均值回归2.0：从「越跌越买」到「跌够了才买」
我之前写过几篇关于均值回归的文章。但老实说，那版策略有个致命问题——它不管跌多少都买，像个没底的钱包，跌得越多买得越多。
结果呢？2025年9月A股那波暴跌，我的策略在7天内连续买了12次，仓位一度加到了95%。虽然最后确实反弹赚了，但中间那7天我差点心脏停跳。
所以我花了两个月时间，升级了一个「双阈值版本」——不是越跌越买，而是跌到一个阈值才买，涨到一个阈值才卖。
简单说，就像去自助餐厅：
菜品（股票）价格跌到某个低点 → 足够便宜了，开始吃（买入）
菜品价格涨回正常水平 → 饱了，放下筷子（卖出）
价格在正常区间 → 继续逛，不着急（观望）
策略逻辑
双阈值均值回归的核心就两个参数：
下阈值（lower band）和上阈值（upper band）。
```
如果 价格 < MA(20) - 2.5 × 标准差:
买入（下阈值触发）
如果 价格 > MA(20) + 2.5 × 标准差:
卖出（上阈值触发）
否则:
观望（不操作）
```
和经典布林带策略有什么区别？区别在于：
| 特征 | 经典布林带 | 双阈值均值回归 |
|---|
| 触发条件 | 触及上下轨就操作 | 触及阈值后才操作 |
|---|
| 信号频率 | 高（每周2-5次） | 低（每周0-2次） |
|---|
| 假信号率 | 40-60% | 15-25% |
|---|
| 年化收益 | 8-15% | 18-24% |
|---|
| 最大回撤 | 10-20% | 5-8% |
|---|
关键区别在于：
我牺牲了交易频率，换来了更低的假信号率和更小的回撤。
代码核心（简化版）
```python
import numpy as np
import pandas as pd
def dual_threshold_signal(price_series, window=20, multiplier=2.5):
"""
双阈值均值回归信号生成器
参数:
price_series: 收盘价序列
window: 移动平均窗口
multiplier: 标准差倍数（阈值宽度）
"""
ma = price_series.rolling(window).mean()
std = price_series.rolling(window).std()
lower_band = ma - multiplier * std
upper_band = ma + multiplier * std
signals = []
for i in range(len(price_series)):
if pd.isna(lower_band[i]):
signals.append(0) # 无信号
elif price_series.iloc[i] < lower_band.iloc[i]:
signals.append(1) # 买入信号
elif price_series.iloc[i] > upper_band.iloc[i]:
signals.append(-1) # 卖出信号
else:
signals.append(0) # 观望
return pd.Series(signals, index=price_series.index)
```
就这么简单。没有机器学习，没有神经网络，没有深度强化学习。就是一条均线加减几个标准差。
但别小看这个简单的东西。大道至简。
实盘8个月数据
从2025年12月到2026年8月，我在3只股票上跑了8个月实盘。为什么是3只？因为均值回归策略需要选择波动率适中、没有长期趋势（单边上涨或下跌）的股票。我选了：
招商银行（大盘蓝筹，震荡为主）
海康威视（科技股，波动率适中）
中国平安（金融股，震荡为主）
8个月实盘结果
| 指标 | 数值 |
|---|
| 总交易次数 | 127次 |
|---|
| 买入次数 | 64次 |
|---|
| 卖出次数 | 63次 |
|---|
| 胜率 | 52.8% |
|---|
| 平均盈利 | +4.7% |
|---|
| 平均亏损 | -2.1% |
|---|
| 盈亏比 | 2.24 |
|---|
| 年化收益（估算） | 22.3% |
|---|
| 最大回撤 | 6.1% |
|---|
| 最长连续亏损 | 4次 |
|---|
| 平均持仓天数 | 8.5天 |
|---|
关键发现
1. 胜率不高但盈亏比很好
52.8%的胜率意味着接近一半的交易是亏钱的。但因为每次赚的（4.7%）是亏的（2.1%）的2倍多，整体是正期望的。
这就是为什么我说交易不是比谁预测得准，而是比谁亏的时候亏得少。
2. 震荡市是天堂，单边市是地狱
8个月里，这个策略在2月和6月的震荡市赚得最稳（单月+5.2%和+4.8%）。但在2026年3月那波AI概念股暴涨期间，招商银行和中国平安的单边上涨导致策略几乎没交易——一直在观望状态。
这意味着什么？在趋势行情中，这个策略会错过利润。但好处是也不会追高被套。
3. multiplier参数很关键
我测试了不同multiplier值的回测结果：
| multiplier | 年化收益 | 最大回撤 | 年交易次数 |
|---|
| 1.5 | 28% | 15% | 340+ |
|---|
| 2.0 | 25% | 9% | 210+ |
|---|
| 2.5 | 22% | 6% | 150+ |
|---|
| 3.0 | 17% | 4% | 80+ |
|---|
| 3.5 | 12% | 3% | 40+ |
|---|
multiplier越小，交易频率越高，收益越高，但回撤也越大。multiplier越大，越保守，收益低但稳。
我最终选了2.5，因为它在收益和回撤之间取得了比较好的平衡。
这个策略的致命缺陷
写到这里，我必须说清楚几个问题：
1. 不适合所有股票
如果你把这个策略用在宁德时代或者贵州茅台这类长期趋势股上，大概率会亏。因为均值回归的前提是「价格会回归均值」，而趋势股的「均值」本身就在移动。
2. 不适合牛市
在全面牛市中，这个策略会因为不断卖出而错过大部分涨幅。2026年3月那波AI行情就是个例子——我的策略几乎空仓看戏。
3. 不适合流动性差的股票
小盘股的买卖价差大，频繁交易会吃掉你的利润。这个策略适合成交活跃的标的。
4. 需要耐心
8个月127次交易，平均下来每2天才有一次。有时候连续一两周没有信号，你就干等着。
这一点听起来不难，但对散户来说其实是最难的部分。无所事事是最反人性的事情。
散户能学什么
如果你不想写代码，也不想搞什么量化系统，这个策略的核心思想其实可以简化成一句话：
跌得离谱了再买，涨得离谱了再卖，中间的时候别瞎操作。
就这么简单。难的不是理解，而是执行。
具体操作建议：
1. 选3-5只你熟悉的股票作为候选池
2. 用20日均线作为基准线
3. 当价格跌破基准线一个标准差以上时，考虑买入
4. 当价格涨过基准线一个标准差以上时，考虑卖出
5. 设定3%的止损线
6. 耐心等待，不要每条消息都操作
我是小Q，一个把A股当自助餐厅的量化交易员。便宜了吃，贵了不碰，不知道该不该吃的时候——就别吃。💤