配对交易-低风险统计套利量化交易 Python 实战
配对交易简介
配对交易是指八十年代中期华尔街著名投行 Morgan Stanley 的数量交易员 Nunzio Tartaglia 成立的一个数量分析团队提出的一种市场中性投资策略，其成员主要是物理学家、数学家、以及计算机学家。
Ganapathy Vidyamurthy 在《 Pairs Trading: Quantitative Methods and Analysis 》一书中定义配对交易为两种类型：一类是基于统计套利的配对交易，一类是基于风险套利的配对交易。
基于统计套利的配对交易策略是一种市场中性策略，具体的说，是指从市场上找出历史股价走势相近的股票进行配对，当配对的股票价格差（ Spreads ）偏离历史均值时，则做空股价较高的股票同时买进股价较低的股票，等待他们回归到长期均衡关系，由此赚取两股票价格收敛的报酬。
数据分析
数据来自交易所：币安，数据下载:http://www.tf86.com/binance/
数据包括几种常见数据货币每个小时的价格，每一种数字火币的交易记录有 20000 条。 如下图所示：
具体的数据如下图所示：
数据处理
因为每种数字货币的价格不一样，为了体现出他们的关联性，首先要进行归一化操作，将价格归一化处理。这里采用的是 sklearn 中的 MinMaxScaler 。
## 节选代码 from sklearn.preprocessing import MinMaxScaler min_max_scaler = MinMaxScaler() np_list=np.asarray(data_items).reshape(-1,1) X_train_minmax = min_max_scaler.fit_transform(np_list) 归一化之后，基于 matplotlib 进行可视化
肉眼可见，最上面两个曲线之间有一定的关联性，两者在分离之后多次汇合，接下来借助协方差来评估二者之间的关联度。
模型实现
协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。
采用 numpy 中的 cov 函数来实现协方差的计算。
import numpy as np np.cov(x,y) 输出样例：
[[ 9.44749900e-09 -4.05910662e-09] [-4.05910662e-09 3.38730102e-08]] 效果评估
4 个数字货币的交易记录 
其中 0，1 之间有很高的关联度 
可以在两个价格分离的时候，买入低价的 A，卖出高价的 B，当二者价格重新回归的时候平仓，即可以获得盈利。
相关知识
配对交易： https://wiki.mbalib.com/wiki/%E9%85%8D%E5%AF%B9%E4%BA%A4%E6%98%93
币安： https://www.binance.com/cn/register?ref=23297069
协方差： https://www.zhihu.com/question/20852004
相关教程
sklearn：http://sklearn123.com/
Python：http://pythonok.com/
Pytorch：http://pytorch123.com/