第 7 章：专题拼盘——均值回归、协整、退出与季节性

原书章名 “Special Topics in Quantitative Trading”。八个独立小专题，每个都是作者后续著作的一章预告。本页按对个人研究者的实用度重排，前三个专题最值得精读。

专题一：均值回归 vs 动量（策略的两大血统）#

一切策略几乎都能归入两类：赌价格回来（均值回归）或赌价格继续（动量）。两者性格相反：

	均值回归	动量
胜率	高（常赢小钱）	低（靠大赢翻本）
尾部风险	亏在不回来的那次（接飞刀）	亏在反转（排队踩踏）
持有期	短	长
天然出场点	有（回到均值）	无（靠跟踪止损）

关键判断：同一市场在不同时间尺度上可以同时存在两种政体——A 股短周期反转效应强（reversal_5 的理论依据）、中长周期动量弱于美股，正是本土化研究的经验结论。

专题二：平稳性与协整（配对交易的地基）#

单只股票价格几乎不平稳（随机漫步），但两个相关资产的价差可以平稳——这就是协整，可用 ADF/CADF 类检验判断。第 3 章的 GLD-GDX 示例到这里补上理论：配对交易赌的不是价格水平，而是价差的均值回归。Chan 提醒：协整关系会断（基本面分道扬镳），所以配对交易也要设”价差止损”。

专题三：退出策略（比入场更少被研究）#

入场决定赚不赚，退出决定赚多少。Chan 的框架是退出必须与策略血统匹配：均值回归有天然目标价（均值），可以用利润目标；动量没有目标价，只能用时间退出或跟踪止损。最常见的错误是给均值回归策略设紧止损——价差越拉越开时止损离场，恰好卖在了统计上最该加仓的位置（前提是协整关系未断，这正是难点）。

专题四：政体转换与条件参数优化（第 2 版新增重点）#

参数在牛市和熊市本就该不同。第 2 版新增了用机器学习做条件参数优化（CPO）的方法：不再寻找全时段最优的一组参数，而是让参数成为市场状态变量（波动率、趋势强度等）的函数。这是全书与现代 ML 实践衔接最紧的一节，也是防”平均意义最优、每个政体都不优”的药方。

其余专题速览#

因子模型：多股票横截面打分的框架，即 AlphaForge 的整个方法论——Chan 只给引子，深读请转书屋《因子投资：方法与实践》；
季节性策略：商品期货的日历效应（书中以天然气/汽油期货为例）——规律直白但容量小，正适合个人；
高频交易：个人做不了纯高频（设备与费率劣势），但微结构知识能改进你的执行；A 股 T+1 与印花税更是制度性封门；
高杠杆还是高贝塔：想要高收益，应选”低波动高夏普策略 + 杠杆”，而非天然高波动的策略——这是第 6 章凯利结论的应用题。

对应本平台#

平台的因子横截面框架就是”专题：因子模型”的实现；reversal_5 属于均值回归血统，按本章表格，它的风险剧本是”接飞刀”——在K线页翻几只连续跌停股感受一下什么叫不回来的均值；
想验证”尺度决定血统”：写一个 20 日动量因子与 reversal_5 在因子对比同屏，看 IC 符号如何随周期翻转。

本章带走的三句话#

策略只有两大血统：均值回归赢在胜率、死在飞刀；动量赢在尾部、死在反转；
退出要配血统：均值回归用目标价，动量用跟踪止损——用反了等于系统性卖错点；
单价格不平稳、价差可平稳（协整）；参数可随政体条件化——这两把钥匙通向作者的下一本书。