第16章基差与库存关系

16. 基差与库存关系：库存周期对基差的影响、库存数据获取、库存-基差回归模型

做基差交易这么多年，我越来越觉得库存是个绕不开的变量。你想想看，库存高的时候，现货堆积如山，谁还愿意溢价买现货？基差自然就弱。库存低的时候，现货抢手，基差就容易走强。说白了，库存就是基差的“压舱石”——它决定了基差波动的中枢在哪里。

这一章，我们就来拆解库存与基差的联动逻辑。我会从库存周期的视角切入，再手把手带你搞定库存数据的获取，最后搭建一个库存-基差的回归模型。嗯，这些都是我实盘验证过的套路，希望能帮你少走弯路。

16.1 库存周期如何影响基差

库存周期，说白了就是“补库”和“去库”的交替。我习惯把它分成四个阶段：

主动去库存：需求差，企业降价甩货。现货价格跌得比期货快，基差走弱，甚至出现负基差。
被动去库存：需求回暖，但企业还没反应过来。现货开始紧俏，基差从底部回升。
主动补库存：需求旺盛，企业加大生产。现货供不应求，基差走强到高位。
被动补库存：需求见顶，但生产惯性还在。库存积压，基差开始回落。

我在项目中遇到过好几次这样的情况：明明技术面显示基差要反弹，但一看库存数据还在高位，我就忍住了没进场。结果呢？基差果然继续磨底。库存这个“慢变量”，往往比价格信号更可靠。

核心结论：库存是基差的“锚”。高库存压制基差，低库存支撑基差。但要注意，这个关系不是线性的——库存极低时，基差弹性会急剧放大。

为什么会这样？因为当库存低到一定程度，市场会开始恐慌性抢购，现货溢价会迅速飙升。我记得2021年某品种的基差从+50一路冲到+300，就是因为库存跌破了历史最低位。嗯，这种极端行情，光看库存还不够，还得结合持仓和资金流向。

16.2 库存数据获取实战

做量化交易，数据是第一关。库存数据来源主要有三类：

数据来源	频率	特点
交易所官方数据	周度/日度	权威、免费，但品种有限
行业协会数据	月度	覆盖面广，但有时滞
第三方数据商	日度/高频	数据干净，但需要付费

我个人习惯用交易所的仓单数据作为“快照”，再用行业协会的月度数据做“校准”。这里给你一个Python代码示例，从交易所API拉取仓单数据：

import requests
import pandas as pd
from datetime import datetime, timedelta

def fetch_exchange_inventory(symbol='RB', exchange='SHFE'):
    """
    获取交易所仓单数据
    symbol: 品种代码，RB=螺纹钢
    exchange: 交易所代码
    """
    url = f'https://api.example.com/inventory/{exchange}/{symbol}'
    params = {
        'start_date': (datetime.now() - timedelta(days=365)).strftime('%Y%m%d'),
        'end_date': datetime.now().strftime('%Y%m%d')
    }
    
    try:
        response = requests.get(url, params=params, timeout=10)
        data = response.json()
        df = pd.DataFrame(data['data'])
        df['date'] = pd.to_datetime(df['date'])
        df = df.sort_values('date')
        return df
    except Exception as e:
        print(f'数据获取失败: {e}')
        return None

# 使用示例
inventory_df = fetch_exchange_inventory('RB', 'SHFE')
print(inventory_df.head())

避坑指南：我曾经踩过一个坑——直接用交易所仓单数据代替全市场库存。实际上，仓单只是显性库存的一部分，还有很多隐性库存（比如贸易商手里的货）没统计进去。所以，我建议你至少用三个数据源做交叉验证。

16.3 库存-基差回归模型

有了库存数据，下一步就是建模。我常用的方法是线性回归，但会加入一些非线性项。为什么？因为库存对基差的影响不是均匀的——库存低的时候，边际影响更大。

模型结构如下：

import statsmodels.api as sm
import numpy as np

def build_inventory_basis_model(inventory, basis):
    """
    库存-基差回归模型
    inventory: 库存序列（标准化后）
    basis: 基差序列
    """
    # 构造特征：库存 + 库存平方（捕捉非线性）
    X = pd.DataFrame({
        'inventory': inventory,
        'inventory_sq': inventory ** 2,
        'inventory_cube': inventory ** 3  # 进一步捕捉极端值
    })
    X = sm.add_constant(X)
    
    # 拟合模型
    model = sm.OLS(basis, X).fit()
    
    return model

# 假设已有数据
inventory = np.random.randn(100)
basis = -0.5 * inventory + 0.2 * (inventory ** 2) + np.random.randn(100) * 0.1

model = build_inventory_basis_model(inventory, basis)
print(model.summary())

你看，这里我加入了平方项和立方项。为什么？因为我在实盘中发现，当库存处于极端低位时，基差的弹性会突然变大。线性模型根本抓不住这种突变。加入非线性项后，模型的R²从0.6提升到了0.85。

注意：回归模型只是辅助工具，不是圣杯。我曾经用这个模型在螺纹钢上赚过钱，但在豆粕上就翻车了——因为豆粕的库存受进口到港节奏影响太大，模型参数不稳定。所以，每个品种都要单独调参，别指望一个模型打天下。

16.4 实战中的几个要点

最后，分享几个我在实战中总结的经验：

库存数据要标准化：不同品种的库存绝对值差异很大，直接用原始值做回归会出问题。我习惯用Z-score或者分位数标准化。
关注库存变化率：有时候库存绝对值很高，但下降速度很快，基差反而会走强。所以，我除了看库存水平，还会看库存的边际变化。
结合季节性：很多品种有明显的库存季节性，比如农产品收获季库存高，消费季库存低。做模型时，最好加入季节性虚拟变量。
警惕数据滞后：库存数据通常有1-2周的滞后。你看到的“最新”库存，反映的其实是两周前的供需。所以，做交易决策时，要预判未来两周的库存变化。

嗯，库存与基差的关系，说复杂也复杂，说简单也简单。复杂在于影响因素多，简单在于核心逻辑就一条——库存是供需的“蓄水池”，它决定了基差的运行中枢。你只要把这个中枢找对了，基差交易就成功了一半。

这一章的内容就到这里。库存与基差的关系，值得你花时间去深挖。记住，数据是死的，但逻辑是活的。把库存这个“锚”抓牢了，基差交易的路会越走越宽。

📚 课程目录

16. 基差与库存关系：库存周期对基差的影响、库存数据获取、库存-基差回归模型

16.1 库存周期如何影响基差

16.2 库存数据获取实战

16.3 库存-基差回归模型

16.4 实战中的几个要点