第27章商品指数套利

第27章：商品指数套利：ETF与期货指数的基差交易，展期收益捕获

各位同学，今天我们来聊一个很有意思的话题——商品指数套利。说白了，就是利用ETF和期货指数之间的价差来赚钱。我刚开始接触这个策略时，觉得它挺绕的，但一旦搞懂了背后的逻辑，你会发现它其实是个很稳定的收益来源。

什么是商品指数套利？

先问大家一个问题：你买商品ETF和直接买商品期货，最终收益一样吗？

答案是否定的。原因在于，ETF持有的是现货或近月合约，而期货指数反映的是远月合约的价格。这两者之间天然存在一个价差，我们称之为基差。

商品指数套利，就是利用这个基差来做文章。当ETF价格相对于期货指数被低估时，我们买入ETF、做空期货指数；反之则反向操作。听起来简单，但实际操作中坑不少。

核心逻辑： ETF价格 = 期货指数价格 + 基差。我们的目标就是捕捉基差的回归。

展期收益——真正的利润来源

这里我要重点讲一个概念：展期收益。你可能听过这个词，但未必真正理解它的威力。

商品期货合约是有到期日的。ETF为了保持对指数的跟踪，需要不断将即将到期的合约「展期」到下一个月份。这个展期过程，就会产生收益或亏损。

举个例子：假设当前近月合约价格是100元，远月合约价格是95元（这叫期货贴水，也叫backwardation）。ETF卖出近月、买入远月，每手就能赚5元的价差。这就是展期收益。

反过来，如果远月比近月贵（期货升水，contango），展期就会产生亏损。

我的经验： 我个人习惯在贴水结构明显的商品上做多ETF、做空期货指数。比如原油、铜这些品种，经常出现深度贴水，展期收益相当可观。

基差交易的三种模式

在实际操作中，我总结出三种常见的交易模式：

统计套利模式：基于历史基差的均值回归特性。当基差偏离到2个标准差以上时入场。
事件驱动模式：利用展期日、交割日等特殊时间点的基差异常波动。
趋势跟踪模式：当商品处于明显的贴水或升水结构时，顺势持有头寸。

这三种模式各有优劣。我个人比较喜欢第一种，因为它有明确的入场和出场信号，回测起来也相对可靠。

实战中的避坑指南

嗯，这里我要说几个我曾经踩过的坑：

避坑1：流动性陷阱

我曾经在某个小众商品ETF上做套利，结果发现期货指数流动性很好，但ETF成交量极低。一买就涨，一卖就跌，滑点吃掉了我所有利润。所以，做之前一定要检查ETF的日均成交额，低于1000万的尽量别碰。

避坑2：跟踪误差

ETF的净值并不总是等于指数价格。管理费、分红、申购赎回机制都会造成跟踪误差。我建议用ETF的IOPV（实时参考净值）而不是市价来做计算。

避坑3：展期时间不匹配

ETF的展期时间通常是固定的（比如每月第5个交易日），而期货指数的展期时间可能不同。这会导致基差出现短期异常。我的做法是：在展期前后3天内降低仓位。

代码实现：基差计算与信号生成

下面我给出一个简单的Python实现，用于计算基差并生成交易信号。

import pandas as pd
import numpy as np
import yfinance as yf

# 获取ETF和期货指数数据
def get_data(etf_ticker, futures_ticker, start_date, end_date):
    etf = yf.download(etf_ticker, start=start_date, end=end_date)['Adj Close']
    futures = yf.download(futures_ticker, start=start_date, end=end_date)['Adj Close']
    return pd.DataFrame({'ETF': etf, 'Futures': futures})

# 计算基差
def calc_basis(df):
    df['Basis'] = df['ETF'] - df['Futures']
    df['Basis_Pct'] = df['Basis'] / df['Futures'] * 100
    return df

# 生成交易信号
def generate_signals(df, entry_z=2.0, exit_z=0.5):
    mean = df['Basis_Pct'].rolling(60).mean()
    std = df['Basis_Pct'].rolling(60).std()
    df['Z_Score'] = (df['Basis_Pct'] - mean) / std
    
    df['Signal'] = 0
    # 当Z-score超过2时做空基差（卖出ETF，买入期货）
    df.loc[df['Z_Score'] > entry_z, 'Signal'] = -1
    # 当Z-score低于-2时做多基差（买入ETF，卖出期货）
    df.loc[df['Z_Score'] < -entry_z, 'Signal'] = 1
    # 回归到0.5以内时平仓
    df.loc[abs(df['Z_Score']) < exit_z, 'Signal'] = 0
    
    return df

# 回测
def backtest(df, initial_capital=100000):
    df['Position'] = df['Signal'].shift(1)
    df['Return'] = df['Position'] * df['Basis'].pct_change()
    df['Equity'] = initial_capital * (1 + df['Return']).cumprod()
    return df

# 运行示例
data = get_data('GSG', 'SPGSCI', '2020-01-01', '2023-12-31')
data = calc_basis(data)
data = generate_signals(data)
results = backtest(data)

print(f"最终净值: {results['Equity'].iloc[-1]:.2f}")
print(f"年化收益率: {((results['Equity'].iloc[-1]/100000)**(1/3)-1)*100:.2f}%")

代码说明： 这里我用的是GSG（iShares商品ETF）和SPGSCI（标普高盛商品指数）作为示例。实际交易中，你需要根据具体品种调整参数。Z-score的窗口期我习惯用60天，但不同品种可能需要优化。

展期收益的量化计算

展期收益到底能贡献多少？我们来算一笔账。

品种	平均贴水率	展期频率	年化展期收益
原油	-3.5%	每月	约4.2%
铜	-2.1%	每月	约2.5%
黄金	+0.8%	每月	约-1.0%
玉米	-1.2%	每季	约1.4%

你看，原油的展期收益是最高的，但波动也大。黄金是升水结构，做多ETF反而会亏损展期收益。所以选品种很重要。

知识体系框架

为了让大家更直观地理解本章的知识结构，我画了一张图：

这张图把本章的核心逻辑串起来了。从基差出发，到展期收益，再到三种交易模式，最后落到实战要点和代码实现。你想想看，是不是一目了然？

最后说几句

商品指数套利这个策略，说白了就是赚「结构」的钱。只要贴水结构在，展期收益就在。但要注意，市场结构是会变化的。2020年原油暴跌时，WTI原油期货一度出现深度贴水，但随后迅速转为升水。如果你死扛着不做调整，可能会亏得很惨。

我个人习惯是：每周末检查一次持仓品种的期限结构，如果发现贴水率收窄到1%以下，就减仓一半。如果转为升水，直接清仓。这个纪律帮我躲过了好几次大坑。

好了，关于商品指数套利的内容就讲到这里。代码部分大家回去跑一跑，有问题随时交流。

📚 课程目录