27. 基差交易的自动化监控：实时监控面板（Grafana）、告警规则设置、异常交易检测

做基差交易，最怕什么？

怕行情突然反转，你还在睡大觉。怕价差瞬间拉大，你的止损单没触发。怕系统跑着跑着，数据源断了，你浑然不知。

我早年吃过这个亏。有一次做螺纹钢的期现套利，价差从-50一路飙到+80，我愣是没发现——因为监控面板崩了，告警短信没发出来。那笔单子亏了二十多万。嗯，从那以后，我对自动化监控这件事，再也不敢马虎。

今天我们就来聊聊，怎么搭一套靠谱的基差交易监控系统。核心就三块：Grafana实时面板、告警规则、异常检测。

27.1 实时监控面板：用Grafana搭一个“驾驶舱”

Grafana这东西，说白了就是一个数据可视化工具。但用好了，它就是你的交易驾驶舱。

我个人习惯把面板分成三个区域：

• 左侧区域：展示核心价差曲线。包括当前价差、历史均值、标准差通道。
• 中间区域：展示持仓情况。包括多空头寸、保证金占用、浮动盈亏。
• 右侧区域：展示系统健康状态。包括数据延迟、API连接状态、告警触发记录。

你想想看，一打开面板，三秒钟内就能判断“现在该不该操作”，这才是好面板。

27.1.1 数据源配置

Grafana支持多种数据源。我推荐用InfluxDB或Prometheus来存储时序数据。基差数据是典型的时间序列，用关系型数据库反而麻烦。

# 示例：将基差数据写入InfluxDB
from influxdb import InfluxDBClient
import time

client = InfluxDBClient(host='localhost', port=8086)
client.switch_database('basis_trading')

def write_basis_data(symbol, spot_price, futures_price, basis):
    json_body = [
        {
            "measurement": "basis",
            "tags": {
                "symbol": symbol
            },
            "time": int(time.time() * 1e9),
            "fields": {
                "spot_price": spot_price,
                "futures_price": futures_price,
                "basis": basis,
                "basis_ratio": basis / spot_price
            }
        }
    ]
    client.write_points(json_body)

这段代码我用了好几年。注意那个时间戳，一定要用纳秒级，不然Grafana画图时会出现时间错位。我在项目中遇到过这个问题，排查了半天才发现是时间精度不够。

27.1.2 面板设计技巧

别把面板搞得太花哨。我见过有人一个面板放二十多个图表，看着像蜘蛛网，实际一个都用不上。

我的建议是：

• 每个面板不超过6个图表
• 关键指标用大数字展示（比如当前价差、持仓盈亏）
• 趋势用折线图，分布用热力图
• 颜色编码：绿色表示正常，黄色表示预警，红色表示异常

27.2 告警规则设置：别让告警变成噪音

告警这东西，设置得太松，出事了没反应。设置得太紧，一天响八百次，你直接关静音。我早期就犯过这个错——把告警阈值设得太窄，结果半夜被叫醒三次，一看都是正常波动。后来干脆把告警关了，然后...嗯，你们懂的。

27.2.1 告警阈值怎么定

基差交易的告警，不能只看绝对值。你得结合统计特征。

告警类型	触发条件	示例（螺纹钢）
价差突破	当前价差 > 均值 + 2倍标准差	均值=20，标准差=15，触发线=50
价差回归	当前价差 < 均值 - 2倍标准差	触发线=-10
数据延迟	最新数据时间 > 当前时间 - 30秒	数据源断了
持仓异常	持仓数量 > 预设上限	风控线

这里有个坑：标准差是动态变化的。市场波动大的时候，2倍标准差可能很宽，导致告警不灵敏。我建议用滚动窗口来计算，比如取过去20个交易日的标准差。

27.2.2 Grafana告警配置

Grafana的告警规则，其实挺灵活的。我一般这么配：

# 告警规则示例（Grafana告警规则配置）
alert: 基差突破上轨
expr: basis > (basis_mean + 2 * basis_std)
for: 1m
labels:
  severity: critical
annotations:
  summary: "{{ $labels.symbol }} 基差突破上轨"
  description: "当前基差 {{ $value }}，阈值 {{ $labels.threshold }}"

注意那个 for: 1m。意思是价差突破后，持续1分钟才触发告警。为什么要这样？因为有时候行情会瞬间脉冲，然后又回来。如果一突破就告警，你会被假信号烦死。等一分钟，确认趋势成立，再通知你。

27.3 异常交易检测：把“鬼”揪出来

异常交易检测，说白了就是找“不正常的交易行为”。比如：

• 同一品种在短时间内频繁开平仓
• 价差在非交易时段出现大幅波动
• 成交价格偏离市场均价太多

这些异常，可能是程序bug，可能是数据源错误，也可能是市场操纵。不管哪种，都得第一时间发现。

27.3.1 基于统计的异常检测

我常用的方法是Z-Score和IQR。简单说，就是看当前值偏离正常范围多远。

import numpy as np

def detect_anomaly_zscore(values, threshold=3):
    """
    基于Z-Score的异常检测
    values: 最近N个价差数据
    threshold: 阈值，默认3倍标准差
    """
    mean = np.mean(values)
    std = np.std(values)
    z_scores = [(x - mean) / std for x in values]
    
    anomalies = []
    for i, z in enumerate(z_scores):
        if abs(z) > threshold:
            anomalies.append({
                'index': i,
                'value': values[i],
                'z_score': z,
                'timestamp': timestamps[i]  # 假设有对应的时间戳
            })
    return anomalies

# 使用示例
recent_basis = [15, 18, 22, 19, 45, 21, 17]  # 第5个值45明显异常
anomalies = detect_anomaly_zscore(recent_basis)
print(f"发现 {len(anomalies)} 个异常点")

这段代码看起来简单，但实际用的时候要注意：窗口大小很关键。窗口太小，正常波动也被当成异常。窗口太大，异常被平滑掉。我一般取50-100个数据点，具体看品种的波动特性。

27.3.2 基于规则的异常检测

除了统计方法，我还用一些硬规则。比如：

• 价差跳变检测：相邻两个价差变化超过5%，触发告警
• 数据缺失检测：连续3个时间点没有新数据，触发告警
• 成交异常检测：单笔成交价偏离市场中间价超过0.5%

这些规则，我建议写在交易系统的风控模块里，而不是Grafana里。因为Grafana的告警有延迟，而风控模块可以做到毫秒级响应。

27.4 整体架构：一张图看懂

说了这么多，我们来画一张架构图。这张图展示了我现在用的监控系统全貌。

这张图分四层：数据源层、处理层、展示与告警层、反馈层。数据从交易所进来，经过处理，展示在Grafana上，同时触发告警。最后，告警会驱动反馈动作——要么自动止损，要么通知你手动干预。

我建议你按这个架构来搭。别想着一步到位，先跑通数据源到Grafana的链路，再加告警，最后加异常检测。一步一步来，稳一点。

好了，关于基差交易的自动化监控，就聊这么多。这套系统我用了三年，帮我躲过好几次大坑。希望对你也有用。