第17章基差回归与机器学习结合

第17章：基差回归与机器学习结合：随机森林、XGBoost、LSTM在基差预测中的对比

做基差交易这么多年，我一直在琢磨一个问题：传统的时间序列模型，到底能不能搞定基差预测？

说实话，ARIMA、GARCH这些经典模型，在平稳市场里表现还行。但一遇到政策突变、交割月临近、或者市场情绪剧烈波动，它们就有点力不从心了。我2019年做螺纹钢基差策略时，ARIMA模型在5月份回测漂亮得很，结果6月份一换月，直接给我来了个连续三天的反向波动——那叫一个惨。

后来我开始尝试机器学习模型。说白了，基差预测本质上是个回归问题——用历史数据去预测未来的价差。而机器学习，尤其是集成学习和深度学习，在处理非线性关系上确实有天然优势。

今天咱们就来聊聊三种主流模型：随机森林、XGBoost、LSTM。它们各自有什么特点？在基差预测中谁更靠谱？我踩过哪些坑？

17.1 为什么传统模型不够用？

基差数据有几个特点，让传统模型很头疼：

非线性关系：库存、持仓、期限结构这些因子，跟基差之间不是简单的线性关系。比如库存高到一定程度，基差可能突然崩塌
多因子交互：单一时间序列模型很难同时处理几十个特征
市场状态切换：牛熊市、交割月、政策窗口期，数据分布完全不一样

我个人的习惯是，先用传统模型做个基准，再上机器学习模型看能不能超越。如果连ARIMA都跑不过，那说明特征工程有问题，不是模型的问题。

17.2 随机森林：简单粗暴但有效

随机森林是我最早尝试的机器学习模型。为什么选它？因为参数少、不容易过拟合、对异常值不敏感。

在基差预测中，我通常这样构建特征：

价格类：近月合约价格、远月合约价格、近远月价差
持仓类：主力合约持仓量、持仓变化率、多空比
库存类：显性库存、仓单数量、库存变化率
时间类：距离交割日天数、是否临近交割月

代码实现其实不复杂：

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

# 假设 X 是特征矩阵，y 是未来N日的基差变化
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, shuffle=False
)

model = RandomForestRegressor(
    n_estimators=200,
    max_depth=8,
    min_samples_leaf=10,
    random_state=42
)
model.fit(X_train, y_train)

# 特征重要性
importance = pd.DataFrame({
    'feature': feature_names,
    'importance': model.feature_importances_
}).sort_values('importance', ascending=False)

嗯，这里要注意：shuffle=False 这个参数很关键。时间序列数据不能随机打乱，否则就相当于用未来的数据去预测过去，回测结果会虚高。我曾经犯过这个错误，回测年化收益30%，实盘一跑直接亏了两个月。

随机森林在基差预测中的表现：

优点：训练快、可解释性强、特征重要性一目了然
缺点：对趋势性预测能力弱、外推效果差
适用场景：震荡市、特征数量在20-50个之间

17.3 XGBoost：梯度提升的王者

如果说随机森林是「民主投票」，那XGBoost就是「迭代纠错」。每一棵树都在修正前一棵树的错误，所以精度通常更高。

我在做豆粕基差预测时，对比过随机森林和XGBoost。同样的特征集，XGBoost的R²从0.32提升到了0.41。别小看这0.09，在基差交易里，这往往意味着从亏损到盈利的跨越。

XGBoost有几个关键参数需要调：

import xgboost as xgb

model = xgb.XGBRegressor(
    n_estimators=300,
    learning_rate=0.05,
    max_depth=5,
    subsample=0.8,
    colsample_bytree=0.8,
    reg_alpha=0.1,
    reg_lambda=1.0
)
model.fit(X_train, y_train, 
          eval_set=[(X_test, y_test)],
          early_stopping_rounds=20,
          verbose=False)

我个人习惯用 early_stopping_rounds 来防止过拟合。你想想看，如果验证集上的误差连续20轮都不下降，那再训练下去也没意义了。

避坑指南：我曾经在XGBoost里把 learning_rate 设成0.3，n_estimators 设成1000，结果模型在训练集上R²高达0.95，验证集上只有0.15。这就是典型的过拟合。后来我把学习率降到0.05，树的数量控制在300以内，效果反而好了很多。

17.4 LSTM：序列建模的利器

LSTM跟前面两个模型最大的区别在于：它能捕捉时间序列中的长期依赖关系。

基差数据是有记忆效应的。比如，过去5天的基差走势，往往会影响未来3天的方向。随机森林和XGBoost虽然也能用滞后特征（lag features）来模拟这种关系，但本质上还是「截断」的——你只能手动指定用过去多少天的数据。

LSTM则不同，它通过门控机制自动学习「应该记住多久的历史信息」。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

model = Sequential([
    LSTM(64, return_sequences=True, input_shape=(lookback, n_features)),
    Dropout(0.2),
    LSTM(32, return_sequences=False),
    Dropout(0.2),
    Dense(16, activation='relu'),
    Dense(1)
])

model.compile(optimizer='adam', loss='mse')
model.fit(X_train, y_train, 
          validation_data=(X_test, y_test),
          epochs=50, batch_size=32, verbose=0)

这里有个关键点：lookback 参数怎么设？我试过5天、10天、20天、60天。结果发现，对于大多数商品期货，10-20天的回溯窗口效果最好。太短了学不到趋势，太长了反而引入噪声。

LSTM的坑：

训练时间长，尤其是数据量大时
对数据标准化敏感，一定要做归一化
结果不稳定，同样的代码跑两次可能结果不同
可解释性差，你不知道它到底学到了什么规律

17.5 三种模型的对比

我拿2022-2023年的螺纹钢基差数据做了个对比测试。样本外预测结果如下：

指标	随机森林	XGBoost	LSTM
R²	0.32	0.41	0.38
MAE（元/吨）	18.5	15.2	16.1
方向准确率	62%	68%	65%
训练时间	12秒	45秒	8分钟
过拟合风险	低	中	高

说实话，这个结果有点出乎我的意料。我原本以为LSTM会大幅领先，毕竟它是专门为序列数据设计的。但实际表现跟XGBoost差不多，甚至在某些指标上还略逊一筹。

为什么会这样？我分析下来有几个原因：

基差数据的样本量通常不大（日频数据，一年也就200多个样本），LSTM这种深度模型容易欠拟合
基差的影响因子很多是离散的（比如交割月、库存报告发布日），LSTM对这种「事件驱动」的模式不太敏感
XGBoost对特征工程的要求更低，你扔进去几十个特征，它自己就能筛选出重要的

我的建议：

如果特征数量少（<10个），数据量大（>5000样本），优先考虑LSTM
如果特征数量多（20-100个），数据量中等，XGBoost是最稳妥的选择
如果只是做个快速验证，或者需要可解释性，随机森林就够了

17.6 知识体系总览

下面这张图，是我对本章核心逻辑的梳理：

从这张图可以看得很清楚：三种模型共享同一套输入特征，但内部机制完全不同。随机森林靠多棵树投票，XGBoost靠迭代纠错，LSTM靠记忆门控。最终输出的基差预测值，再用R²、MAE、方向准确率来评估。

17.7 实战中的选择策略

说了这么多，到底该用哪个模型？

我的经验是：不要迷信任何一个模型。我见过有人用LSTM跑出漂亮回测，实盘一塌糊涂；也见过有人用简单的随机森林，配合扎实的特征工程，稳定盈利。

我个人习惯的做法是：

先用随机森林做特征筛选，剔除掉不重要的因子
再用XGBoost做主力模型，调参优化
如果数据量足够大（日频数据超过3年），再尝试LSTM作为辅助
最终用集成策略，把三个模型的预测结果做个加权平均

你想想看，每个模型都有自己的盲区。随机森林对异常值不敏感，但趋势预测弱；XGBoost精度高，但容易过拟合；LSTM能捕捉长期依赖，但训练不稳定。把它们结合起来，反而能互补。

一个小技巧：在做模型集成时，不要用固定的权重。我通常根据最近30天的预测误差来动态调整权重——哪个模型最近表现好，就给它更高的权重。这个方法虽然简单，但效果往往比固定权重好不少。

好了，关于基差回归与机器学习的结合，今天就聊到这儿。三种模型各有千秋，关键还是看你的数据特征和交易场景。记住一点：模型只是工具，对市场的理解才是核心。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录