该论文提出了一种利用聚类算法来改进传统配对交易策略的框架。其核心思想是，在直接寻找股票配对之前，先根据特定的相似性度量将股票池（本文使用标普500成分股）分组成不同的簇。论文重点比较了三种不同的距离度量方法对聚类和最终交易性能的影响：经典的欧氏距离、基于主成分分析的距离，以及一种新颖的、能够剔除共同市场因素影响的“偏相关系数”距离。通过在2000年至2023年间的详尽回测，研究发现，所有基于聚类的策略均能产生显著的超额回报，而使用“偏相关系数”作为度量标准的策略在风险调整后收益（如夏普比率）上表现最佳。这证明了通过机器学习识别股票间更深层次的经济关联，可以有效提升配对交易策略的盈利能力和稳健性。

#######################

欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。

为保证群的纯粹性和交流质量，我们将严格审核入群身份。