量化工具：Python实现基于库存的基差交易信号生成

说实话，很多做基差交易的朋友，都卡在「信号生成」这一步。理论都懂——库存高，基差弱；库存低，基差强。但真要把这个逻辑写成代码，跑出可执行的交易信号，又是另一回事了。

我个人习惯，是把库存数据当作「核心因子」，然后用Python把它量化成具体的买卖信号。今天我就带你走一遍这个流程。嗯，代码不多，但每一步都有坑。

1. 核心逻辑：库存与基差的「反向联动」

先理清思路。基差 = 现货价格 - 期货价格。库存高的时候，现货往往供过于求，价格承压，基差走弱（甚至变成负的）。库存低的时候，现货紧缺，基差走强。

所以我们的信号生成逻辑很简单：

• 库存处于历史低位 → 预期基差走强 → 做多基差（买现货，卖期货）
• 库存处于历史高位 → 预期基差走弱 → 做空基差（卖现货，买期货）
• 库存处于中性区间 → 观望，不产生信号

你想想看，这个逻辑听起来简单，但实际跑起来，阈值怎么设？数据怎么标准化？我一开始也踩过坑。

2. 数据准备：你需要什么？

要生成信号，至少需要两类数据：

数据类别	字段	频率
库存数据	日期、品种、库存量	周度/日度
基差数据	日期、品种、基差值	日度

我在项目中遇到过一个问题：库存数据经常有缺失，尤其是节假日前后。如果你直接用空值去算分位数，结果会偏得离谱。我的做法是——先做前向填充，再算滚动分位数。

3. Python代码实现：信号生成引擎

下面这段代码，是我自己一直在用的一个简化版。它把库存数据转成「库存分位数」，然后根据分位数生成交易信号。

import pandas as pd
import numpy as np

def generate_inventory_signal(inventory_series, lookback=252, low_threshold=0.2, high_threshold=0.8):
    """
    基于库存分位数生成基差交易信号
    
    参数:
    - inventory_series: 库存时间序列 (pandas Series)
    - lookback: 滚动窗口长度，默认252个交易日
    - low_threshold: 低位阈值，库存分位数低于此值做多
    - high_threshold: 高位阈值，库存分位数高于此值做空
    
    返回:
    - signal: 1=做多基差, -1=做空基差, 0=观望
    """
    # 计算滚动分位数
    rolling_rank = inventory_series.rolling(window=lookback, min_periods=100).apply(
        lambda x: pd.Series(x).rank(pct=True).iloc[-1]
    )
    
    # 生成信号
    signal = pd.Series(0, index=inventory_series.index)
    signal[rolling_rank <= low_threshold] = 1    # 库存低位，做多基差
    signal[rolling_rank >= high_threshold] = -1  # 库存高位，做空基差
    
    return signal

# 使用示例
# inventory_data = pd.read_csv('inventory.csv', index_col='date', parse_dates=True)
# signal = generate_inventory_signal(inventory_data['inventory'])

4. 信号过滤：别让噪音干扰你

直接跑上面的代码，你会发现信号切换非常频繁。今天做多，明天就变做空了。这在实际交易中根本没法执行。

我曾经吃过这个亏。2019年做螺纹钢，信号一天变三次，手续费都亏麻了。后来我加了一个「信号持久化」的过滤机制：

def filter_signal(signal, min_hold_days=5):
    """
    信号过滤：信号至少保持 min_hold_days 天不变
    """
    filtered = signal.copy()
    last_signal = 0
    hold_count = 0
    
    for i in range(len(signal)):
        if signal.iloc[i] != last_signal:
            if hold_count >= min_hold_days:
                last_signal = signal.iloc[i]
                hold_count = 0
            else:
                # 信号持续时间不够，保持原信号
                filtered.iloc[i] = last_signal
                hold_count += 1
        else:
            hold_count += 1
    
    return filtered

说白了，这个过滤就是让信号「钝化」一点。你想想看，库存变化是缓慢的，基差变化也是缓慢的，信号没必要那么灵敏。

5. 可视化：看一眼就知道信号质量

光有数字信号不够，我习惯画一张图，把库存分位数、基差、信号三条线叠在一起看。这样一眼就能判断信号是否合理。

import matplotlib.pyplot as plt

def plot_signal(inventory_pct, basis, signal):
    fig, ax1 = plt.subplots(figsize=(12, 6))
    
    ax1.plot(inventory_pct.index, inventory_pct, label='库存分位数', color='blue', alpha=0.7)
    ax1.axhline(y=0.2, color='gray', linestyle='--', alpha=0.5)
    ax1.axhline(y=0.8, color='gray', linestyle='--', alpha=0.5)
    ax1.set_ylabel('库存分位数')
    
    ax2 = ax1.twinx()
    ax2.plot(basis.index, basis, label='基差', color='orange', alpha=0.7)
    ax2.set_ylabel('基差')
    
    # 标记信号
    for i in range(len(signal)):
        if signal.iloc[i] == 1:
            ax1.axvline(x=signal.index[i], color='green', alpha=0.1)
        elif signal.iloc[i] == -1:
            ax1.axvline(x=signal.index[i], color='red', alpha=0.1)
    
    plt.title('库存分位数 vs 基差 vs 交易信号')
    plt.show()

6. 核心知识体系：一张图说清楚

下面这张SVG图，把整个信号生成的流程串起来了。从数据输入到信号输出，每一步都离不开。

7. 避坑指南：我踩过的三个大坑

1. 库存数据口径不一致——我曾经同时用了两个数据源的库存，一个算的是「社会库存」，另一个算的是「厂库」，结果信号完全相反。后来我统一只用交易所公布的仓单数据。
2. 阈值设得太死——0.2和0.8不是万能药。有些品种波动大，0.2可能一年都触发不了几次。我建议你先跑一遍历史数据，看看分位数的分布，再动态调整。
3. 忽略基差的绝对值——库存分位数低，但基差已经很高了，这时候做多基差可能追高。我后来加了一个「基差绝对水平」的过滤，基差处于历史高位时，即使库存低也不做多。

好了，这一章的内容就到这里。代码你可以直接拿去用，但记得根据自己的品种调整参数。有什么问题，欢迎交流。