7个月前我发布了【均值回归】基于zscore的均值回归策略（胜率100%）一文，
我将zscore思想用于单支股票，思想是股价和其均线值的差价在一定范围内波动，并计算其zscore值，获取买卖信号。

在本策略中，我将zscore思想还本复原，用于配对交易，利用两支相关性强的股票价格差价在一定范围内波动的思想，进行交易。具体做法如下：

• 1、计算沪深300指数成分股近10年股价相关系数，根据相关系数进行配对股票选择

• 2、设定zscore上下限（即买卖信号点），zscore窗口大小

• 3、在每个交易日，计算zscore值

• 4、若触发上下限，则卖出超涨股，买入超跌股

经过对比调试，本策略最终选择了海康威视和格力电器两支股票进行配对交易，回测结果如下，从12年初到19年3月，大概7年多的时间，年化45.38%，夏普1.169，胜率88.2%（一共交易17次），最大回撤53.75%

本策略思想很简单，编写得也较为粗糙，仓位一直保持满仓状态，无止损，导致15年股灾期间出现较大回撤。

另外，在选股方面，相比于之前发布的单股票策略选股的主观性，本策略利用相关系数进行选股，相对更客观，但对于指数的选择（此处选择沪深300指数）可自行调整。

共勉

1、相关性分析¶

# 获取指数成分股历史股价index = '000300.XSHG'start = '2009-1-1'end   = '2019-1-1'code_list = get_index_stocks(index)index_df = get_price(code_list, start, end, fields='close').closeindex_df.head()

/opt/conda/lib/python3.6/site-packages/jqresearch/api.py:86: FutureWarning: 
Panel is deprecated and will be removed in a future version.
The recommended way to represent these types of 3-dimensional data are with a MultiIndex on a DataFrame, via the Panel.to_frame() method
Alternatively, you can use the xarray package http://xarray.pydata.org/en/stable/.
Pandas provides a `.to_xarray()` method to help automate this conversion.

  pre_factor_ref_date=_get_today())

.dataframe tbody tr th:only-of-type {        vertical-align: middle;    }    .dataframe tbody tr th {        vertical-align: top;    }    .dataframe thead th {        text-align: right;    }

import pandas as pd# 计算每支股票与其余股票的相关系数，降序排列# 相关系数相等的两支股票即为配对股票corr_df = index_df.corr()corr_df[corr_df==1] = nancorr_df = pd.DataFrame(corr_df.max().sort_values(ascending=False).head(20), columns=['corr'])corr_df['name'] = [get_security_info(code).display_name for code in corr_df.index]corr_df

.dataframe tbody tr th:only-of-type {        vertical-align: middle;    }    .dataframe tbody tr th {        vertical-align: top;    }    .dataframe thead th {        text-align: right;    }

2、计算zscore¶

window = 60  # zscore窗口code1 = '002415.XSHE'code2 = '000651.XSHE'name1 = corr_df.loc[code1, 'name']name2 = corr_df.loc[code2, 'name']price_df = get_price([code1, code2], end_date=end, count=len(index_df)+window-1, fields='close').closeprice_df.columns = [name1, name2]price_df.dropna(inplace=True)sub = price_df[name1] - price_df[name2]ma = sub.rolling(window).mean()std = sub.rolling(window).std()price_df['zscore'] = round((sub - ma) / std, 4)price_df.dropna(inplace=True)price_df.head()

.dataframe tbody tr th:only-of-type {        vertical-align: middle;    }    .dataframe tbody tr th {        vertical-align: top;    }    .dataframe thead th {        text-align: right;    }

sample = price_df.head(800)# 正常显示负号plt.rcParams['axes.unicode_minus'] = Falseplt.figure(figsize=(20, 10))plt.plot(sample[name1], label=name1)plt.plot(sample[name2], label=name2)plt.legend(loc=1)plt.twinx()plt.plot(sample['zscore'], label='zscore', c='g')plt.axhline(2, c='r'); plt.axhline(-2, c='r')plt.legend(loc=2)plt.show()