Python实现ETF量化策略:时间序列均值回归 + ADF平稳性检验 + Z‑score

从统计套利到实战，用Python构建“只做多、不猜顶”的均值回归系统

均值回归是量化交易中最经典的思想之一——涨多了会跌，跌多了会涨。然而，在真实的金融市场中，绝大多数时间序列并不平稳，直接套用简单的“低买高卖”往往会导致灾难性亏损。本文将带你实现一个融合平稳性检验与Z‑score异常检测的均值回归策略，并基于11只美股主流ETF进行回测。策略代码完全开源并配有完整的注释，方便你直接集成到自己的回测系统中。

一、策略核心思想

我们不是简单地在价格偏离均线时交易，而是站在统计套利的视角：

1. 收益率序列的Z‑score计算过去N个交易日的日收益率序列，用当前收益率与历史均值的偏离程度作为交易信号。Z‑score 能消除不同资产波动率的量纲影响，使信号具有可比性。

2. 平稳性过滤（ADF检验）只有收益率序列通过增广迪基‑福勒检验（ADF检验）且 p值 < 0.05，才认为该资产近期表现出均值回复特性，从而允许开仓。这一步骤极大地避免了在趋势行情中逆势抄底。

3. 只做多 + Z‑score 阈值

• 当 Z‑score < -1 且序列平稳 → 买入（认为短期过度下跌，即将反弹）

• 当持仓的 Z‑score > +1 → 卖出平仓（认为回归到位，落袋为安）

• 不使用任何趋势过滤、止损或止盈，完全依赖均值回归的自然平仓。

4. 多资产组合我们选取了覆盖能源、金融、科技、公用事业、消费等板块的11只美股ETF（XLE, XLF, XLK, XLU, XLV, XLY, XLP, XLI, XLB, XLRE, XLC），通过分散化降低单资产风险。

二、代码实现详解（核心部分）

完整的Python代码见文末附件，这里重点解读几个关键函数。

1. 数据读取与预处理

策略从本地CSV文件读取数据，要求每只ETF一个文件，列名包含 date, open, high, low, close, volume。代码自动处理UTF‑8/GBK编码，并将所有资产的时间轴对齐到共同交易日。

def _read_local_etf_file(self, code: str):    df = pd.read_csv(file_path)    df['date'] = pd.to_datetime(df['date'])    df.set_index('date', inplace=True)    close = df['close'].astype(float)    open_ = df['open'].astype(float)    return close, open_

2. 平稳性检验 – ADF

使用 statsmodels 的 adfuller 对最近 lookback 根日线的收益率序列进行检验。只有 p值 < 0.05 才认为序列平稳。

def check_stationary(self, code: str, current_date: datetime) -> bool:    price = self.close_data[code]    hist = price[price.index <= current_date].tail(self.lookback)    returns = hist.pct_change().dropna()    p_value = adfuller(returns)[1]    return p_value < self.adf_pvalue_threshold

注意：ADF检验的是收益率而非价格，因为价格通常是非平稳的，而收益率往往接近平稳。

3. 收益率Z‑score计算

取历史窗口内的收益率序列，计算均值和标准差，再用当前收益率与之比较。

def calculate_returns_zscore(self, code: str, current_date: datetime) -> float:    hist = self.close_data[code][:current_date].tail(self.lookback)    returns = hist.pct_change().dropna()    current_ret = (hist.iloc[-1] - hist.iloc[-2]) / hist.iloc[-2]    mean_ret = returns.mean()    std_ret = returns.std()    return(current_ret - mean_ret) / std_ret if std_ret != 0 else 0.0

4. 信号生成与交易执行

• 平仓优先：若持有某ETF且其Z‑score > +1，则次日以开盘价卖出。

• 开仓条件：未持仓 + ADF平稳 + Z‑score < -1 → 次日以开盘价买入。

• 仓位管理：每只ETF分配当前净值的10%资金，买入股数 = 资金 / 开盘价（向下取整）。

def generate_signals(self, current_date):    signals = []    for code in self.close_data:        z = self.calculate_returns_zscore(code, current_date)        if code in self.positions and z > self.z_exit:            signals.append({'code': code, 'action': 'SELL'})        elif code not in self.positions:            stationary = self.check_stationary(code, current_date)            if stationary and z < self.z_entry:                signals.append({'code': code, 'action': 'BUY'})    return signals

交易执行时使用次日的开盘价，并扣除固定佣金（万分之一）和滑点（万分之二）。

三、回测结果与绩效分析

我们使用2019年1月1日至2026年4月10日的数据进行回测（参数：lookback=120，即半年交易日）。初始资金100万美元。实际回测结果如下：

从结果看，策略在长达7年的美股牛熊交替中实现了正向绝对收益，且最大回撤控制在18%以内。值得注意的是，胜率高达62.9%，说明基于收益率Z‑score的均值回归信号具有较高的预测准确性；但由于平均盈亏较小（每笔仅约244美元），整体收益并不突出。年化3.60%的收益率略低于同期美股大盘，然而夏普比率仅为0.06，表明策略承担的风险并未获得足够超额回报。

为什么夏普比率偏低？主要原因在于策略开仓频率较高（1240笔交易），且许多交易仅在微利后便因Z‑score回到+1而平仓，未能捕捉到大的趋势性反弹。此外，2022年美股加息周期中，部分板块ETF（如科技XLK、消费XLY）出现长期下跌，均值回归信号频繁触发但反弹力度不足，导致磨损。

净值曲线与回撤图

尽管如此，该策略在震荡市和温和下跌环境中表现出色，且完全避免了做空风险。对于追求绝对收益、能接受较低夏普的投资者，它仍然是一个可用的辅助策略。

四、策略优势与潜在风险

优势

1. 完全自动化：无需人工判断顶底，Z‑score和ADF检验提供了客观的进出场依据。

2. 多资产分散：覆盖不同板块，单一ETF的极端波动对整体组合影响有限。

3. 只做多：符合大多数投资者的交易习惯，且避免了做空带来的无限风险。

4. 高胜率：62.9%的胜率说明信号质量较好，容易建立交易信心。

风险与不足

• 低盈亏比：平均每笔盈利仅244美元，而最大回撤达到17.55%，意味着策略需要大量小胜来弥补少数亏损，对资金曲线平滑度要求高。

• 长期横盘震荡：若市场长期无显著波动，Z‑score可能频繁触发假信号，导致磨损。

• 跳空风险：使用次日开盘价执行，如果隔夜出现重大利好/利空，实际成交价可能大幅偏离信号时的预期。

• 平稳性检验滞后：ADF检验基于历史窗口，当市场结构突变时（如ETF更换成分股），平稳性可能瞬间失效。

• 没有止损：如果某只ETF在买入后继续暴跌，Z‑score变得更负，策略反而不会平仓（因为Z‑score未回到+1）。这可能导致单笔大额亏损。

五、改进方向与扩展思路

根据实际回测暴露的低夏普问题，建议从以下方向优化：

1. 增加盈亏比过滤：仅在Z‑score < -1.5 或 -2.0 时开仓，避免浅度偏离带来的频繁交易。

2. 动态止盈：将Z‑score出场阈值提高至1.5或2.0，让利润奔跑。

3. 波动率目标仓位：根据当前波动率调整每只ETF的仓位比例，高波动时降低风险暴露。

4. 加入时间止损：持仓超过20个交易日仍未触发平仓，则强制离场。

5. 引入趋势过滤：例如用200日均线方向判断，只在市场处于震荡或下跌阶段启用均值回归。

6. 卡尔曼滤波平滑：用卡尔曼滤波估计时变均值，替代简单滚动窗口，适应结构性变化。

六、如何使用代码运行回测

1. 准备数据：从雅虎财经、Alpha Vantage或其他数据源下载11只ETF的日线CSV，确保列名与代码要求一致。

2. 安装依赖：

   pip install pandas numpy statsmodels matplotlib

3. 修改路径：将 local_data_path 改为你的数据文件夹路径。

4. 运行：

   if __name__ == "__main__":    strategy = QuantConnectMeanReversion(        local_data_path=r"你的数据路径",        start_date="20190101",        end_date="20260410",        lookback=120,        z_entry=-1.0,        z_exit=1.0,        initial_capital=1_000_000    )    strategy.run()

5. 输出：控制台打印绩效报告，同时生成 trades_qc_style_us.csv 交易明细，以及净值曲线图。

七、结语

均值回归策略的魅力在于其底层逻辑的朴素与普适性，但成功的执行离不开统计严谨性（平稳性检验）和风险控制（多资产分散）。本文提供的策略代码经过实战回测，虽然夏普比率不高，但胜率可观，可作为震荡市场中的辅助策略或进一步优化的起点。记住，没有任何策略能永远有效，定期复盘、动态调整才是长期盈利的基石。

如果你对统计套利、配对交易或更高级的协整策略感兴趣，欢迎在评论区留言，我们下一期将深入探讨 “基于协整的ETF配对交易”。

附：完整代码文件请关注公众号并回复关键词“均值回归ETF”获取代码和ETF数据下载链接。

声明：本文所有内容仅为量化策略教学与交流，不构成任何投资建议。市场有风险，投资需谨慎。