大豆和豆粕之间存在均衡关系，所以短时期的偏离必然向长期均衡回归，因此从理论上讲，套利交易不会出现亏损的行为，但从下表我们可以看出，套利并不是每次都能成功。原因主要是我们并不知道两者之间的价差会偏离多长时间，这种偏离持续的时间可能超过了本文研究中所生成的连续期货价格序列转换合约的时间(最长两个月)，如果这种情况发生，尽管建立的头寸可能是亏损的，但按照前面设定的交易策略，我们必须对合约进行平仓了结。

　　对于样本外数据，我们采取另一种交易策略：

　　(1)当M_spread<-4?滓(M_spread) ,即当去均值化价差小于该序列4个负的标准差时，我们买进15手豆粕合约，同时卖出10手大豆合约。

　　(2)当M_spread>4?滓(M_spread)，即当去均值化价差大于该序列4个正的标准差时，买入10手大豆合约，卖出15手豆粕合约。

　　(3)套利头寸一旦建立，当M_spread回落至±4个标准差区间之内时，我们进行反向操作，了结头寸。

　　(4)当所选择的合约到期后，无论价差是否回落，需反向对冲了结套利头寸，不进行展期操作。

　　(5)套利头寸建立之后，当M_spread落在[-4?滓,6?滓]区间之外时，获利平仓了结头寸。

　　样本外数据实证结果

　　我们发现，无论是样本内数据还是样本外数据，套利成功次数占全部交易日的比例都在10%左右，但模型在样本内的表现能力明显高于样本外的表现能力。

　　四、结论

　　统计套利的最大优势在于：市场中性策略，不需要对市场走势进行独立的判断，运用统计套利建立头寸得到的收益基本上和市场整体收益不相关。

　　在统计套利中，最值得关注的是对风险的控制，如果没有良好的风险控制系统，不及时止损可能会导致巨额亏损。

　　协整模型对于样本点非常敏感，因此，建议选用两年以上的数据进行检验。

　　模型需要改进的地方：(1)提高数据频率，可以采取10分钟、5分钟高频数据，这样能够发现更多的套利机会；(2)提高样本数据的质量，比如可以使用通过交易量加权计算的平均价；(3)改变触发条件，因为对于去均值价差序列来说，方差肯定是非恒定的，我们可以考虑对波动率建模来设定随时间变化的触发点；(4)考虑交易成本。