22、基差回归中的事件驱动因素：交割日效应、移仓换月、政策冲击

做基差交易时间长了，你会发现一个规律——基差不是随机游走的。它背后有明确的“推手”。

这些推手，我习惯叫它们事件驱动因素。说白了，就是某些特定时间点或事件发生时，基差会像被按了开关一样，出现规律性的变化。

今天咱们就聊三个最核心的事件驱动因素：交割日效应、移仓换月、政策冲击。这三个东西，我几乎每次做基差回归模型时都要考虑进去，不然模型很容易“翻车”。

一、交割日效应：基差的“强制收敛”

先问一个问题：为什么基差最终一定会回归？

答案很简单——交割制度。期货合约到期时，必须进行实物交割或现金结算。这意味着，临近交割日，期货价格和现货价格会被强制拉拢。

我刚开始做基差交易时，犯过一个低级错误。当时我持有一个螺纹钢的基差多头头寸，基差已经扩大到-80元，按历史统计应该回归。结果临近交割日，基差不但没回归，反而继续扩大。后来一查，原来是该合约流动性枯竭了，没人愿意接货。

嗯，这里要注意：交割日效应只在流动性正常的合约中有效。

我一般会在模型中加入一个时间衰减因子，用来量化交割日效应：

# 交割日效应权重计算
def delivery_effect_weight(days_to_delivery):
    """
    days_to_delivery: 距离交割日的交易日数
    返回：0-1之间的权重值
    """
    if days_to_delivery <= 5:
        return 1.0  # 最后一周，强制收敛
    elif days_to_delivery <= 15:
        return 0.8 - (days_to_delivery - 5) * 0.03
    else:
        return 0.2  # 远月合约，效应很弱

这个函数我用了好几年，效果还不错。但要注意，不同品种的“敏感区间”不一样。比如股指期货，最后3天效应最强；而农产品期货，可能提前20天就开始反应了。

二、移仓换月：基差的“结构性跳变”

移仓换月，说白了就是主力资金从一个合约转移到另一个合约的过程。这个过程会产生一个很讨厌的现象——基差的非连续性跳变。

举个例子：

假设当前是6月，主力合约是09合约（9月到期）。基差是-50点。随着资金开始移仓到01合约（次年1月到期），09合约的基差可能突然变成-30点，而01合约的基差是-70点。

你看，同一个品种，不同合约的基差完全不一样。如果你用连续合约数据做回归，就会在移仓换月那天看到一个“断崖”或“跳空”。

我的处理方法是这样的：

1. 识别移仓窗口：一般从持仓量开始下降算起，到新合约持仓量超过旧合约为止。这个窗口期通常是5-10个交易日。
2. 计算展期价差：旧合约和新合约之间的价差，这个价差就是基差跳变的“元凶”。
3. 做展期调整：在回归模型中，把展期价差作为一个独立的解释变量加入。

代码实现起来也不复杂：

# 展期调整后的基差计算
def adjusted_basis(old_contract_basis, new_contract_basis, roll_progress):
    """
    roll_progress: 移仓进度，0-1之间
    """
    roll_spread = new_contract_basis - old_contract_basis
    # 展期调整 = 旧合约基差 + 展期价差 * 移仓进度
    adjusted = old_contract_basis + roll_spread * roll_progress
    return adjusted

你想想看，如果不做这个调整，模型会把展期价差误判为基差的异常波动，然后给出错误的交易信号。我见过不少新手在这里栽跟头。

三、政策冲击：基差的“黑天鹅”

政策冲击，是所有事件驱动因素里最难处理的。因为它不可预测，而且影响巨大。

我记得2021年国家发改委对煤炭价格进行干预时，动力煤期货的基差在一天之内从+100元变成了-200元。如果你当时持有基差多头头寸，那真是欲哭无泪。

政策冲击对基差的影响路径，我总结为三步：

1. 预期阶段：市场听到风声，开始提前交易。基差出现异常波动，但方向不确定。
2. 落地阶段：政策正式公布，基差瞬间跳变。这个跳变幅度往往超出任何统计模型的预测范围。
3. 消化阶段：市场重新定价，基差在新的均衡点附近震荡。这个阶段通常持续3-10个交易日。

那怎么在模型中处理政策冲击呢？我的做法是：

• 加入虚拟变量：在回归模型中，为重大政策事件设置0/1虚拟变量。这样模型可以“记住”政策冲击的影响。
• 使用稳健回归：普通最小二乘法对异常值太敏感。我改用Huber回归或分位数回归，对政策冲击造成的极端值有更好的鲁棒性。
• 设置风险阈值：当基差偏离历史均值超过3倍标准差时，自动降低仓位或平仓。

四、三者如何协同？

这三个因素不是独立作用的。它们经常同时出现，互相叠加。

比如：移仓换月期间，正好赶上交割日临近，又突然出了个政策。这时候基差的波动会非常剧烈，模型很容易失效。

我画了一张图，帮你理清它们的关系：

从这张图你能看到，三个因素之间是相互影响的。交割日效应和移仓换月经常重叠，政策冲击又可能加速或干扰前两者的作用。

我个人习惯的做法是：在回归模型中，把这三个因素都作为独立的解释变量加入。交割日效应用时间衰减函数表示，移仓换月用展期价差表示，政策冲击用虚拟变量表示。这样模型就能同时捕捉三种效应。

当然，模型再完善，也架不住极端行情。我给自己定了一条铁律：当三个因素同时出现时，暂停所有基差交易。因为这时候的基差波动，已经不是统计模型能解释的了。

好了，关于事件驱动因素就聊这么多。这些东西看着简单，但真正在实盘中用好，还是需要反复打磨的。希望我的经验能帮你少走一些弯路。

---