💰 quantitative finance

A hidden Markov model for statistical arbitrage in international crude oil futures markets

该研究利用隐马尔可夫模型分析国际原油期货市场的统计套利策略，发现包含上海原油期货的套利组合在考虑交易成本后具有显著盈利性，而仅涉及布伦特、WTI 和迪拜等传统期货的策略则无利可图，表明上海原油期货对国际投资者具有重要价值。

原作者： Viviana Fanelli, Claudio Fontana, Francesco Rotondi

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Viviana Fanelli, Claudio Fontana, Francesco Rotondi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于**“如何在国际原油期货市场中通过“捡漏”赚钱”**的故事。

想象一下，你是一位精明的市场侦探，你的任务不是预测明天油价是涨是跌（这太难了），而是寻找那些**“暂时走错路”的油价，然后押注它们会“回归正途”**。

以下是这篇论文的核心内容，用大白话和生动的比喻为你拆解：

1. 故事的主角：三个“性格迥异”的原油兄弟

在这个市场中，有三个主要的原油期货合约，我们可以把它们想象成三个性格不同的兄弟：

布伦特（Brent）： 欧洲的老大哥，资历深，很稳。
WTI： 美国的老大哥，也很资深，和布伦特关系很铁。
上海原油（Shanghai）： 2018 年刚出生的小弟弟，用人民币计价，主要反映亚洲和中东的原油需求。

传统观点认为： 布伦特和 WTI 是“连体婴”，价格总是同步的。如果它们价格差得太远，就会自动拉回来。
这篇论文的新发现： 加上“上海原油”这个小弟弟，形成了一个**“三人行”**的奇妙组合。虽然上海原油有时候因为制度不同（比如用人民币、交易限制）会暂时和两个老大哥“闹别扭”（价格偏离），但它最终还是会回归到大家庭的平衡关系中。

2. 核心策略：寻找“走偏”的价差

这就好比你在玩一个**“三人走直线”**的游戏。

理想状态： 三个人的位置保持一个固定的三角形关系。
现实情况： 有时候，上海原油跑得太快或太慢，导致三角形变形了（这就叫**“价差偏离”**）。
你的任务： 当三角形变形时，你买入那个“跑慢”的，卖出那个“跑快”的，赌它们会重新排好队形。等它们排好队了，你就平仓赚钱。

3. 最大的创新：给市场装上“隐形眼镜”

以前的策略就像是用**“后视镜”开车：只看过去几天的价格，觉得“哦，刚才偏离了，现在该回来了”。
但这篇论文提出了一种更高级的方法：“隐形眼镜”（隐藏马尔可夫模型）**。

比喻： 市场就像天气，有“晴天”也有“暴雨天”。
- 在晴天（Regime 1），价格回归得很慢，波动很小。
- 在暴雨天（Regime 2），价格回归得很快，但波动很大。
问题： 我们看不见天气（市场状态），只能看到地上的积水（价格数据）。
解决方案： 作者发明了一个**“智能天气预报员”**（基于隐藏马尔可夫链的滤波算法）。它虽然看不见天气，但能通过观察积水（价格数据），实时推断现在到底是晴天还是暴雨天。
- 如果是暴雨天，策略会调整：因为回归快，可以大胆一点；
- 如果是晴天，策略会保守一点：因为回归慢，要耐心等。

4. 实验结果：小弟弟反而成了“摇钱树”

作者用真实数据（2018-2023 年）进行了测试，结果非常惊人：

新面孔更赚钱： 包含“上海原油”的策略，比只玩“布伦特+WTI"老组合的策略赚得更多。
- 原因： 上海原油作为新成员，对市场反应更敏感，修正错误的速度（回归速度）比两个老大哥更快。就像新来的实习生干活更利索，更容易发现并纠正错误。
“智能眼镜”胜过“后视镜”： 使用那个能推断市场状态的“智能策略”（PredI 和 PI），比只看历史数据的传统策略表现更好。
- 这说明，知道“现在是什么天气”比单纯看“刚才下了多少雨”更重要。
即使两两不合，三人也能玩： 有时候，布伦特和上海、或者 WTI 和上海单独看，可能并没有明显的“连体”关系（没有协整）。但只要把三个放在一起看，它们之间就形成了稳定的平衡。这就像三个人手拉手，虽然 A 和 B 手松了，B 和 C 手松了，但 A-B-C 整体还是连在一起的。

5. 风险提示：不是稳赚不赔

当然，这也不是“印钞机”。

交易成本： 就像去超市买东西要付路费，频繁交易会被手续费吃掉利润。特别是上海原油，因为市场还不够成熟，交易成本（手续费）比欧美市场高很多。
结果： 即使算上较高的手续费，这个策略依然能赚钱，说明它的盈利能力很强。

总结

这篇论文告诉我们：
在原油市场里，不要只盯着老面孔（布伦特和 WTI）。引入新面孔（上海原油），并给策略装上**“能感知市场情绪的智能大脑”**（隐藏马尔可夫模型），就能在价格暂时走偏时，更精准、更快速地“捡漏”赚钱。

一句话概括： 这是一个利用**“新成员反应快”的特点，配合“智能天气预测”，在原油价格波动中低买高卖、赚取回归差价**的聪明策略。

这是一份关于《国际原油期货市场中隐藏马尔可夫模型的统计套利》（A Hidden Markov Model for Statistical Arbitrage in International Crude Oil Futures Markets）论文的详细技术总结。

1. 研究问题 (Problem)

背景：统计套利（Statistical Arbitrage）策略，特别是配对交易（Pairs Trading），利用相似证券价格对长期均衡的暂时偏离来获利。传统的配对交易通常涉及两只资产（如布伦特原油和 WTI 原油）。
挑战：
1. 市场结构变化：2018 年引入了上海原油期货（SC），其以人民币计价、交易限制及基准构成（中东和亚洲原油混合）与传统美元计价的布伦特（Brent）和 WTI 存在结构性差异，可能导致市场分割和短期价格偏离。
2. 模型局限性：传统的配对交易通常假设协整向量（Cointegration Vector）是恒定的，或者仅基于历史数据的简单统计特征（如移动平均、布林带）。然而，市场存在结构性断点，且协整关系可能随时间变化（时变特征）。
3. 多资产套利：现有的研究多关注两两配对，缺乏对“布伦特-WTI-上海”三者联合协整关系的深入分析及套利策略构建。
核心问题：能否利用新引入的上海原油期货，结合传统基准，构建基于**隐藏马尔可夫模型（Hidden Markov Model, HMM）**的统计套利策略？该策略是否能比传统方法更有效地捕捉市场状态切换，从而在考虑交易成本后获得超额收益？

2. 方法论 (Methodology)

2.1 数据与协整分析

数据：布伦特（Brent）、WTI 和上海（Shanghai）原油期货的日度和周度价格（2018 年 3 月 -2023 年 6 月）。
协整检验：
- 首先进行单位根检验（ADF, PP, Perron 断点检验），确认三个序列均为一阶单整 I(1)。
- 使用 Johansen 迹检验 发现三个序列之间存在唯一的协整关系。
- 构建向量误差修正模型（VECM），发现上海期货价格对长期均衡偏离的调整系数显著为正，而布伦特和 WTI 不显著。这表明上海期货价格在恢复长期均衡中起主导作用（即价格调整速度更快）。
- 定义价差过程（Spread）： $S_t = \lambda_0 + \lambda_B F^B_t + \lambda_S F^S_t + \lambda_W F^W_t$ 。

2.2 模型构建：均值回归的隐藏马尔可夫模型 (AR-HMM)

核心假设：价差过程 $S_t$ 遵循一个受隐藏马尔可夫链 $X_t$ 调制的自回归过程（AR-HMM）。
动态方程：
$S_{t+1} = \gamma(X_t) + \alpha(X_t)S_t + \eta(X_t)z_t$
其中：
- $X_t$ 是离散状态的马尔可夫链（代表不同的市场体制，如高波动/低波动，或高均值/低均值）。
- $\gamma, \alpha, \eta$ 分别是截距、自回归系数和波动率，它们依赖于当前状态 $X_t$ 。
- $|\alpha_i| < 1$ 确保在每个体制内价差是均值回归的。
优势：该模型能够捕捉协整关系的时变特征（Regime Switching），比静态模型更能适应市场结构变化。

2.3 参数估计：基于滤波的 EM 算法

挑战：市场体制 $X_t$ 是不可观测的（Hidden）。
解决方案：采用 随机滤波（Stochastic Filtering） 技术结合 期望最大化（EM）算法。
- 利用观测到的价差序列 $S$ ，递归地估计隐藏状态的概率分布 $\hat{X}_t = E[X_t | \mathcal{F}^S_t]$ 。
- 同时在线更新模型参数（ $\gamma, \alpha, \eta, \Pi$ ）。
- 批处理（Batch）更新：为了数值稳定性，参数每 $m$ 步（如 10 天）更新一次，而非每一步。
在线特性：算法是递归的，随着新数据到来不断更新，确保模型始终适应当前市场环境。

2.4 套利策略设计

论文设计了五种策略，分为**无模型（Backward-looking）和基于模型（Forward-looking）**两类：

PV (Plain Vanilla)：只要价差非零即交易（基准，交易频率极高）。
ProbI (Probability Interval)：基于滚动窗口计算的均值和标准差（类似布林带），当价差超出置信区间时交易。
PredI (Prediction Interval)：基于模型。利用 AR-HMM 的滤波结果，计算一步向前预测均值和方差，当价差超出预测区间时交易。
RI (Realized Increment)：基于价差增量的历史分位数。
PI (Predicted Increment)：基于模型。基于模型预测的价差增量进行交易。

平仓规则：当价差符号改变（穿越零轴）时平仓。
绩效评估：使用年化收益率 ( $R$ )、夏普比率 ($SR $)、交易窗口收益率 ($ RTW$) 以及 White 现实检验 (WRC)。

3. 主要贡献 (Key Contributions)

首次联合分析：首次将上海原油期货与布伦特、WTI 纳入同一框架进行协整分析，证实了三者之间存在稳定的长期均衡关系，即使两两之间（如 WTI-上海）可能未检测到协整。
模型创新：提出了一种均值回归的隐藏马尔可夫模型来建模价差过程。该方法不仅考虑了均值回归，还通过状态切换捕捉了市场体制的时变性，并利用滤波技术实现了参数的在线动态估计。
实证发现：
- 上海期货的调节作用：实证表明上海期货价格对长期均衡的修正速度最快，是套利策略获利的关键驱动力。
- 模型优于传统：基于 AR-HMM 的前瞻性策略（PredI, PI）显著优于仅基于历史统计特征的传统策略（ProbI, RI）。
- 多资产优势：引入第三个资产（上海期货）使得在 pairwise cointegration（两两协整）缺失的情况下，依然能构建有效的套利组合。

4. 实证结果 (Results)

样本外表现（2022 年 7 月 -2023 年 6 月）：
- PredI 策略表现最佳：在带宽水平 $\alpha=0.20$ 下，PredI 策略实现了约 15.18% 的年化收益率，夏普比率高达 1.18，且统计显著。
- 对比：传统的 ProbI 策略年化收益约 10.43%，而 RI 策略甚至出现亏损。
- 基准对比：策略表现优于买入持有 S&P500 和原油 ETF（ETF 在测试期内因油价下跌表现极差）。
鲁棒性分析：
- 交易成本：即使考虑到上海期货较高的交易成本（约 53.71 bps），策略依然盈利。PredI 和 PI 策略对交易成本的变化相对稳健。
- 初始值敏感性：通过 100 次随机初始化运行 EM 算法，发现策略绩效（收益率、夏普比率）非常稳定，未陷入局部最优陷阱。
- 风险指标：策略的 VaR（在险价值）和最大回撤（MDD）显著低于直接持有原油 ETF 的风险。
不同资产组合：
- 即使替换为迪拜原油（Dubai）或尝试四资产组合，基于 HMM 的 PredI/PI 策略依然保持优异表现。
- 在某些两两组合（如 WTI-Dubai）未检测到协整的情况下，三资产组合依然有效，证明了多资产联合建模的优势。

5. 意义与启示 (Significance)

对新市场的启示：上海原油期货虽然引入时间较短，但其价格调整机制使其成为统计套利中极具价值的资产。新资产的引入往往能创造暂时的定价低效，为套利者提供机会。
方法论价值：证明了在统计套利中，显式建模市场体制切换（Regime Switching）和动态参数估计比静态模型或纯历史统计方法更有效。这解决了传统配对交易在市场结构变化时失效的问题。
实践指导：对于国际原油市场的投资者，构建包含新兴基准（如上海期货）的多资产统计套利组合，并采用基于滤波的机器学习/统计模型进行动态管理，是获取超额收益的有效途径。
未来方向：论文建议未来可基于此随机模型研究随机最优控制下的最优投资组合问题。

总结：该论文通过引入隐藏马尔可夫模型，成功地将上海原油期货纳入国际原油套利框架，证明了在考虑交易成本和市场体制切换的情况下，基于动态模型的前瞻性策略能显著超越传统方法，为新兴期货市场的套利提供了坚实的理论支持和实证证据。