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(symbol=symbol_a, start_date=start_date, end_date=end_date, adjust="qfq") df_b = qd.get_kline(symbol=symbol_b, start_date=start_date, end_date=end_date, adjust="qfq") 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, how="inner") # 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(window=30).mean() spread_std = merged_df["spread"].rolling(window=30).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B；Z-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_a="NVDA.US", symbol_b="AMD.US", start_date="2026-01-01", end_date="2026-06-30" ) 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 Key：https://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/。
