第二十五讲：基差回归中的非线性模型——门限回归、马尔可夫转换模型、分位数回归
各位做基差交易的朋友，咱们之前聊的线性回归，说白了就是假设基差和影响因素之间是「一根筋」的关系。但实际交易中，市场是有脾气的——牛熊切换、政策突变、情绪爆发，这些都会让基差的运行规律发生结构性变化。今天我就把压箱底的非线性模型拿出来聊聊：门限回归、马尔可夫转换模型、分位数回归。这三种工具，是我在实盘里反复踩坑后筛选出来的。
一、为什么线性模型不够用？
先讲个我自己的教训。2019年我做螺纹钢基差交易，用线性回归拟合基差与库存、开工率的关系，回测漂亮得很。结果一上实盘，连续三个月亏损。后来复盘发现：当库存处于极端低位时，基差对库存变化的敏感度会突然放大——这就是典型的非线性特征。
线性模型的问题在于：它假设参数是恒定的。但市场环境一变，系数就该跟着变。你想想看，牛市的基差驱动逻辑和熊市能一样吗？
核心认知：基差的生成机制往往存在「状态切换」——不同市场状态下，驱动因素的权重和方向可能完全不同。
二、门限回归（Threshold Regression）
门限回归的思路很直接：给数据划个门槛。比如以库存水平为门限变量，库存低于某个值时用一套系数，高于时用另一套。这就像给基差模型装了个「开关」。
模型原理
假设我们有一个门限变量 \( q_t \)（比如库存），一个门限值 \( \gamma \)。模型写成：
基差_t =
α₁ + β₁ * X_t + ε_t, 当 q_t ≤ γ
α₂ + β₂ * X_t + ε_t, 当 q_t > γ这里的 \( X_t \) 是其他解释变量（如现货价格、期货持仓等）。门限值 \( \gamma \) 不是拍脑袋定的，而是通过最小化残差平方和搜索出来的。
实战案例：豆粕基差的门限效应
我做过一个豆粕基差的门限回归，门限变量选的是「大豆到港量」。结果发现：
| 状态 | 门限条件 | 基差对库存的敏感度 |
|---|---|---|
| 低到港期 | 到港量 < 600万吨/月 | -0.35（库存每增1%，基差降0.35%） |
| 高到港期 | 到港量 ≥ 600万吨/月 | -0.12（敏感度大幅降低） |
为什么会这样？因为到港量低时，市场对库存变化极度敏感，一点风吹草动就放大基差波动。到港量充裕时，大家反而麻木了。
我的习惯：做门限回归时，门限变量别选太多。我一般只试1-2个候选变量（比如库存、持仓量），然后通过BIC准则选最优模型。变量多了容易过拟合。
三、马尔可夫转换模型（Markov Switching Model）
门限回归有个硬伤：它假设状态切换是「瞬间完成」的，而且切换时机完全由门限变量决定。但现实中，市场状态的切换往往带有随机性——你不知道什么时候牛转熊，只能估计概率。
马尔可夫转换模型就是干这个的。它把市场分成几个「隐状态」，每个状态有自己的回归方程，状态之间的切换服从马尔可夫链。
模型结构
假设有两个状态（牛市、熊市），模型为：
状态1（牛市）：基差_t = α₁ + β₁ * X_t + ε₁_t, ε₁_t ~ N(0, σ₁²)
状态2（熊市）：基差_t = α₂ + β₂ * X_t + ε₂_t, ε₂_t ~ N(0, σ₂²)
状态转移概率：
P(状态1→状态1) = p₁₁
P(状态1→状态2) = 1 - p₁₁
P(状态2→状态2) = p₂₂
P(状态2→状态1) = 1 - p₂₂模型会同时估计出每个时间点处于各状态的概率，以及转移概率矩阵。
避坑指南
我曾经在股指期货基差上用过三状态模型（牛、熊、震荡），结果参数估计极不稳定。后来发现：状态数越多，对数据量的要求就越高。对于日频基差数据，两状态模型通常就够了。三状态模型至少需要5年以上数据才能稳定。
注意：马尔可夫转换模型的估计用的是EM算法，对初始值敏感。我建议多试几组初始值，选似然函数最大的那个结果。否则容易陷入局部最优。
四、分位数回归（Quantile Regression）
前面两种模型关注的是「平均效应」——它们预测的是基差的均值。但做交易的人都知道，我们更关心极端情况：基差大幅偏离时怎么办？
分位数回归不预测均值，而是预测基差的不同分位数。比如0.1分位数代表「最差的10%情况」，0.9分位数代表「最好的10%情况」。这能帮你了解基差在不同压力水平下的表现。
数学表达
对于分位数 \( \tau \)（比如0.25），模型求解：
min Σ ρ_τ(基差_t - α - β * X_t)
其中 ρ_τ(u) = u * (τ - I(u < 0))说白了，就是给正负残差赋予不同权重，从而得到条件分位数的估计。
实战应用：基差的风险度量
我常用分位数回归做基差的风险预算。比如：
- 0.1分位数模型：反映基差在极端不利情况下的水平，用于设置止损
- 0.5分位数（中位数）：反映基差的「正常」水平，比均值更稳健
- 0.9分位数模型：反映基差在极端有利情况下的水平，用于止盈参考
举个例子，我做过一个铁矿石基差的分位数回归，发现：当港口库存处于高位时，0.1分位数和0.9分位数的差距会显著扩大——这意味着基差波动加剧，风险上升。
我的建议：分位数回归的系数解释和普通回归不同。比如某个变量对0.1分位数的影响是0.5，不代表它对均值的影响也是0.5。要分别解读每个分位数的经济含义。
五、三种模型的对比与选择
我把这三种模型的特点整理成一张表，方便你根据场景选择：
| 模型 | 核心假设 | 适用场景 | 数据要求 | 我的使用频率 |
|---|---|---|---|---|
| 门限回归 | 状态由可观测变量触发 | 有明显阈值效应的品种（如库存临界点） | 中等（2-3年日频数据） | ★★★☆☆ |
| 马尔可夫转换 | 状态随机切换，有概率 | 牛熊切换频繁的市场（如股指期货） | 高（5年以上数据） | ★★☆☆☆ |
| 分位数回归 | 关注条件分布而非均值 | 风险管理、极端情况分析 | 低（1年数据即可） | ★★★★☆ |
六、知识体系总览
下面这张图帮你理清这三种模型在基差回归中的定位：
七、实盘中的选择逻辑
说了这么多，到底什么时候用哪个？我个人的经验是：
- 如果你能找到一个明确的「开关变量」（比如库存、持仓量），而且历史数据中这个变量确实能区分不同状态，那就用门限回归。简单、直观、可解释性强。
- 如果市场状态切换没有明确的触发变量，比如股指期货的牛熊切换往往由情绪驱动，那就用马尔可夫转换模型。但记住，数据量要够。
- 如果你主要做风险管理，或者想了解基差在不同压力水平下的表现，分位数回归是最实用的。它不需要假设状态，直接给出条件分布。
最后说一句：非线性模型不是万能的。我见过有人把马尔可夫转换模型搞得极其复杂，结果样本外预测还不如简单移动平均。工具再好，也要看你会不会用。我的原则是：先试最简单的非线性模型（门限回归），不行再上复杂的。别一上来就整花活。
公众号:蓝海资料掘金营，微信deep3321