市场里有两种永恒的叙事。

一种说：涨多了必跌，跌多了必涨。股价像被一根看不见的橡皮筋牵着，总要回到某个"合理"的位置。支撑这种信念的证据随手可见——1987年黑色星期一后的V形反弹、2008年金融危机期间的超卖、A股市场上那无数次"高估值回归"。

另一种说：趋势一旦形成，就会自我强化。突破阻力位后追进去的人赚到了钱，这些钱又吸引更多人入场，价格继续上涨。互联网泡沫前的科技股、比特币的历次牛市、顺周期板块的持续跑赢——涨势似乎永不停歇，直到突然停住。

这两种叙事都是对的。它们同时存在于市场中，分别统治着不同的时间尺度、不同类型的资产、不同程度的市场环境。这不是悖论，是结构。理解这个结构，是每个量化交易者的基本功。

---

均值回归与动量：量化策略的两大基石

一、为什么市场会均值回归

1.1 来自物理学的隐喻

均值回归的直觉来自一个物理系统：一个小球被风吹离平衡位置，风停之后，它会振摆回来，最终停在平衡点附近。这个过程可以用 Ornstein-Uhlenbeck 过程（简称 OU 过程）精确描述：

$$dx_t = -\theta (\mu - x_t) dt + \sigma dW_t$$

其中 $\theta$ 是均值回归速度，$\mu$ 是均值水平，$\sigma$ 是波动率，$dW_t$ 是布朗运动。

这个方程的解告诉我们：小球偏离均值越远，回归的"拉力"越大。具体来说，从偏离状态恢复到均值的一半所需的平均时间约为 $\ln 2 / \theta$，这就是均值回归半衰期的概念。

应用到金融市场：

• 当一只股票因为短期利空下跌 30%，如果它的 OU 过程参数 $\theta = 0.5$（对应半衰期约 1.4 天），理论上价格在几天内就会显著反弹
• 当一个行业板块的估值溢价偏离历史均值两个标准差，如果市场相信"均值终将回归"，聪明的资金会提前布局，形成自我实现的预言

1.2 均值回归的三个真实来源

均值回归不是市场的"假设"，而是有具体机制的：

流动性驱动回归。当某只小盘股因某个新闻出现短暂抛售，流动性提供商（做市商）在报价时会扩大买卖价差以对冲风险。这种扩大的价差本身就是一种定价错误——聪明的套利者会发现"这个价格偏低"，买入后价格反弹。这是最经典的短期均值回归机制。

信息不对称修复。一家公司的股价在公司发布财报前持续下跌（内幕交易者先知先觉）。财报发布后，市场发现实际情况没有那么差，价格快速反弹。这是一种中期的均值回归——信息从少数人扩散到市场全体，错误定价被纠正。

估值体系压缩。当某个行业板块的整体估值（PE、PB）显著偏离历史均值和行业基本面，美联储加息周期中科技股的估值重估，就是一种长期均值回归。它可能持续数年，但最终会发生。

1.3 均值回归的统计证据

检验均值回归是否存在，最直接的方法是计算资产的自相关性。

对于股票价格的对数收益率 $r_t$，自相关系数 $\rho_k = \text{Corr}(r_t, r_{t-k})$ 衡量了"过去收益"对"当前收益"的预测能力。

• 如果 $\rho_k < 0$（负自相关）：存在均值回归。今天上涨 → 明天倾向于下跌
• 如果 $\rho_k > 0$（正自相关）：存在动量。今天上涨 → 明天倾向于继续上涨
• 如果 $\rho_k \approx 0$：价格随机游走，无法预测

学术界对美股日收益率的共识是：$\rho_1$ 接近于零（在 -0.05 到 +0.05 之间），这意味着美股在日级别几乎没有显著的均值回归或动量效应。但这个结论高度依赖时间尺度。在更低频（周、月）和更高频（分钟、tick）上，结论截然不同——这一点我们后面会深入讨论。

---

二、为什么趋势会延续

2.1 动量不是赌徒谬误

有人批评动量策略是"追涨杀跌"的合理化版本，是"赌徒谬误"（认为连开5次红之后，第6次更可能开红）的逆向版本。但这种批评混淆了两件事：

赌徒谬误是无视独立事件的概率偏差。

动量是有真实市场结构支撑的收益率可预测性。

动量效应的来源有三个层次：

信息扩散的延迟。好消息从核心机构投资者传到场外散户，需要时间。在这个过程中，股价不是一步到位，而是逐级上涨。每次部分信息被定价，就推动价格再涨一段。这个过程本身就是趋势。

行为金融的羊群效应。人类决策者有从众倾向——当周围的人都在买某只AI概念股，即使基本面估值已经离谱，加入泡沫的成本也低于被市场淘汰的成本。这种行为金融驱动下的趋势，比纯粹的信息扩散持续更久、幅度更大。

系统性的风险厌恶不对称。投资者在亏损时更愿意持有等待回本（损失厌恶），在盈利时更倾向于过早止盈（处置效应）。这导致市场在下跌趋势中"跌过头"——因为持有者的不理性行为延迟了抛压；在上涨趋势中"涨过头"——因为买入行为本身就是滞后的。这两种效应共同制造了短期的趋势和长期的反转。

2.2 动量持续性的量化表达

如果说均值回归的核心参数是半衰期（恢复速度），动量的核心参数就是持续性（趋势寿命）。

在时间序列分析中，持续性通常用 AR(1) 过程的系数 $\phi$ 来描述：

$$r_t = \phi r_{t-1} + \varepsilon_t$$

• $\phi > 0$ 意味着正自相关，趋势延续
• $|\phi| < 1$ 保证了系统的稳定性
• 特征时间为 $1/(1-\phi)$——这个数字越大，趋势持续得越久

在实际市场数据中，不同资产类别的动量持续性差异极大：

资产类型	典型时间尺度	动量特征	主要驱动
高频（tick到分钟）	秒~分钟	强正自相关（$\phi$ ~ 0.3-0.7）	订单流惯性、流动性不对称
日级别	1~20天	接近零，自相关噪声	信息扩散 + 噪声交易的混合
周级别	3~12周	弱正自相关	分析师预期调整的惯性
月级别	3~12个月	较强正自相关	基本面周期、机构调仓惰性
年级别	1~5年	负自相关（长期反转）	估值回归

这个表格揭示了一个关键规律：均值回归和动量不是非此即彼，而是不同时间尺度上的主导模式。

2.3 经典动量因子：过去12个月收益

金融学中最著名的动量因子来自 Jegadeesh 和 Titman（1993）的研究。他们发现：买入过去3-12个月表现最好的股票，卖出表现最差的股票，这个组合在未来3-12个月能产生显著的异常收益。这个策略在美股市场自1926年以来持续有效（直到2010年代后明显衰减——这是后话）。

但"过去12个月"这个窗口不是随意选出来的。它反映的是：信息扩散到市场定价需要3-12个月，而超过12个月后，估值偏离足够大，开始触发均值回归力量。

---

三、均值回归与动量如何在不同尺度上共存

3.1 时间尺度的分离机制

这是理解两种策略如何共存的核心。

假设你在观察一只股票的价格序列 $P_t$。如果分别在五个时间尺度上做分析：

Tick 级（秒）：价格受订单簿结构主导。大量被动买盘的挂单会支撑价格，形成短期"黏性"。在这个尺度上，微观订单流的行为模式会产生持续性——这正是高频动量策略的利润来源。

分钟级：做市商的库存管理行为开始体现。当某方向上的订单流持续流入，做市商被动累积库存，为平衡风险会调整报价，从而延续趋势几分钟到几十分钟。这是技术分析中"趋势线"和"支撑阻力"在微观层面的来源。

日级：信息不对称 + 噪声交易的混合结果。美股日级自相关接近零，意味着既没有显著的日内动量，也没有显著的日内反转。但这恰恰是最拥挤的策略区间——正因为无明显规律，竞争充分。

周级：机构投资者的反应滞后开始主导。季度报告发布后，机构需要数周时间重新评估和调仓，股价在这个窗口内持续反映信息不对称。这是最经典的动量策略区间。

月级及以上：估值体系开始发挥作用。当估值偏离超过2个标准差，即便趋势再强，也会在某个节点触发均值回归——可能是加息预期、可能是盈利下调、可能是聪明的逆向投资者入场。

3.2 一个直观的比喻

想象一条河流。

在湍急的漩涡中（高频），水流的惯性主导——你扔进去一片叶子，它会沿着漩涡方向漂很远。这是动量。

在漩涡外围的缓流中（低频），水面最终会回归平静——无论漩涡多剧烈，水面高度（均值）总是稳定的。这是均值回归。

关键洞察：这两种物理现象同时存在，并不矛盾。区别在于你观察的时间窗口和空间尺度。

市场也一样。在秒级，动量占主导。在月度以上，均值回归占主导。在中间的某个区间——对股票来说是几周到几个月——两者势均力敌，这也是策略最丰富、研究最密集的区域。

3.3 横截面与时间序列的区分

在讨论动量和均值回归时，必须区分两种不同的研究视角：

时间序列动量（Time-Series Momentum）：同一个资产，自己跟自己的过去比。"过去N个月上涨" → "未来倾向于继续上涨"。

横截面动量（Cross-Sectional Momentum）：不同资产之间比。"在这群资产中过去涨得最多" → "未来倾向于继续跑赢"。这是 Jegadeesh-Titman 方法。

类似的：

时间序列均值回归：资产价格跟自己的历史均值比。"当前估值低于历史均值" → "未来倾向于回归均值"。

横截面均值回归：不同资产之间比。"估值最低的这批股票" → "未来倾向于跑赢高估值股票"。这是价值因子（Book-to-Market）的逻辑。

这两种框架在因子投资中都有深厚的研究基础，但它们的有效期不同：横截面动量（个股相对排名）在牛市中后期容易崩溃；时间序列动量在市场结构变化时也会衰减。

---

四、从理论到策略：均值回归与动量的工程实现

4.1 均值回归策略的经典框架

均值回归策略的工程化通常包含以下核心组件：

第一步：定义"均衡"

最简单的均衡定义是移动平均：
$$\mu_t = \frac{1}{N}\sum_{i=0}^{N-1} P_{t-i}$$

偏离度 = $(P_t - \mu_t) / \mu_t$

更稳健的做法是使用 Z-Score：
$$z_t = \frac{P_t - \text{RollingMean}(P_t, N)}{\text{RollingStd}(P_t, N)}$$

当 $z_t > 2$（价格显著高于均衡），做空；当 $z_t < -2$，做多。

第二步：计算回归概率或半衰期

利用 OU 过程的解析性质：
$$\text{HalfLife} = \frac{\ln 2}{\theta}$$

半衰期越小，均值回归发生得越快。如果你的持仓周期远短于半衰期，均值回归策略可能还没兑现就到期了。

第三步：设置止损

均值回归策略最怕的是"不回归"。基本面恶化导致的偏离不会回归，而是演变成永久性损失。因此必须设置硬止损——通常在偏离度超过 3.5 倍标准差或持有超过 $2 \times \text{HalfLife}$ 后强制平仓。

4.2 动量策略的经典框架

动量策略的工程化相对直接：

收益率排序法：
$$R_{t-T:t}^i = \frac{P_t^i - P_{t-T}^i}{P_{t-T}^i}$$
$$\text{Rank}^i = \text{rank}(R_{t-T:t}^i)$$

做多排名最高的前 20%，做空排名最低的前 20%，等权或按排名加权。

动量信号的衰减特性：

动量信号不是线性的。研究表明，过去 12 个月的动量信号最强，但最近 1 个月的收益需要剔除（因为它往往和长期动量反向——这是短期反转效应）。常用的做法是：

$$\text{Momentum Score} = \sum_{k=1}^{12} r_{t-k} - k \cdot r_{t-1}$$

即对过去 12 个月的收益率加权求和，权重线性递减，并剔除最近 1 个月。

趋势持续性的卡尔曼滤波估计：

更动态地估计动量持续性，可以使用卡尔曼滤波实时更新 OU 过程的 $\phi$ 系数：

import numpy as np

def kalman_filter_ou(data, theta_init=0.1, delta=1e-4, lambda_=1e-3):
    """
    使用卡尔曼滤波估计 OU 过程的参数 phi (theta in OU notation)
    OU 过程: dX = -θ(X - μ)dt + σdW
    离散形式: X_{t+1} = φX_t + (1-φ)μ + ε_t
    
    参数:
        data: 价格或收益率序列
        theta_init: 初始回归速度估计
        delta: 状态转移噪声
        lambda_: 观测噪声
    """
    n = len(data)
    # 状态: [φ, μ, σ]
    x = np.array([theta_init, data[0], 0.01])
    P = np.eye(3) * 0.1  # 状态协方差矩阵
    
    # 观测矩阵: 观测 X_t, 预测 X_{t+1} = φX_t + (1-φ)μ
    phi_history = []
    
    for t in range(1, n):
        # 观测向量: [X_{t-1}, 1, 0] 用于估计 X_t = φX_{t-1} + (1-φ)μ
        H = np.array([[x[0], 1 - x[0], 0]])  # ⚠️ 观测矩阵依赖当前状态估计
        
        # 预测步骤
        x_pred = np.array([
            x[0],                           # φ 不变
            x[1],                           # μ 不变
            x[2]                            # σ 不变
        ])
        P_pred = P + delta * np.eye(3)
        
        # 观测: 实际 X_t
        z = data[t]
        z_pred = H @ x_pred
        
        # 卡尔曼增益
        S = H @ P_pred @ H.T + lambda_
        K = P_pred @ H.T / S
        
        # 更新步骤
        innovation = z - z_pred
        x = x_pred + K.flatten() * innovation
        P = (np.eye(3) - np.outer(K, H)) @ P_pred
        
        # 约束 φ 在 (0, 1) 范围内
        x[0] = np.clip(x[0], 0.001, 0.999)
        
        phi_history.append(x[0])
    
    return phi_history

# 示例：估计日收益率的自相关持续性
returns = np.diff(np.log(np.random.randn(1000) + 10))  # 模拟收益率
phi_series = kalman_filter_ou(returns)

print(f"平均持续性系数 φ: {np.mean(phi_series):.4f}")
print(f"特征时间尺度: {1/(1-np.mean(phi_series)):.1f} 天")

卡尔曼滤波的优势在于它能实时跟踪 $\phi$ 的变化——当市场从高动量状态切换到均值回归状态（$\phi$ 快速下降），你可以在策略中动态调整仓位。

4.3 两种策略的融合：Adaptive Framework

纯粹依赖一种逻辑的策略在某些市场环境下会持续亏损。更成熟的量化系统会同时监控两种信号，并根据市场状态动态调整权重。

一个简单的自适应框架逻辑：

import numpy as np
from collections import deque

class AdaptiveMomentumMeanReversion:
    """
    自适应动量/均值回归框架
    根据短期自相关的符号动态调整策略权重
    """
    def __init__(self, lookback_short=20, lookback_long=60):
        self.short = lookback_short
        self.long = lookback_long
        self.price_history = deque(maxlen=lookback_long + 10)
    
    def compute_signals(self, current_price):
        self.price_history.append(current_price)
        prices = np.array(self.price_history)
        returns = np.diff(prices) / prices[:-1]
        
        if len(returns) < self.long:
            return None, None, None
        
        # 均值回归信号: Z-Score
        mean = np.mean(prices)
        std = np.std(prices)
        z_score = (current_price - mean) / std
        
        # 动量信号: 12个月累计收益率
        mom_return = (current_price - prices[-self.long]) / prices[-self.long]
        
        # 自适应权重: 基于近期自相关判断市场状态
        short_returns = returns[-self.short:]
        if len(short_returns) > 1:
            autocorr = np.corrcoef(short_returns[:-1], short_returns[1:])[0, 1]
        else:
            autocorr = 0.0
        
        # 自相关 > 0 → 动量环境 → 加大动量权重
        # 自相关 < 0 → 均值回归环境 → 加大均值回归权重
        autocorr = np.clip(autocorr, -0.5, 0.5)
        momentum_weight = 0.5 + autocorr  # [0, 1]
        mean_reversion_weight = 1 - momentum_weight
        
        # 合成信号
        # Z-Score > 0 → 做空均值回归; < 0 → 做多均值回归
        # mom_return > 0 → 做多动量; < 0 → 做空动量
        mr_signal = -np.sign(z_score)  # 偏离均值 → 反向操作
        mom_signal = np.sign(mom_return)
        
        combined_signal = (
            mean_reversion_weight * mr_signal + 
            momentum_weight * mom_signal
        )
        
        return combined_signal, z_score, autocorr
    
    def describe_state(self, autocorr):
        if autocorr > 0.15:
            return "强动量市场（自相关显著为正）"
        elif autocorr < -0.15:
            return "强均值回归市场（自相关显著为负）"
        else:
            return "中性市场（自相关接近零）"

这个框架的核心理念是：不预设市场应该服从哪种规律，而是让数据告诉你现在哪种规律在主导。当短期自相关为正，动量策略的预期优势更大；当短期自相关为负，均值回归策略的胜率更高。

---

五、实践中的关键参数：时间尺度选择

5.1 半衰期与持有期的匹配原则

均值回归策略的持有期应该与半衰期匹配。太短，信号还没兑现就平仓了；太长，承担了不必要的隔夜风险。

资产类型	典型半衰期	建议持有期	适用策略
高频（日内 tick）	分钟级	几秒到几分钟	做市、统计套利
日内波段	小时级	1-4 小时	日内动量/反转
短期均值回归	1-5 天	3-10 天	统计套利、事件驱动
中期动量	3-12 周	4-26 周	趋势跟踪、动量因子
长期价值	月到年	1-3 年	价值投资

5.2 不同时间尺度的信号衰减

动量和均值回归信号都会随时间衰减，但衰减模式不同：

均值回归信号：高置信度的偏离通常在 $1 \times \text{HalfLife}$ 内完成大部分回归。超过 $3 \times \text{HalfLife}$ 仍未回归的信号，均值回归假设大概率失效，应该止损。

动量信号：最强的预测能力在窗口期末尾（最近的信息权重最大）。超过最优窗口（如 12 个月）后，动量信号反转——这叫动量崩溃（Momentum Crash）。Moskowitz 等人（2012）发现，避开动量最差月份（通常是市场从熊转牛的过渡期）可以显著提升风险调整后收益。

---

六、TickDB 如何支撑这两类策略的实证研究

理解均值回归和动量的理论基础后，下一步是用真实市场数据验证这些假设，并在此基础上构建和回测策略。

TickDB 的数据体系可以为这两类研究提供支撑：

对于均值回归研究：历史 K 线数据（支持最长 10 年级别的跨周期回测）可以用来计算不同时间窗口的 Z-Score，检验均值回归假设在不同资产、不同市场周期下的有效性。你可以用 /v1/market/kline 接口获取多标的的历史数据，计算滚动均值和标准差，验证"偏离多少个标准差后均值回归概率显著上升"。

对于动量研究：WebSocket 实时深度数据（depth 频道）可以用来研究微观层面的订单簿失衡与短期价格动量之间的关系——买卖压力比的变化是否预测未来 5 分钟的价格方向？这是高频动量策略的核心研究课题。

对于自适应策略：结合 REST API 获取历史数据（离线研究）和 WebSocket 实时数据（在线执行），可以实现"白天用实时信号执行自适应策略，夜间用历史数据更新模型参数"的闭环。

一个典型的研究-执行闭环：

import os
import time
import requests
import json

TICKDB_API_KEY = os.environ.get("TICKDB_API_KEY")
BASE_URL = "https://api.tickdb.ai/v1"

def get_historical_klines(symbol, interval="1d", limit=252):
    """
    获取历史 K 线数据用于离线研究
    252 个交易日 ≈ 1 年
    """
    headers = {"X-API-Key": TICKDB_API_KEY}
    params = {
        "symbol": symbol,
        "interval": interval,
        "limit": limit
    }
    
    response = requests.get(
        f"{BASE_URL}/market/kline",
        headers=headers,
        params=params,
        timeout=(3.05, 10)  # ⚠️ 生产环境必须设置超时
    )
    
    if response.status_code == 429:
        retry_after = int(response.headers.get("Retry-After", 5))
        time.sleep(retry_after)
        return get_historical_klines(symbol, interval, limit)
    
    data = response.json()
    if data.get("code") != 0:
        raise RuntimeError(f"API Error: {data.get('message')}")
    
    return data.get("data", [])

def analyze_mean_reversion(prices, window=20):
    """
    基于 Z-Score 的均值回归分析
    返回每个时间点的偏离度和潜在回归幅度
    """
    import numpy as np
    results = []
    
    for i in range(window, len(prices)):
        window_prices = prices[max(0, i-window):i]
        mean = np.mean(window_prices)
        std = np.std(window_prices)
        
        if std > 0:
            z_score = (prices[i] - mean) / std
            results.append({
                "price": prices[i],
                "z_score": z_score,
                "potential_return": -z_score * std / prices[i]  # 预期回归幅度
            })
    
    return results

# 示例：分析 AAPL 近一年的均值回归特征
# klines = get_historical_klines("AAPL.US", interval="1d", limit=252)
# prices = [float(k["close"]) for k in klines]
# analysis = analyze_mean_reversion(prices)

这段代码展示了研究向执行过渡的基本模式：从 TickDB 获取历史数据 → 在本地计算信号 → 将信号转化为策略决策。

---

七、风险管理与策略存活的关键

7.1 均值回归策略的致命陷阱

均值回归策略最大的风险不是"不回归"，而是你不知道它什么时候不回归。几个必须防范的场景：

基本面断裂：一只因"市场恐慌"而下跌 40% 的银行股，如果基本面实际上已经资不抵债（2008 年的雷曼），均值不会回来——它会趋近于零。在这种环境下，基于历史均值或统计偏离度的止损是唯一保险。

流动性枯竭：在 2020 年 3 月新冠暴跌期间，许多基于"均值回归"的策略在流动性最差的时候被迫平仓——不是因为信号错了，而是因为无法执行。此时买卖价差扩大 10 倍以上，任何依赖快速反向交易获利的策略都会在滑点上吃掉所有利润。

参数过拟合：用 10 年历史数据优化出一个"半衰期 = 5 天"的均值回归策略，在样本外可能完全失效。均值回归的半衰期本身是时变的——市场微观结构的改变、参与者结构的改变、交易制度的改变都会影响回归速度。

7.2 动量策略的致命陷阱

动量崩溃：2015 年 8 月 24 日（"Black Monday" 盘中），基于短期动量的策略在几分钟内从大赚变成大亏——因为所有资产在同一时刻"动量反转"。历史上几次最大的动量回撤都发生在市场从下跌快速反弹的过渡期。

拥挤交易：当大量资金同时使用相同的动量因子，交易的边际价格会提前——动量效应被套利殆尽。更危险的是，当这些拥挤的策略同时平仓，会引发"动量踩踏"——正是 2021 年初 GameStop 和 2022 年量化策略连锁清算的机制。

尾部风险的非对称性：动量策略在正常市场中小赚，在市场反转时巨亏——损失分布呈负偏态（fat left tail）。用夏普比率衡量时可能看起来不错，但用最大回撤衡量则触目惊心。Moskowitz 等人（2012）提出的时间序列动量期货策略，在 2008 年金融危机中实现了正收益（因为做空了危机中跌得最多的品种），但同年 11 月的急剧反弹也造成了显著回撤。

7.3 共同的风险管理原则

无论你最终选择均值回归还是动量路线，以下原则必须遵守：

1. 止损先于预测：不要等"这次不一样"来验证你的假设。市场不会为你的固执买单。
2. 头寸规模决定存活概率：一个胜率 60% 的策略，如果单笔亏损达到本金的 20%，只需要连续三次止损就能让账户元气大伤。凯利公式或其保守版本（凯利半额）是计算头寸规模的基准。
3. 分散化是免费的午餐：均值回归策略和动量策略本身就是低相关甚至负相关的——在组合中同时持有，可以在不动用额外资本的情况下降低最大回撤。
4. 监控你的信号质量：当策略的 Z-Score 阈值失效率开始上升（均值回归信号发出后不回归的比例上升），就是模型需要更新的信号。

---

八、结语：拥抱矛盾，理解尺度

均值回归和动量不是非此即彼的信仰选择，而是市场在不同时间尺度上展现的两种真实结构。

涨多了会跌——这是月度和年度尺度上的大概率事件。

趋势会延续——这是分钟到月度尺度上的真实力量。

两者同时存在，因为市场参与者不是一个同质的"理性人"，而是不同时间视野的资金混合——高频套利者、散户日内交易者、机构季度调仓者、长期价值投资者。他们的决策周期不同、信息来源不同、风险偏好不同，这让市场在每一个时间尺度上都同时呈现出动量（同一方向参与者的惯性）和均值回归（反向参与者的套利力量）。

理解这一点，比死守"动量万能"或"均值回归至上"更重要。

---

下一步行动

如果你想深入研究均值回归和动量背后的数学：推荐阅读 Carolin Zhu 的《Quantitative Trading》（Emanualrman 方向补充）和 Lo & MacKinlay 的《A Non-Random Walk Down Wall Street》——后者用严格的统计方法证明了价格序列中的可预测成分。

如果你想用真实数据验证本文中的假设：访问 tickdb.ai 注册，获取免费 API Key（无需信用卡），用本文中的代码框架对你的关注标的进行实证研究。

如果你习惯用 AI 辅助开发：在 AI 助手中搜索并安装 tickdb-market-data SKILL，可以更高效地获取历史 K 线数据和实时深度数据，加速策略研究与回测。

---

风险提示：本文不构成任何投资建议。均值回归和动量效应在历史上曾持续有效，但也存在显著的周期性衰减和策略拥挤风险。在实际部署任何量化策略前，请务必进行充分的样本外测试和风险管理。