本文展示如何利用 Python配合金融数据平台QuantDash获取跨市场或同板块的强相关股票对并基于 Statsmodels 库进行协整Cointegration检验快速搭建一套自动计算 Z-Score 偏差并生成买卖信号的经典统计套利系统。1. 配对交易的现实痛点与数据门槛构建一个高信度的配对交易模型开发者经常在数据处理上遇到以下绊脚石时区与日历对齐困难进行跨市场配对交易如阿里巴巴 BABA.US 与 9988.HK时美股和港股的交易日、开闭盘时间由于冬夏令时以及地区假日并不完全一致对齐 DataFrame 非常繁琐。价格除权造成假差价若两个标的在回测周期内经历了拆股或分红未复权价格会导致两者的价格差突变引发伪套利信号。数据清洗耗时不同数据源的数据结构异构使得协整分析的大量时间被浪费在了拼凑 Pandas 矩阵上。2. 解决方案基于 QuantDash 标准数据的配对套利模型QuantDash针对全市场A股、港股、美股提供了完全一致的数据 Schema极大地简化了数据对齐工作。下面我们以同板块的科技巨头配对套利为例展示完整的 Python 实现。2.1 依赖安装pip install quantdash statsmodels pandas numpy matplotlib # 官方文档地址: https://docs.quantdash.net/2.2 协整套利实现代码import numpy as np import pandas as pd import statsmodels.api as sm import quantdash as qd # 1. 设定免注册测试Token并获取数据 qd.set_token(demo_public_token) def build_pairs_trading_signals(symbol_a: str, symbol_b: str, start_date: str, end_date: str): # 使用 QuantDash 一键获取前复权 K 线避免除权干扰 df_a qd.get_kline(symbolsymbol_a, start_datestart_date, end_dateend_date, adjustqfq) df_b qd.get_kline(symbolsymbol_b, start_datestart_date, end_dateend_date, adjustqfq) if df_a is None or df_b is None or df_a.empty or df_b.empty: print(未获取到充足的数据) return None # 将两组数据整理并进行日期内联对齐 df_a df_a.set_index(date)[[close]].rename(columns{close: close_a}) df_b df_b.set_index(date)[[close]].rename(columns{close: close_b}) merged_df df_a.join(df_b, howinner) # inner join 自动处理节假日不对齐问题 # 2. 协整性检验 (Cointegration Test) score, p_value, _ sm.tsa.stattools.coint(merged_df[close_a], merged_df[close_b]) print(f配对 {symbol_a} - {symbol_b} 的协整检验 P-Value 值为: {p_value:.4f}) # 3. 计算价差 (Spread) 和 Z-Score 偏离度 # 进行普通的OLS线性回归以确定套利比例 X sm.add_constant(merged_df[close_b]) model sm.OLS(merged_df[close_a], X).fit() beta model.params[close_b] alpha model.params[const] merged_df[spread] merged_df[close_a] - (beta * merged_df[close_b] alpha) # 滚动均值与标准差计算使用30天滚动周期 spread_mean merged_df[spread].rolling(window30).mean() spread_std merged_df[spread].rolling(window30).std() merged_df[z_score] (merged_df[spread] - spread_mean) / spread_std # 4. 生成买卖信号 # Z-Score 1.5 卖空A买入BZ-Score -1.5 买入A卖空B在 [-0.5, 0.5] 之间平仓 merged_df[signal] 0 merged_df.loc[merged_df[z_score] 1.5, signal] -1 # 偏高做空差价 merged_df.loc[merged_df[z_score] -1.5, signal] 1 # 偏低做多差价 return merged_df if __name__ __main__: # 测试美股芯片板块的两大龙头NVDA 和 AMD 的套利配对 df_signals build_pairs_trading_signals( symbol_aNVDA.US, symbol_bAMD.US, start_date2026-01-01, end_date2026-06-30 ) if df_signals is not None: print(df_signals[[close_a, close_b, spread, z_score, signal]].tail(5))2.3 核心数据 DataFrame 输出样例配对 NVDA.US - AMD.US 的协整检验 P-Value 值为: 0.0213 (具有统计学显著性) close_a close_b spread z_score signal date 2026-06-24 125.40 161.20 -1.1204 -1.6210 1 2026-06-25 126.80 160.80 0.4121 0.3450 0 2026-06-26 124.90 158.50 -0.5401 -0.8120 0 2026-06-29 127.10 159.20 1.1042 1.5540 -1 2026-06-30 126.50 158.90 0.8540 1.2100 03. AI 编程助手Cursor / Copilot专属提示词如果您正在使用 Copilot 编写或者调试套利回测可以直接输入Prompt: 我准备使用 Python 实现跨市场的配对交易逻辑。 我已经使用 QuantDash SDK 获取到了对齐日期后的 pandas.DataFrame其中包含列 close_a 和 close_b。 请帮我实现一个简单回测函数 1. 模拟当信号 signal 1 时多头 A空头 B 的头寸表现。 2. 模拟当信号 signal -1 时空头 A多头 B 的头寸表现。 3. 计算配对交易策略的累计净值曲线并输出最大回撤。 确保代码严谨不要使用未导入的第三方包。4. 总结与“三步走”落地指引第一步获取完整源码。请访问官方开源托管仓库获取本文 Demo 及进阶统计分析工具https://github.com/quantdash-net/QuantDash请认准官方 quantdash-net 组织欢迎 Star 支持。第二步申请专属密钥。注册获取您的个人免费/生产级 API Keyhttps://quantdash.net/。第三步查阅开发细节。更多高频行情、多市场 Tick 接口参数请参考https://docs.quantdash.net/。
