均值回归在加密资产研究中通常指价格或价差在偏离统计均衡后，具备向均值收敛的倾向。对研究员而言，均值回归指标查询的关键并非寻找单一超买超卖信号，而是获取可复现的统计指标数据：滚动 Z-score、ADF、Hurst、半衰期、方差比与协整残差等。通过 欧易 的行情与 API 获取K线、资金费率和深度数据，可以将这些指标纳入统一的研究与回测框架。
核心逻辑
均值回归成立需要两个条件：序列或价差具有平稳性，且偏离后的回归速度足以覆盖交易成本。若仅有价格偏离，却缺乏平稳性检验，指标信号很容易在趋势行情中失效。
在加密市场，24/7 交易、永续合约资金费率与高杠杆结构会放大短期偏离，也会加剧流动性断裂风险。因此，查询统计指标数据时，应同时记录样本区间、滚动窗口、手续费与滑点假设。
常用指标
常见均值回归统计指标从不同角度回答两个问题：是否回归，以及回归多快。以下指标适合作为查询与筛选的基础字段。
| 指标 | 统计含义 | 均值回归信号 | 主要限制 |
|---|---|---|---|
| 滚动 Z-score | 价格或价差相对滚动均值的标准差倍数 | 绝对值超过阈值后关注回归 | 非平稳序列易产生假信号 |
| ADF | 单位根检验 | p 值低于 0.05，拒绝单位根 | 低功效，结构突变敏感 |
| Hurst | 长期记忆与分形特征 | H < 0.5 偏向均值回归 | 样本长度与频率敏感 |
| 半衰期 | OU 过程回归速度 | 半衰期短于计划持仓周期 | 估计值随窗口漂移 |
| 方差比 | 多期收益方差与单期方差比 | VR < 1 支持均值回归 | 短样本噪声较大 |
| 协整残差 | 多资产价差平稳性 | 残差平稳且 Z 极端 | 基本面变化可致关系断裂 |
| 布林 %B | 价格在布林带中的位置 | 接近 0 或 1 提示偏离 | 参数与趋势依赖 |
| RSI | 动量振荡 | 超买超卖 | 强趋势中容易钝化 |
查询步骤
- 数据采集：通过 欧易 的K线、资金费率与深度接口，获取所需标的的历史与实时数据。
- 预处理：统一时间戳，处理缺失与异常值，采用对数价格以降低尺度影响。
- 平稳性检验：计算 ADF、KPSS、Hurst 与方差比，判断均值回归前提是否成立。
- 参数估计：滚动计算均值、标准差、Z-score；对价差拟合 OU 模型，估计半衰期。
- 信号生成：结合 Z 阈值、半衰期过滤与协整残差，输出开平仓候选。
- 回测与更新：计入手续费、滑点与资金费率，定期滚动重估参数。
参数设定
窗口不宜过短，否则噪声会主导信号；也不宜过长，否则会滞后于结构变化。加密市场常用 20、60、120 根K线作为滚动窗口，Z-score 阈值可设置在 1.5 至 3 之间。
过滤条件可组合使用：ADF p < 0.05、Hurst < 0.45、方差比 < 0.9，且半衰期小于计划持仓周期。配对交易还需检查协整 p 值，并在 欧易 获取永续资金费率，将其纳入持仓成本。
执行风控
均值回归策略最怕趋势加速与结构断裂。若 Z-score 继续扩大、半衰期显著拉长，或协整关系失效，应降低仓位或退出，而不是机械加仓。
仓位可按波动率倒数分配，并设置时间止损。使用 欧易 的深度数据评估冲击成本，有助于判断统计信号是否具备实际可交易性。
工具落地
查询结果建议结构化存储：timestamp、symbol、window、mean、std、zscore、adf_p、hurst、halflife、vr、coint_p、signal。通过 欧易 API 拉取数据后，可在 Python 中以 Pandas、Statsmodels 完成检验与回测。
对于加密货币研究员，均值回归指标查询应被视为统计指标数据工程，而非单一图形判断。先在 欧易 注册并下载客户端，建立行情观察与 API 权限，再执行滚动检验、参数估计与样本外验证，能更有效地识别真正可交易的均值回归机会。
