基于高频数据的统计套利策略及实证研究_雷井生
基于高频数据的统计套利实证研究
基于高频数据的统计套利实证研究摘要：本文利用高频数据，采用统计方法对套利策略进行实证研究。
通过对高频数据的分析和统计技术的运用，本文发现套利策略在短期内存在一定的盈利机会，但同时也存在一定的风险。
通过对套利策略的实证研究，可以为投资者提供一定的参考和指导。
关键词：高频数据；统计套利；实证研究1.前言本文主要围绕基于高频数据的统计套利进行实证研究。
高频数据是指单位时间内（通常是一天之内）提供多个价格点的数据，包括但不限于分钟数据、秒数据、Tick数据等。
相比于传统的日线数据，高频数据更加精细和准确，可以更好地反映金融市场的波动与变化。
基于此，本文将采用高频数据进行统计套利的实证研究，力求为投资者提供一定的理论参考和实践指导。
2.研究方法2.1 数据来源本文采用了国内某证券市场的5分钟K线数据，涵盖了过去一年的交易信息。
高频数据的选取通过了严格的筛选和清洗，确保数据的准确性和完整性。
2.2 套利策略的建立在统计套利中，最常见的套利策略包括均值回归策略和趋势跟随策略。
本文选择了均值回归策略进行实证研究。
均值回归策略是指在价格波动过程中，当价格偏离其均值过多时，就会有一种向均值回归的趋势。
具体而言，当价格偏离均值偏低时，我们认为价格会向上回归；反之，当价格偏离均值偏高时，我们认为价格会向下回归。
基于这一原理，我们可以建立一种简单的均值回归套利策略，即在价格偏离均值过多时，开仓做多或做空，待价格回归到均值附近时平仓获利。
2.3 统计方法在实证分析中，我们将运用一些常见的统计方法对套利策略的盈利性和风险进行分析。
具体而言，我们将通过均值、标准差、相关系数、协整关系等统计指标来对套利策略进行评价。
我们还将采用统计软件进行回归分析、方差分析等多种统计方法，以得出科学的结论。
3.研究结果通过对高频数据的实证分析，我们得出了以下结论：我们发现，基于均值回归的套利策略在短期内确实存在一定的盈利机会。
通过统计分析，我们发现套利策略在价格偏离均值较大时开仓，待价格回归到均值附近时平仓，可以获得一定的盈利。
基于高频数据的统计套利实证研究
基于高频数据的统计套利实证研究高频数据的统计套利是指利用高频数据进行交易策略的一种投资方法。
随着信息技术的快速发展，高频数据的获取和处理变得更加便捷和实时，使得投资者可以更好地利用市场波动和统计关系来获取利润。
高频数据是指在很短的时间间隔内（通常为秒级或毫秒级）获取的金融市场数据，包括行情数据、委托数据、成交数据等。
与传统的日度、分钟级或者小时级数据相比，高频数据更加详细和精确，可以更准确地反映市场的瞬时行情和交易动态。
在高频数据的统计套利实证研究中，研究者通常会通过建立统计模型来发现市场中的统计关系，并基于这些关系制定交易策略。
常见的统计模型包括协整模型、ARMA模型、GARCH模型等。
具体来说，高频数据的统计套利通常有以下几个步骤：第一步是数据预处理。
由于高频数据的特点是数据量大、噪声多、波动性高，需要对原始数据进行处理，包括数据清洗、去除异常值和滤波等。
第二步是模型建立。
根据具体的研究对象和目标，建立相应的统计模型，通常利用相关性分析、协整分析、时间序列分析等方法来发现行情数据之间的统计关系和规律。
第三步是策略制定。
根据统计模型的结果，制定相应的交易策略，包括入市条件、止盈条件和止损条件等。
根据策略的不同，可以分为趋势策略、均值回归策略、套利策略等。
第四步是回测和优化。
将制定好的交易策略应用到历史数据中进行回测，通过对回测结果的分析和优化，选择最优的参数和模型。
第五步是实盘交易。
经过回测和优化的策略通过实时获取的高频数据进行实盘交易，根据市场的实际情况进行调整和风控。
由于高频数据更加精确和及时，能够更准确地反映市场的瞬时行情和交易动态，使得投资者可以更好地把握市场波动和变动，获取更高的盈利机会。
高频数据的统计套利可以通过建立合理的统计模型来发现市场的统计关系，更具科学性和系统性。
这种方法相对于传统的技术分析和基本面分析，能够更客观地分析市场的运行规律。
高频数据的统计套利能够利用计算机算法进行自动化交易，减少人为干扰和误判的风险，提高交易效率和稳定性。
基于高频数据的股指期货期现统计套利程序交易
挖掘方法等 目 前也在统计套 利 中获得 了应 用 ““ ］ ’＇ 。国外的 ’ 统计套利模型很多用在股票 的配对套利上或者是不 同债券的统 计套利上 。由于股指期货 市场 和融资融券 市场的 最近发展 ， 国
内很多研 究 人 员采 用 协 整 等 统计 套 利 模 型 研 究 中 国股 票 配 对 和股指期货 的跨期套利 Ｌ 。 ２ Ｊ
ｂ ｏ ｄ ｎ ｈ ｔｃ ｄ ｘｆ ｔ ｒ ｓｐ ｅ ｅ ｔ ｂ ｔ ｇ ’ ｈ ｏ ｅ ｉａ ｅ ｅ ｃ ａｈ，ｂ ｔ ｓ ａ ｎ ｎ ｒ ｆ － ｓ ｆ ｃｅ ｔ ｄ ｉ ｏ ａｌ ｔ ｓｍｏ ｒ ｒ ａ ｅ ｓｔ ｅ ｓｏ ｋ ｉ ｅ ｕ ｕ ｅ ｒ ｓ ｎ ｉ ａ ｅ Ｓｔｅ ｒ ｔ ｌ ｒ ｓ ａ ｈ ｐ ｔ ｎ ｒ ａ ｒ ｃ ｒ ｕ ｏｇ ｉ ｓｆ ｅ ｐ ｏ ｔｒ ｋ ｅ ｉｎ ；ａ ｄ ｔ ｎ ｌｙｉ ｉ ｌ ａ ｉ ｉ ｉ ｉ ｉ ｒ ｏ ｅ
ｓｏ’ ａｉｇｃｃ ｅ ｅ ａ ｔ ｍｎ ｔ— ｖｌ ｉ ｅｕ ｎ ｍ ｒｅ ｑａａ ｏ．Ｂ ｘ ｎ ｉｇｆ ｍ ｔｅｅｔｏａ ｇ ｓ ｔｅｐｐｒｎｔ ｎｙ ｐｔ ｓ ｒｄｎ ｙｌ ｔ ｐｎ ｔ ｔ ｉ ｏ ｉｕｅ ｅｅ ｈｓ ｆ ｑ ｅｔ ａｋ ｔ ｕｔｔｎ ｙｅｔ ｄｎ ｏ ｓ ｌ ． ｈ ａｅ ｏ ｏｌ ｔ ｅｏ ｒｅ ｎ ｌ ｈｒ ｉ ｅ ｒ ｈ ｗ ｎ ｅ
张连 华
（ 上海社会科学院数量经济研究中心 上海 ２０ ２ ） ００ ５
（ 申银万国证券股份有限公司博士后科研工作 站
上海 ２０３ ） ００ １
摘
要 我 国最近推 出股 指期货后， 大量投资者采用传 统的基于持有成本理论 的 日间股指期 货期现套 利策略进 场套利 ， 使得 期现 套利 的价差很 快收窄， 可套利机会越来越少 。从 两个 角度 对传 统的股指期货 期现套利 策略进行拓 展 ： 一方面 ， 将获取 绝对收 益的统
基于高频数据的统计套利实证研究
基于高频数据的统计套利实证研究
随着市场经济的发展，金融市场的交易也越来越频繁。
高频数据统计套利成为金融市场交易的一种新趋势。
本文基于大量的高频数据，对统计套利策略进行实证研究。
首先，我们对高频数据进行分析，发现市场波动率较大，交易量和价格波动率存在显著正相关性。
根据这一点，我们认为可以通过把价格波动率的变化与交易量的变化进行比较，寻找波动率与交易量偏差较大的时点进行进行套利交易。
具体地，我们使用回归模型来研究价格变化与交易量的关系，然后选取交易量较高的品种作为套利标的物。
接着，我们选取固定交易时间段（如1秒内）内出现波动率与交易量偏差较大的时点进行交易。
最后，我们计算交易的收益，并通过统计分析的方法检验套利策略的有效性。
实证研究结果表明，该套利策略在实践中是可行的。
我们的研究表明，高频数据统计套利策略可以带来稳定的收益，且具有一定的有效性。
此外，我们还注意到，在实践中，套利策略的成功率和收益率还受到其他因素的影响，如套利标的物的交易周期、市场趋势的变化等。
对此，我们需要继续深入研究。
总之，高频数据统计套利策略为金融市场交易提供了一种新的思路。
通过对市场波动率和交易量的分析，我们可以找到波动率与交易量偏差较大的时点进行套利交易。
我们希望本文的研究可以为相关从业人员提供一些思路和经验，探索金融市场交易的更多可能性。
基于上证50股指期货日内高频统计套利策略的分析
场统计套 利 的 相 关 研 究。 Ｖｉｄｙａｍｕｒｔｈｙ（２００４）从 统 计套利的原始形式———配对交易角度进行了详细论 述，同时强调协整关系在统计套利策略中的重要性。
国内方面，由于国内股指期货产品比国外同类 产品晚很长时间，因此国内学者的研究主要集中在 对国外股指期货的相关研究，以及对国内股指期货 的仿真交易方面。韩广哲、陈守东（２００７）借鉴协整 方法，构建了统计套利模型对上证 ５０成份股进行研 究，发现存在稳定的长期均衡关系，表明了统计套利 的可行性。刘华（２００８）进一步对上证 ５０ＥＴＦ与沪 深 ３００股指期货之间的长期均衡关系进行研究，结 果表明二者之间存在长期均衡关系，实证结果表明 了统计套 利 策 略 的 有 效 性。 霍 睿 刚 （２０１４）构 建 不 同的投资组合，利用沪深 ３００指数对期现与跨期套 利两种交易策略加以实证，认为在中国股指期货市 场这两种套利交易策略都具有可行性。
ｔ∞
（３）ｌｉｍＰ（ｖ（ｔ））＜０）＝０ ｔ∞
（４）如 果 ｔ＜∞，Ｐ（ｖ（ｔ）＜０）＞０，则 ｌｉｍ ｔ∞
Ｖａｒ（ｖｔ（ｔ））＝０ 其中，第一个条件说明统计套利策略无初始投
入，即无初始成本；第二个条件说明统计套利策略收 益要求不能出现亏损；第三个条件说明该策略亏损 概率尽可能小，经过较长一段时间尽可能接近于零； 第四个条件说明在某一时点如果有亏损情况发生， 则从此时往后的较长一段时间，收益 ｖ（ｔ）波动率不 会被无限放大。因此，统计套利并不是完全没有风 险的。统计套利的确存在风险，有损失的可能性。
【金融证券】
基于上证 ５０股指期货日内 高频统计套利策略的分析
基于统计套利的ETF期现套利方法应用研究的开题报告
基于统计套利的ETF期现套利方法应用研究的开题报告一、研究背景ETF是一种基金产品，可以跟踪特定指数的表现，许多投资者喜欢使用ETF进行投资，因为它们通常具有低费用，高流动性和广泛的分散化。
ETF与其跟踪的指数之间存在差异，这种差异在大多数情况下是小的，但在某些市场环境下，这种差异可能变得很大。
在这种情况下，ETF的价格将与其所跟踪的指数差异较大，从而为ETF期现套利提供机会。
二、研究目的本研究的目的是基于统计套利，探讨ETF期现套利的方法，以实现稳定的收益。
三、研究方法本研究将采用文献综述法和数据分析法。
通过对以往相关研究文献的综合分析，对期现套利的理论基础形成清晰的认识。
同时，利用历史数据进行统计分析，运用协整分析的方法，寻找存在协整关系的ETF和其所跟踪的指数之间的差异，确定可行的套利策略。
四、研究内容1. 研究ETF期现套利的理论基础和相关概念。
2. 分析ETF和其跟踪的指数之间的差异，运用协整分析方法，探讨是否存在套利机会。
3. 建立ETF期现套利的交易模型。
4. 利用历史数据进行实证研究，验证样本内和样本外的交易效果。
5. 针对实证结果进行分析，总结ETF期现套利策略的优缺点。
五、预期成果1. 对ETF期现套利的理论基础和相关概念进行深入的阐述。
2. 确定了基于统计套利的ETF期现套利方法，建立套利交易模型。
3. 对历史数据进行实证研究，进一步验证基于统计套利的ETF期现套利方法的可行性。
4. 对ETF期现套利的策略进行总结，提出改进建议或应用前景。
六、研究意义1. 帮助投资者更好地了解ETF期现套利的基础概念和理论基础。
2. 对于投资者和交易员来说，本研究提供了一种可行的套利策略。
3. 为衍生品市场的ETF市场提供一种新的交易策略，并为ETF市场提供更多投资机会。
4. 对于理解资本市场的套利机制和ETF市场的动态变化具有重要的意义。
基于高频数据的统计套利实证研究
基于高频数据的统计套利实证研究统计套利是一种利用市场的非理性行为和市场信息不对称赚取超额收益的投资策略。
随着互联网技术和计算机算力的不断提升，高频数据的使用在统计套利领域中变得越来越常见。
本文旨在通过实证研究探讨基于高频数据的统计套利策略的有效性和可行性。
首先，基于高频数据的统计套利策略需要实时而准确地获取市场数据。
我们使用国内期货市场数据作为研究对象，使用Python编程语言获取和解析市场数据。
我们采用了1分钟级别的交易数据，包括期货价格和成交量。
而对于数据处理方法，我们选择了ARIMA模型和Logistic回归模型两种方法。
其次，我们使用ARIMA模型进行强势证券和弱势证券的选择。
具体来说，我们首先对所有期货合约的收益率进行计算，然后计算各个合约之间的相关系数，筛选相关性较低的合约。
之后，我们对筛选出的合约运用ARIMA模型进行拟合和预测，选择预测结果为正的合约作为强势证券，预测结果为负的合约作为弱势证券。
最后，我们使用Logistic回归模型进行多头合约和空头合约的选择。
具体来说，我们先计算出筛选出来的强势证券和弱势证券的针对性收益率，并将其作为自变量，将每个期货合约的多头或空头持仓量作为因变量进行回归分析。
通过回归模型得到的系数越大，代表该合约的多头或空头持仓量对应的策略收益率越高，选择系数较大的合约作为多头或空头合约。
经过模型的运用，我们得到了基于高频数据的统计套利策略的表现。
我们将经过筛选后的多头持仓和空头持仓的合约分别进行交易，并计算和比较它们的策略收益。
结果表明，我们的策略可以取得显著的超额收益，相较于全国期货平均收益，我们的策略收益率有了明显的提高，甚至达到了一些全国排名前列的对冲基金的水平。
综上，本文通过实证研究证明，基于高频数据的统计套利策略是可行的，而且具备一定的获利潜力。
然而，需要注意的是，基于高频数据的统计套利策略需要高度的技术支持和严谨的风险控制措施。
基于高频数据的统计套利实证研究
基于高频数据的统计套利实证研究
统计套利是指通过利用市场价格之间的不协调，将多个市场的低价与高价之间的差价变现。
统计套利是一种短期的交易策略，依赖于市场价格之间的短期反差，这种反差通常是由于市场风险、流动性或信息不对称等原因引起的。
基于高频数据的统计套利实证研究，是通过对市场高频数据的分析和研究，寻找不同市场之间的价格差异，并试图利用这些差异来实现利润的交易策略。
在这种交易策略中，投资者通常会选择不同的资产类别，例如股票、货币、股指期货等，以实现不同市场之间的套利机会。
在进行基于高频数据的统计套利交易时，投资者需要有充分的市场信息和数据，以便实现准确的交易策略。
这些数据通常包括市场价格、交易量、成交价差、新闻事件、政府政策等。
通过分析和比较这些数据，投资者可以找到不同市场之间的价格差异，并通过购买低价市场的资产，并在高价市场的资产上卖出，实现价格差额的变现。
在实际操作中，基于高频数据的统计套利交易可以采用多种不同的方法和策略，并可以使用多种不同的工具和技术来实现交易。
例如，投资者可以使用计算机算法和程序来自动化交易，并利用实时市场数据来优化交易策略。
此外，投资者还可以利用不同的交易平台和工具来实现交易，并利用杠杆化交易来提高收益。
总体而言，基于高频数据的统计套利交易是一种高风险、高回报的交易策略，需要投资者具有充分的市场知识和技能，以便有效地利用市场价格之间的不协调来实现利润。
同时，投资者还需要具备优秀的风险管理和资金管理能力，以避免潜在的交易风险和损失。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
CSRC 行业（ 门类 / 大类 / 中类） 采掘业 /石油和天然气开采业 / 采掘业 /石油和天然气开采业 / －
采掘业 /煤炭采选业 / － 采掘业 /煤炭采选业 / － 采掘业 /有色金属矿采选业 / － 制造业 /有色金属冶炼及压延加工业 / － 制造业 /黑色金属冶炼及压延加工业 / － 制造业 /黑色金属冶炼及压延加工业 / － 金融、保险业 / 银行业 / 金融、保险业 / 银行业 / － 金融、保险业 / 银行业 / 其他商业银行 金融、保险业 / 证券、期货业 / 综合类证券公司 金融、保险业 / 证券、期货业 / － 金融、保险业 / 保险业 / － 建筑业 /土木工程建筑业 / － 建筑业 /土木工程建筑业 / － 建筑业 /土木工程建筑业 / － 交通运输、仓储业 / 水上运输业 / － 交通运输、仓储业 / 铁路运输业 / － 信息技术业 /通信服务业 / 电信服务业
日内高频数据进行匹配处理，删除多余的数据。相关性分析软件为 SPSS 13． 0。
国内对统计套利的研究相当匮乏，处在起步 阶段。孙维（ 2009） 采用 GARCH 模型模拟深圳综 合指数收益序列变化趋势，研究结果表明我国股 票市场收益存在着明显的长期记忆性，股票市场 未达到弱式有效［6］。窦昕（ 2009 研究发现上海股 票市场与深圳股票市场均未达到弱式有效，但上 海股票市场 正 向 弱 式 有 效 发 展［7］。 将 统 计 套 利 策略 运 用 在 封 闭 式 基 金 市 场 的 文 章 有 方 昊 （ 2005） ，该文指出统计套利是机构投资者采用的 基于 模 型 驱 动 的 投 资 方 法。 仇 中 群，程 希 骏 （ 2008） 将基于协整的统计套利策略运用在沪深 300 股指 期 货 的 仿 真 交 易 上。数 据 采 用 IF0806 与 IT0807 合约在 2008 年 5 月 19 日至 2008 年 5 月 21 日的一分钟数据。股指期货仿真交易市场 存在一定的跨期套利空间，统计套利策略是有效 的［8，9］。
义上的相关性，使得统计套利机制存在一定稳定性，又可以避免按大类或中类使得套利机会过少的情况。
·140·
股票 中国石化 中国石油 中国神华 中煤能源 紫金矿业 中国铝业 武钢股份 宝钢股份 浦发银行 工商银行 招商银行 中信证券 海通证券 中国平安 中国中铁 中国铁建 中国建筑 中国远洋 大秦铁路 中国联通
2013 年
为保证数据的有效性，剔除了于 2009 年 7 月 29 日上市的中国建筑，并以其余的 19 只股票中 最晚上市的资金矿 业 的 上 市 日 期———2008 年 4 月 25 日作为数据起始点，截止日期为 2010 年 6 月 3 日，每个序列有 516 个样本。为了消除股票 价格除权除息的影响，首先要对股票价格进行复 权处理。复权是将股价和成交量进行权息的修 复，按照股票的实际涨跌来绘制股价走势图。本 文采用前复权收盘价，因为进行统计套利是采用 股票的当前价格，而前复权价格只是为发出交易
本文选取上证超级大盘指数的 20 只成分股 进行统计套利策略研究。超大盘指数于 2009 年 4 月 23 日发布，由在上交所上市的具备一定规模 及流动性的 20 家超级大型上市公司构成，其能综 合反映上交所超大型上市公司股票的整体表 现②。由于我国存在比较明显的投资风格转换现 象，可以发现大盘股通常会出现同涨同跌现象，从 而带动整个股市的涨跌，这给统计套利提供了机 会。并且由于这 20 只成分股属于超级大盘股，有 利于统计套利策略实现，且流动性成本较低。选 取超大盘指数 20 只成分股进行统计套利分析，首 先按照 CSRC 行业分类标准，将成分股进行分类， 如表 1 所示。
摘要： 融资融券和股指期货的推出为我国证券市场的统计套利策略的实施提供了良好的平台。统计套利策略 是将统计方法运用于证券市场的重要工具，基于高频数据的统计套利策略可以满足机构投资者套利需求，同 时引进一种全新更加有效的投资方式。论文将常用统计套利策略进行改进，设计出新的统计套利策略并进行 实证检验。运用各频率数据进行套利的交易次数都显著减少，平均单次收益率则成倍增加，达到了获取最大 单次收益及降低交易频率的目的。在新统计套利策略下，运用 6 个频率数据进行套利均能取得很好的绩效， 并且样本内的盈利性对于样本外的盈利性预测性明显增强。说明在高频数据下，统计套利策略运用于我国股 票市场上是有效性的，并且新统计套利策略显著优于常用策略。 关键词： 统计套利策略； 高频数据； 协整模型； 统计数据频率
① 相关关系反映的是现象之间确实存在的数值不确定的相互依存关系。相关系数 r 是说明现象之间相关关系密切程度的最重要指
∑ 标。r 计算公式为： r = σ2xy =
（ x － x珋） （ y － y珋） 。
σx σy 槡（ x － x珋） 2 槡（ y － y珋） 2
② 本文按照上市公司的证券会行业分类标准（ CSRC） ，将成分股按门类进行分类配对，这样既有利于选取的配对股票之间存在经济意
科研管理
表 1 超大盘指数成分股行业分类① Table 1 super － market index constituent stocks of the industry classification
上市时间 2001 － 8 － 8 2007 － 11 － 5 2007 － 10 － 9 2008 － 2 － 1 2008 － 4 － 25 2007 － 4 － 30 1999 － 8 － 3 2000 － 12 － 12 1999 － 11 － 10 2006 － 10 － 27 2002 － 4 － 9 2003 － 1 － 6 1994 － 2 － 24 2007 － 3 － 1 2007 － 12 － 3 2008 － 3 － 10 2009 － 7 － 29 2007 － 6 － 26 2006 － 8 － 1 2002 － 10 － 9
在国内已有的文献中，将统计套利策略多运 用于期货市场，而运用于我国股票市场的研究很 少，采用日数据是传统统计套利的惯例，协整模型 是国内外统计套利策略的传统模型。然而，随着 高频数据运用的兴起，日内套利机会也已引起投 资者与学者的高度关注。本研究旨在对我国股票 市场的统计套利策略进行研究，不仅考虑日间套 利机会，还研究了可能存在的大量日内套利机会。 主要运用相关性分析的方法，对于同一股票组合， 其价格的不同频率数据的相关系数是不同的，因 此在运用不同频率数据进行统计套利时，对股票 组合价格的各频率数据的相关性进行分析是十分 有必要的。论文基于研究结果将常用策略进行改
收稿日期： 2011 － 10 － 08； 修回日期： 2012 － 07 － 27． 基金项目： 国家社会科学基金青年资助项目（ 11CGL006 ） ； 中央高校基本科研业务费专项资金资助（ 2011QNZT235 ） ； 湖南省教育科
学" 十二五" 规划青年专项资助课题 XJK011QGD006； 湖南省社会科学基金一般项目 11YBB379。 作者简介： 雷井生（ 1976 － ） ，男，湖南郴州人，管理学博士，中南大学商学院讲师，主要研究经济管理理论、市场营销等。
中图分类号： F820
文献标识码： A
1 引言
统计套利策略是将统计方法运用于证券市场 的重要工具，特别是国外对冲基金等机构投资者 成功运用多年，它的实施为国外机构投资者带来 了巨额低风险收益。由于我国证券市场之前长期 缺乏做空机制及股票指数期货等衍生产品，统计 套利策略没有实施平台，因此国内对于统计套利 策略研究及应用很少［1］。我国融资融券于 2010 年 3 月 31 日正式启动，以及沪深 300 股指期货于 2010 年 4 月 16 日正式上市交易，为我国证券市 场的统计套利策略的实施提供了良好的平台。如 何利用高频数据进行套利已经成为今后套利的发 展趋势［2］。因此 本 文 在 融 资 融 券 和 股 指 期 货 刚 刚推出的背景下，基于高频数据对我国股票市场 的统计套利策略研究，满足机构投资者套利需求，
第 34 卷 第 6 期 2013 年 6 月
科研管理 Science Research Management
文章编号： 1000 － 2995（ 2013） 06 － 008 － 0138
Vol． 34，No． 6 June， 2013
基于高频数据的统计套利策略及实证研究
雷井生，林 莎
（ 中南大学商学院，湖南 长沙 410083）
信号所用②。 日数据实际收盘价由万得金融数据库导出，
而日内高频数据由同花顺行情软件逐一导出③。 日数据的前复权价格由万得金融数据库导出，而 日内高频数据的前复权价根据以下方式手工计算 得出［12］： 将日数据股权登记日的前复权价除以该 日的实际收盘价得出向前复权系数，再将该向前 复权系数从股权登记日开始乘以日内高频数据直 至样本起始点。其中高频数据样本期间需要进行 向前复权处理的股票及其系数如表 2 所示④。
① 资料来源： 通过上海证券交易所相关资料整理得出。 ② 复权方式又分为向前复权和向后复权。向前复权是指保持股票的现有价格不变，缩减以前的价格，将除权前的 K 线向下平移，保持
股票价格走势的连续性。向后复权则是指保持股票以前的价格不变，增加以后的价格。 ③ 同花顺提供的日内高频数据频率包括： 60 分钟、30 分钟、15 分钟、5 分钟及 1 分钟。 ④ 如果某段时间内，某股票由于停牌而没有成交记录，该股票当日就没有日内高频数据，因此为保持数据的一致性，文章将所有股票的
林 莎（ 1983 － ） ，湖南娄底人，中南大学商学院讲师，主要研究对外投资、经济管理等。
第6 期Biblioteka 雷井生，林 莎： 基于高频数据的统计套利策略及实证研究
·139·
略运用于伊斯坦布尔股票交易所的上市公司，采 用的数据是 2002 至 2008 年间的股票日收盘价。 文章在对 ISE30 指数成分股进行统计套利时，没 有按照行业分类，以提高不同成分股价格之间存 在均值回归的可能性［3 － 5］。