用 Python 揭秘均值回归策略：你的收益从何而来？

2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含 350 篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

在瞬息万变的金融市场中，如何从 1000 多只股票中找到真正有价值的交易机会？传统的技术分析早已不够用，现在的顶级交易员都在用 AI 信号 + 量化异常检测 + 情绪分析 的组合拳。

今天为大家带来一份来自 Empirical Markets 平台的系统化交易工作流，并结合 Python 代码示例，让学习 Python 的你也能快速上手量化分析。无论你是刚入门的新手，还是正在构建自己量化系统的开发者，这篇文章都值得收藏！

---

一、核心框架：两层分析体系

Empirical Markets 将市场分析拆解为两个层次：

1. 1. 市场层（Market-level）：用于发现潜在机会
2. 2. 个股层（Ticker-level）：用于深入分析具体标的

整个工作流可以概括为：从市场层筛选候选 → 在个股层验证信号 → 综合决策。

---

二、读懂市场风险图谱（Market Risk Profile）

这是一个基于 CAPM 模型的 α vs β 散点图，覆盖 900 多只股票。

CAPM 公式

Alpha 和 Beta 的含义

• • Alpha（α）：超额收益，衡量股票跑赢或跑输预期的幅度
• • Beta（β）：市场敏感度，衡量股票相对大盘的波动性

Beta 值	含义
β > 1	放大市场波动
β = 1	与市场同步
0 < β < 1	跟随市场但更温和
β ≈ 0	基本独立于市场
β < 0	与市场反向运动

Python 实战：手动计算 Alpha 和 Beta

import numpy as np
import pandas as pd
import yfinance as yf

# 下载股票数据（以 NVDA 和标普 500 为例）
stock = yf.download("NVDA"， start="2024-01-01"， end="2024-12-31")
market = yf.download("SPY"， start="2024-01-01"， end="2024-12-31")

# 计算日收益率
stock_returns = stock["Close"].pct_change().dropna()
market_returns = market["Close"].pct_change().dropna()

# 无风险利率（假设年化 4.5%，换算为日度）
risk_free_rate = 0.045 / 252

# 超额收益
excess_stock = stock_returns - risk_free_rate
excess_market = market_returns - risk_free_rate

# 计算 Beta（协方差/方差）
beta = np.cov(excess_stock， excess_market)[0， 1] / np.var(excess_market)

# 计算 Alpha（截距项）
alpha = excess_stock.mean() - beta * excess_market.mean()

# 年化 Alpha
alpha_annualized = alpha * 252

print(f"Beta（β）: {beta:.4f}")
print(f"Alpha（α）年化: {alpha_annualized:.4%}")

解读规则：

• • 做多（Long）：寻找高 α + 目标 β 的股票
• • 做空（Short）：寻找低 α + 目标 β 的股票

---

三、AI 信号：高概率预测

Empirical Markets 提供多个 AI 模型，每个模型训练用于识别特定类型的事件。

主要信号类型

• • High Reclaimed（看涨）：预测股价将重新夺回近期高点
• • Downside Risk Elevated（看跌）：识别下行风险升高的标的
• • Upside Risk Elevated（看涨）：识别上行风险升高的标的
• • Bullish Pattern Detected（看涨）：检测历史上看涨的价格模式

案例：$ETR 信号

在 Downside Risk Elevated 模型中，$ETR 的精确率（Precision）达到 75.9%，且这一指标是基于留出测试集（hold-out test dataset） 计算的，有效避免了数据泄露。

Python 示例：简易的信号精确率评估

from sklearn.metrics import precision_score， classification_report

# 模拟模型预测结果
y_true = [1， 0， 1， 1， 0， 1， 0， 1， 1， 0]  # 实际标签（1 表示发生下跌）
y_pred = [1， 0， 1， 0， 0， 1， 1， 1， 1， 0]  # 模型预测

# 计算精确率
precision = precision_score(y_true， y_pred)
print(f"模型精确率: {precision:.2%}")

# 详细报告
print(classification_report(y_true， y_pred， target_names=["正常"， "下跌"]))

---

四、量化异常检测：资金流向（Flow Ratio）

Flow Ratio 衡量资金流入或流出某只股票的强度，相对于大盘和该股票自身的历史水平。

核心逻辑

• • 高 Flow Ratio（如 3σ、5σ、7σ）表示资金异常集中流入
• • 适合 "follow the money" 类型的交易者
• • 由于方向中性，可用于看涨和看跌两种场景

Python 实战：计算 Flow Ratio

import pandas as pd
import numpy as np

def calculate_flow_ratio(df， window=20):
    """
    计算资金流比率（Flow Ratio）
    :param df: 包含 Close 和 Volume 列的 DataFrame
    :param window: 滚动窗口长度
    :return: Flow Ratio 的 σ 值
    """
    # 计算成交金额
    df["dollar_volume"] = df["Close"] * df["Volume"]

    # 计算均值和标准差
    df["mean_flow"] = df["dollar_volume"].rolling(window=window).mean()
    df["std_flow"] = df["dollar_volume"].rolling(window=window).std()

    # 以 σ 为单位的异常值
    df["flow_sigma"] = (df["dollar_volume"] - df["mean_flow"]) / df["std_flow"]

    return df

# 使用示例
data = yf.download("QXO"， start="2025-01-01"， end="2026-04-20")
result = calculate_flow_ratio(data)

# 找出异常流入日（σ > 3）
anomalies = result[result["flow_sigma"] > 3]
print(f"发现 {len(anomalies)} 个资金流异常日")
print(anomalies[["Close"， "Volume"， "flow_sigma"]].tail())

---

五、个股智能仪表盘

点击任意股票后，进入 Ticker Intelligence Dashboard，可以叠加三类信号：

1. 1. AI 信号：模型事件标注
2. 2. 量化异常：资金流等异常点
3. 3. 技术指标：布林带、EMA 等

叠加信号的价值

通过多层信号交叉验证，你可以：

• • 用量化异常验证 AI 信号
• • 用技术指标确认趋势
• • 识别信号之间的一致性或背离

Python 示例：绘制技术指标叠加图

import matplotlib.pyplot as plt
import pandas as pd

# 下载数据
df = yf.download("TM"， start="2025-10-01"， end="2026-04-21")

# 计算 20 日 EMA
df["EMA_20"] = df["Close"].ewm(span=20， adjust=False).mean()

# 计算布林带
df["MA_20"] = df["Close"].rolling(window=20).mean()
df["STD_20"] = df["Close"].rolling(window=20).std()
df["Upper"] = df["MA_20"] + 2 * df["STD_20"]
df["Lower"] = df["MA_20"] - 2 * df["STD_20"]

# 绘图
plt.figure(figsize=(12， 6))
plt.plot(df.index， df["Close"]， label="TM Price"， color="white")
plt.plot(df.index， df["EMA_20"]， label="EMA 20"， color="cyan")
plt.plot(df.index， df["Upper"]， label="上轨"， color="green"， alpha=0.5)
plt.plot(df.index， df["Lower"]， label="下轨"， color="red"， alpha=0.5)
plt.fill_between(df.index， df["Upper"]， df["Lower"]， alpha=0.1)
plt.title("TM 股价与技术指标叠加")
plt.legend()
plt.show()

---

六、跨资产相似性分析

Cross-Asset Similarity 视图展示与目标股票行为相似的其他证券。

应用场景

• • 识别同行或替代品
• • 理解行业或宏观暴露
• • 发现相关资产间的背离

案例：$TM 的相似性分析

平台发现 VEA（81.9%）、TM 行为相似，但 $TM 明显跑输这一同行组，暗示相对弱势。

Python 实战：计算跨资产相似度

import pandas as pd
import numpy as np

# 定义一组待比较的股票
tickers = ["TM"， "VIK"， "VEA"， "URA"， "VEU"， "VXUS"， "VGK"]

# 下载数据
data = yf.download(tickers， start="2026-03-20"， end="2026-04-21")["Close"]

# 计算日收益率
returns = data.pct_change().dropna()

# 计算相关系数矩阵
corr_matrix = returns.corr()

# 查看与 TM 的相关度，按相似度降序排序
similarity = corr_matrix["TM"].drop("TM").sort_values(ascending=False)

print("与 TM 相似度排行:")
print((similarity * 100).round(1).astype(str) + "%")

---

七、内部人交易与 SEC 文件

除了技术信号，平台还整合了内部人交易和 SEC 披露文件两大信息维度。

为什么重要？

• • 内部人的大额买卖往往反映公司内部视角
• • SEC 文件是信息未完全反映在价格前的重要来源
• • 叠加这些信息可以建立更完整的分析闭环

---

总结

本文系统梳理了 Empirical Markets 的高胜率交易分析工作流，核心要点如下：

1. 1. 两层分析体系：先从市场层发现机会，再到个股层深入验证
2. 2. CAPM 框架：通过 α 和 β 评估风险与收益的匹配度
3. 3. AI 信号：高置信度的事件预测，配合精确率指标使用
4. 4. 量化异常：Flow Ratio 等信号揭示资金真实流向
5. 5. 多层叠加：AI + 量化 + 技术指标 + 基本面 + 内部人数据
6. 6. 跨资产比较：识别相对强弱，避免单一标的偏见

交易的本质是概率游戏，长期成功来源于持续把胜率倾斜到自己这一边。对于 Python 学习者来说，掌握这些量化工具不仅能帮你更理性地看待市场，也能让你的编程技能在真实场景中发挥价值。

建议从本文的代码示例入手，尝试使用 yfinance、pandas、numpy 等库复现这些分析方法，逐步构建属于自己的量化分析工具箱！

---

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：300+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. 量化投研实战课程：赠送《AKQuant-入门及实战》《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
   专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

好文推荐