第15章机器学习辅助

15. 机器学习辅助：使用随机森林预测基差方向，构建分类信号

说实话，做基差交易做久了，你会发现一个规律——传统统计模型在大多数时候够用，但遇到市场结构突变，就容易翻车。我自己的经验是，当基差走势出现非线性特征时，线性回归基本就废了。这时候，机器学习就派上用场了。

这一章，我们聊聊怎么用随机森林来预测基差方向。说白了，就是把基差涨跌当成一个分类问题来处理。涨了算1，跌了算0，让模型去学。

为什么选随机森林？

你可能要问，深度学习那么火，为啥不直接用LSTM？嗯，这里有个现实问题——基差数据量其实不大，日频数据一年也就两百多个样本。你拿这点数据去训神经网络，过拟合是大概率事件。

随机森林有几个好处：

抗过拟合能力强——集成多棵树，不容易学偏
对特征重要性有天然解释——能告诉你哪个因子最管用
不需要做太多特征缩放——基差数据量纲差异大，但树模型不敏感
训练速度快——我笔记本上跑几百棵树也就几秒钟

我在项目中遇到过最头疼的事，就是特征工程做了一大堆，结果模型告诉我大部分特征都没用。随机森林的feature_importances_属性，能帮你快速筛选出真正有效的因子。

特征工程：基差预测需要哪些输入？

预测基差方向，不能只拿基差本身的历史数据。你得给它喂一些"有营养"的东西。我个人习惯，会从以下几个维度构造特征：

特征类别	具体特征	说明
基差自身	过去N日基差均值、标准差、斜率	捕捉趋势和波动
价格动量	现货/期货的N日收益率、RSI	反映短期情绪
波动率	基差波动率、价格波动率	波动率突变往往预示方向变化
持仓量	期货持仓量变化率	资金进出信号
期限结构	近远月价差、升贴水状态	反映市场预期
宏观因子	利率、库存、季节性虚拟变量	基本面驱动

你想想看，这些特征其实都是交易员平时盯盘会看的东西。机器学习只是帮我们把它们组合起来，找到最优的决策边界。

标签构造：怎么定义基差方向？

这里有个坑，我踩过。如果你直接用明天的基差涨跌作为标签，模型会学得很痛苦——因为基差经常在零轴附近来回震荡，噪声太大。

我的做法是：

计算未来N日的基差累计变化
设定一个阈值（比如0.5个标准差）
超过阈值算上涨（1），低于负阈值算下跌（-1），中间算震荡（0）

这样做的好处是，模型只去预测那些"有意义的"方向变化，忽略掉随机波动。我曾经试过直接用原始涨跌做三分类，结果准确率只有52%，跟抛硬币差不多。加了阈值之后，准确率能提到65%以上。

代码实现：从数据到信号

下面是我实际项目中用的一段代码，做了简化处理。核心逻辑都在：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, confusion_matrix

# 假设df已经包含基差数据和特征
# 构造标签：未来5日基差变化超过0.5个标准差
df['basis_change_5d'] = df['basis'].shift(-5) - df['basis']
threshold = 0.5 * df['basis'].std()
df['label'] = 0
df.loc[df['basis_change_5d'] > threshold, 'label'] = 1
df.loc[df['basis_change_5d'] < -threshold, 'label'] = -1

# 剔除标签为0的样本（震荡行情不参与训练）
df_train = df[df['label'] != 0].copy()

# 特征列
feature_cols = ['basis_ma5', 'basis_std5', 'spot_ret1', 'fut_ret1',
                'basis_vol', 'oi_change', 'spread', 'rate']

X = df_train[feature_cols]
y = df_train['label']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, shuffle=False
)

# 训练随机森林
rf = RandomForestClassifier(
    n_estimators=200,
    max_depth=6,
    min_samples_leaf=10,
    random_state=42,
    class_weight='balanced'
)
rf.fit(X_train, y_train)

# 预测
y_pred = rf.predict(X_test)
print(classification_report(y_test, y_pred))

# 特征重要性
importance = pd.DataFrame({
    'feature': feature_cols,
    'importance': rf.feature_importances_
}).sort_values('importance', ascending=False)
print(importance)

小技巧：class_weight='balanced' 这个参数很重要。基差上涨和下跌的样本往往不平衡，不加这个参数，模型会偏向多数类。我一开始没注意，结果模型永远预测"上涨"，准确率看着还行，但实际交易亏得一塌糊涂。

模型评估：别只看准确率

做分类模型，很多人喜欢盯着准确率看。但做交易信号，准确率只是及格线。我更关心的是：

精确率和召回率——预测上涨时到底准不准？上涨行情有没有漏掉？
混淆矩阵——模型是容易把下跌误判为上涨，还是反过来？
信号稳定性——回测里信号会不会频繁翻转？

我曾经遇到过一个模型，测试集准确率68%，看着不错。但一上回测，信号一天三变，交易成本直接吃掉所有收益。后来加了信号平滑处理，才稳住。

信号生成：把预测转成交易指令

模型输出的是分类标签（-1, 0, 1），但你不能直接拿这个下单。我个人习惯再加一层过滤：

# 获取预测概率，而不是直接取标签
prob = rf.predict_proba(X_test)

# 只有概率超过阈值才发信号
confidence_threshold = 0.6
signal = np.zeros(len(prob))
for i in range(len(prob)):
    if prob[i][2] > confidence_threshold:  # 上涨概率高
        signal[i] = 1
    elif prob[i][0] > confidence_threshold:  # 下跌概率高
        signal[i] = -1
    # 否则信号为0，不交易

注意：概率阈值不要设得太高，否则信号太少，赚不到钱。也不要设得太低，否则假信号太多。我一般用回测来调这个参数，找到夏普比率最高的那个点。

知识体系总览

下面这张图，把整个流程串起来了。从原始数据到最终信号，每一步都有讲究：

你看，整个流程其实不复杂。关键是把每个环节做扎实——特征要选对，标签要合理，模型参数要调好，信号要过滤干净。任何一个环节偷懒，最终信号质量都会打折扣。

    核心要点：随机森林预测基差方向，本质是把非线性关系映射到决策树上。它不会给你100%的准确率，但能帮你捕捉到传统线性模型看不到的模式。我自己的实盘经验是，把随机森林信号和统计套利信号做加权融合，效果比单独用任何一个都好。

嗯，这一章就聊到这儿。代码你可以直接拿去跑，但记得根据你自己的品种和参数做调整。每个市场的基差特性都不一样，没有万能模型。

📚 课程目录

15. 机器学习辅助：使用随机森林预测基差方向，构建分类信号

为什么选随机森林？

特征工程：基差预测需要哪些输入？

标签构造：怎么定义基差方向？

代码实现：从数据到信号

模型评估：别只看准确率

信号生成：把预测转成交易指令

知识体系总览