量化交易的核心统计规律是策略盈利的底层逻辑，
这些规律多源于对历史量价数据、资产关联数据等的统计分析，
能帮助模型捕捉市场中的大概率机会，
以下是最核心且应用广泛的几类统计规律：


均值回归
这是量化交易中最基础的统计规律之一，
核心逻辑是资产价格、估值等指标不会长期偏离其长期均值，
当偏离达到一定幅度后，大概率向均值靠拢。
比如宽基指数的市盈率、股票的股价与均线偏离度等，
当指标偏离均值 1.5 - 2 个标准差时，就具备了回归的高概率。
该规律常见于统计套利、震荡市策略，
像配对交易中，若两只高度相关的股票价差偏离历史合理区间，
就可通过做多低估者、做空高估者，等待价差回归获利。
例如招商银行与平安银行股价比值长期稳定在 1.2 - 1.3，
比值突升至 1.5 时，便存在基于均值回归的套利机会。


动量效应
该规律遵循 “强者恒强” 的逻辑，指资产在过去一段时间内的涨跌趋势会在短期内延续。
它分为时间序列动量和截面动量两类：
前者是单一资产自身的趋势延续，
比如某期货合约过去 3 个月持续上涨，那么未来短期内继续上涨的概率较高，CTA 趋势策略常基于此捕捉趋势收益；
后者是同一类别中不同资产的相对强弱延续，
比如在同一行业内，过去 1 个月涨幅领先的几只股票，接下来一段时间大概率仍会跑赢行业内其他股票。
这种规律的本质是市场情绪、资金流向等因素的惯性，量化模型会通过均线、收益率排名等指标识别动量信号。


协整关系
此规律常见于配对交易、跨品种套利等策略，
核心是多个资产在长期内存在稳定的均衡关系，
即便短期因市场波动出现价格偏离，长期也会回归该均衡状态。
与均值回归聚焦单一资产或单一价差不同，协整关系更强调资产组合的长期关联性。
例如豆粕与菜粕作为功能相近的饲料原料，其价格长期存在稳定的比价关系；
再如螺纹钢价格与上游铁矿、焦炭的价格组合，因产业链成本传导逻辑，也具备协整特征。
量化模型会通过 Johansen 检验等方法验证资产间的协整性，进而构建套利策略。


大数定律
这是高频交易、批量交易策略的核心支撑规律。
其核心是当交易次数足够多时，单次交易的随机波动影响会被抵消，整体交易收益会趋近于预期的概率收益。
高频交易就是典型应用，这类策略单次交易的盈利空间极小，可能仅来自毫秒级的价差，
但通过日均成千上万次的高频交易，微小的盈利会累积成可观的收益。
就像保险公司靠大量保单的概率优势盈利一样，
量化交易通过重复执行具备小幅概率优势的策略，
依靠大数定律实现长期稳定收益。


市场微观结构相关规律
这类规律聚焦市场交易的微观层面，
通过分析订单流、买卖价差、成交量等数据捕捉机会，常见于高频交易策略。
比如买卖价差的短期波动规律，当买一和卖一的价差突然扩大时，大概率会在短时间内回落；
还有开盘收盘效应，开盘后短时间内因隔夜信息消化，交易极度活跃，
收盘前因仓位调整会出现集中买卖盘，这些时段的价格波动和成交规律可被量化模型利用。
此外，订单簿的动态变化也蕴含规律，比如某价位挂单量频繁增减时，往往预示着短期价格的波动方向。


波动率均值回归
波动率作为衡量资产价格波动剧烈程度的指标，同样存在均值回归特征。
当资产波动率因突发事件、市场恐慌等因素急剧升高，
远超历史平均水平时，后续波动率大概率会逐渐回落至合理区间；
反之，若波动率长期处于极低水平，也可能逐步回升。
期权套利策略常利用这一规律，例如在波动率异常高时卖出跨式期权并进行对冲，等待波动率回归后平仓获利。
量化模型通常会通过历史波动率数据设定阈值，以此触发交易信号。