均值回歸：量化交易的核心原理

均值回歸（Mean Reversion）是量化交易中最基礎、最有力的統計學概念。它描述了一種普遍存在的市場現象：資產價格在大幅偏離其歷史平均水準後，具有回歸均值的自然傾向。理解並運用這一原理，是建構盈餘交易策略的關鍵起點。如需了解其他核心概念，可參考量化交易基礎與選股策略指南。

什麼是均值回歸？

均值回歸的核心理念簡單直觀：當一項資產的價格、收益或價差大幅高於或低於其長期平均水準時，統計學上傾向於隨時間回歸到該平均點。這種行為類似橡皮筋——拉得愈遠，回彈的力道愈強。

在數學上，均值回歸過程通常以 Ornstein-Uhlenbeck 隨機過程 來建模：

dX_t = θ(μ − X_t)dt + σdW_t

其中 θ 控制回歸速度，μ 代表長期均值，σ 控制波動率。θ 值愈大，價格回歸均值的速率愈快。

為何均值回歸在金融市場中成立？

均值回歸的成立基於幾個市場機制：

1. 基本面錨定：資產價格最終由基本面決定。當技術面因素（如恐慌性拋售或貪婪性追漲）推升價格偏離基本面時，理性參與者會進場捕捉回歸機會。

2. 配對交易（Pairs Trading）：兩隻具有協整關係（cointegration）的股票，其價差會穩定在一個均值附近。當價差擴大時，交易員買入相對便宜的一隻、賣出貴的一隻，等待價差收窄。

3. 波動率均值回歸：波動率指數（如 VIX）天生具有均值回歸特性，因為市場恐懼與平靜會週期性交替。

關鍵指標：Z 分數與標準差

Z 分數是量化交易中最廣泛使用的均值回歸量化工具，它將價格偏差標準化為標準差的倍數：

Z = (X − μ) / σ

Connors 的短期均值回歸策略便廣泛使用 Z 分數及 2 週期 RSI，在大型股中具有 70-75% 的勝率紀錄。

均值回歸 vs. 趨勢追蹤

風險與注意事項

均值回歸策略有幾個關鍵風險需要管理：

均值轉移風險：若資產的基本面發生結構性改變，舊均值的參考意義將喪失。例如一公司股票下跌 80% 且永遠沒有恢復，便不是均值回歸，而是價值永久的重訂。

負偏態報酬分佈：均值回歸策略通常有大量的小額盈利與少數的大幅虧損。若沒有嚴格的停損紀律，單筆大虧損可能抹除多筆小額盈利。

流動性風險：均值回歸交易常涉及較不具流動性的工具，在市場壓力下散價會擴大，影響執行成本。

擁擠風險：當過多空交易員追逐同一個均值回歸信號時，出場行為會產生相關性，導致損失同步放大。

常見問題

什麼是均值回歸？

均值回歸是指資產價格或財務指標在偏離歷史平均水平後，傾向於隨時間回歸均值的統計現象。當價格大幅上漲時，預期會回落；當價格大幅下跌時，預期會反彈。

如何使用 Z 分數判斷均值回歸信號？

Z 分數衡量當前價格相對於移動平均線的標準差倍數。計算方式為 Z ＝（當前價格 − 均值）／標準差。當 Z 分數低於 -2 時表示價格顯著超賣，高於 +2 時表示顯著超買，這些都是均值回歸的入場信號。

均值回歸策略有什麼風險？

最大風險是「均值本身發生轉移」。若基本面改變，價格可能永遠不會回到舊均值。此外，均值回歸策略的報酬分佈呈現「多次小幅盈利、偶發大幅虧損」的負偏態特徵，因此需要嚴格的停損紀律来控制極端風險。

均值回歸適用於哪些資產？

均值回歸在匯率、波動率指數、股票配對交易及指數估值比率上表現最為可靠。這些資產具有結構性制約，使其價格圍繞均衡值震盪。

Algo Lab 如何應用均值回歸？

Algo Lab 使用均值回歸原理開發量化選股系統。透過 Z 分數模型掃描市場，自動識別偏離均值的標的，並結合停損規則管理風險，讓投資者能系統性捕捉價格回歸的獲利機會。

Algo Lab 的均值回歸應用

Algo Lab 將均值回歸原理融入量化選股系統：

Z 分數掃描：系統定期計算每檔股票的 Z 分數，自動篩選出偏離均值的標的，並產生交易信號。

停損管理：結合 Z 分數閾值設定動態停損，確保在均值轉移發生時及時止損，控制負偏態風險。

配對交易篩選：系統利用協整測試（如 Augmented Dickey-Fuller 測試）確認配對關係的穩定性，確保價差具有真正的均值回歸特性。

半衰期評估：透過 Ornstein-Uhlenbeck 參數估算回歸半衰期，決定最適持有時間與出場時機，避免過長持有導致利潤回吐。

均值回歸不僅是一個交易策略，更是量化投資的思維基礎。Algo Lab 的自動選股平台讓普通投資者也能運用這項原理，系統性地捕捉市場中的回歸機會。

加入 Algo Lab VIP 會員，體驗基於均值回歸原理的量化選股系統，讓數據為你捕捉每一次回歸機會。立即了解 VIP 方案