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       0

3. 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/。