第十四章：基差交易进阶

各位同学，欢迎来到基差交易的进阶篇。说实话，前面几章我们把基差的基本概念、套利逻辑都讲透了。但真正到了实战层面，你会发现——纸上谈兵容易，真金白银进场就是另一回事了。

这一章，我打算把几个硬骨头啃下来：期现套利的实操细节、仓储和交割成本怎么算、基差回归模型怎么搭，还有季节性规律怎么用。嗯，这些都是我这些年踩坑踩出来的经验，希望能帮你少走弯路。

14.1 期现套利：不只是买现货卖期货

期现套利，说白了就是利用期货和现货之间的价差赚钱。但很多人以为，只要价差大了就无脑进场——我告诉你，没那么简单。

我在2019年做过一次螺纹钢的期现套利，当时基差拉到了历史极值，我兴冲冲地买了现货、空了期货。结果呢？仓储费、资金成本、交割损耗算下来，利润薄得像纸片。那次之后，我养成了一个习惯：进场前先把所有成本列清楚。

期现套利的核心逻辑是这样的：

• 正向套利：基差过大（现货便宜、期货贵）→ 买入现货，卖出期货 → 等待基差回归 → 平仓获利
• 反向套利：基差为负（现货贵、期货便宜）→ 卖出现货，买入期货 → 等待基差回归 → 平仓获利

但这里有个关键点：反向套利需要你手上有现货。如果你没有现货库存，那就只能做正向套利。所以，大部分散户和中小机构，做的都是正向套利。

14.2 仓储与交割成本计算

成本计算是期现套利里最容易出问题的地方。我见过太多人，只看基差大就冲进去，结果被各种隐性成本吃掉利润。

咱们一项一项拆开看：

14.2.1 仓储成本

仓储成本包括：仓库租金、装卸费、保管费、保险费。不同品种差异很大。

品种	仓储费（元/吨·天）	备注
螺纹钢	0.15 - 0.25	露天堆放，成本较低
铜	0.5 - 1.0	需室内仓库，防潮
大豆	0.3 - 0.6	需控温控湿
原油	0.8 - 1.5	罐容租赁，按桶计

举个例子：如果你做螺纹钢套利，持仓30天，仓储费按0.2元/吨·天算，那就是6元/吨。如果基差只有20元/吨，光仓储费就吃掉30%的利润。

14.2.2 资金成本

资金成本 = 现货占用资金 × 利率 × 持仓天数 / 365

这里要注意：利率要用你的实际融资成本，不是无风险利率。我一般用银行间拆借利率+2%作为基准。

假设螺纹钢现货价格3500元/吨，持仓30天，融资成本5%，那么资金成本 = 3500 × 5% × 30/365 ≈ 14.38元/吨。你看，比仓储费还高。

14.2.3 交割成本

交割成本包括：交割手续费、质检费、运输费、增值税等。这部分比较固定，但容易被忽略。

• 交割手续费：交易所收，一般1-5元/手
• 质检费：按批次收，几百到几千不等
• 运输费：从仓库到交割库的距离决定
• 增值税：如果涉及开票，13%的税率要算进去

14.3 基差回归模型

基差回归模型，说白了就是预测基差什么时候会回归、回归到什么位置。这是量化套利的核心。

我个人习惯用三种模型：

14.3.1 均值回归模型

这是最基础的模型。假设基差围绕一个长期均值波动，偏离越大，回归概率越高。

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller

# 计算基差
basis = futures_price - spot_price

# 平稳性检验（ADF检验）
result = adfuller(basis)
if result[1] < 0.05:
    print("基差序列平稳，适合均值回归模型")
else:
    print("基差不平稳，需要差分或协整处理")

# 计算均值回归半衰期
half_life = -np.log(2) / np.polyfit(basis[:-1], np.diff(basis), 1)[0]
print(f"半衰期：{half_life:.2f}天")

半衰期是什么意思？就是基差偏离均值后，回到一半所需的时间。如果半衰期是5天，说明基差偏离后，平均需要5天才能恢复一半。这个参数决定了你的持仓周期。

14.3.2 协整模型

对于跨品种套利，两个品种的价格可能不平稳，但它们之间存在长期均衡关系。这时候用协整模型。

from statsmodels.tsa.vector_ar.vecm import coint_johansen

# 两个品种的价格序列
data = pd.DataFrame({'A': price_a, 'B': price_b})

# Johansen协整检验
result = coint_johansen(data, det_order=0, k_ar_diff=1)
print(f"迹统计量：{result.lr1}")
print(f"5%临界值：{result.cvt}")

# 如果迹统计量大于临界值，说明存在协整关系
# 可以构建价差组合进行套利

嗯，这里要注意：协整关系会随时间变化。我2018年做豆粕和菜粕的套利，协整关系维持了两年多，但2019年底突然失效了。后来发现是饲料配方变了。所以，模型要定期重新拟合。

14.3.3 机器学习回归模型

如果你觉得传统模型不够灵活，可以试试机器学习。我个人喜欢用XGBoost来预测基差走势。

import xgboost as xgb
from sklearn.model_selection import train_test_split

# 构造特征：库存、持仓量、成交量、季节性因子等
features = ['inventory', 'open_interest', 'volume', 'season_factor', 'days_to_expiry']
X = data[features]
y = data['basis']

# 训练测试分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 训练模型
model = xgb.XGBRegressor(n_estimators=100, max_depth=3)
model.fit(X_train, y_train)

# 特征重要性
importance = model.feature_importances_
for feat, imp in zip(features, importance):
    print(f"{feat}: {imp:.3f}")

说实话，机器学习模型在基差预测上效果不错，但有个问题——过拟合。我刚开始用的时候，回测曲线漂亮得不行，一上实盘就崩。后来加了正则化和滚动验证，才稳定下来。

14.4 基差交易的季节性规律

季节性规律，说白了就是某些品种的基差在特定时间会表现出规律性。这跟农产品的生长周期、工业品的消费旺季、能源品的取暖需求都有关系。

我整理了几个典型品种的季节性规律：

品种	季节性规律	套利策略
豆粕	5-6月基差偏强（美豆种植季） 9-10月基差偏弱（新豆上市）	5月做多基差，9月做空基差
螺纹钢	3-4月基差偏强（开工旺季） 11-12月基差偏弱（需求淡季）	3月做多基差，11月做空基差
原油	冬季基差偏强（取暖需求） 夏季基差偏弱（炼厂检修）	10月做多基差，4月做空基差
白糖	11-12月基差偏强（压榨季） 5-6月基差偏弱（消费淡季）	11月做多基差，5月做空基差

但这里有个坑：季节性规律不是每年都准。2020年疫情打乱了所有季节性节奏，螺纹钢的开工旺季推迟了两个月。如果你死板地按季节性规律做，会亏得很惨。

14.5 知识体系总览

好了，这一章的内容比较多，我画了一张图帮你梳理一下整体逻辑：

这张图把这一章的核心内容串起来了。你看，从期现套利出发，成本计算是基础，回归模型是工具，季节性规律是辅助。三者缺一不可。

最后说一句：基差交易不是稳赚不赔的。我见过太多人，模型回测漂亮，实盘却亏钱。为什么？因为市场在变，你的模型也要跟着变。保持敬畏，持续迭代，这才是长期盈利的关键。

---