第十二章：基差交易的策略优化（三）：多品种基差组合策略

聊完了单品种的基差策略优化，咱们得把格局打开一点。

你想想看，如果只盯着一个品种做基差，遇到这个品种的现货流动性枯竭，或者交割规则突然调整，那真是叫天天不应。我早年就吃过这个亏——2018年那会儿，我重仓押注某个化工品种的基差回归，结果交易所突然修改了仓单有效期，基差愣是两个月没回归，差点把我整破产。

从那以后，我养成了一个习惯：多品种基差组合。说白了，就是不要把鸡蛋放在一个篮子里，而且不同品种的基差波动往往存在互补性。

12.1 为什么要做多品种组合？

单品种基差策略有个致命弱点：尾部风险。比如某个品种突然出现逼仓行情，基差可以拉到离谱的程度，你的止损单根本来不及执行。

但多品种组合就不一样了。我统计过，国内商品期货市场里，黑色系、化工系、农产品系的基差驱动因素几乎不相关。螺纹钢的基差看房地产开工，PTA的基差看纺织需求，豆粕的基差看生猪存栏——这三个东西，你很难找到它们同时出幺蛾子的时刻。

12.2 组合构建的三大原则

我这些年摸索下来，多品种基差组合要想做好，得守住三条底线：

1. 低相关性：品种之间的基差相关系数最好在0.3以下。我一般用过去60个交易日的滚动相关系数来筛选。
2. 流动性分层：主力品种（如螺纹、铁矿）配40%，中等流动性品种（如甲醇、PP）配35%，小品种（如硅铁、锰硅）配25%。这样既保证容量，又保留弹性。
3. 期限结构匹配：近月合约和远月合约的基差要分开处理。近月看现货回归，远月看预期修正。

嗯，这里要注意一点：不要为了分散而分散。我曾经把20个品种硬塞进组合里，结果发现有一半品种的基差波动根本没法解释，纯粹是噪音。后来我砍到8-10个品种，效果反而更好。

12.3 组合权重的动态调整

固定权重？那是新手干的事。真正的组合管理，权重必须是动态的。

我个人习惯用风险平价的思路来分配权重。具体来说：

• 计算每个品种基差策略的历史波动率（用ATR或者标准差都行）
• 让每个品种对组合总风险的贡献度相等
• 每周重新平衡一次

举个例子：假设螺纹钢基差策略的波动率是2%，PTA是1.5%，豆粕是1%。按照风险平价，螺纹钢的权重应该最低，豆粕最高。这样组合的整体波动率会稳定在1.2%左右，不会因为某个品种突然暴动而崩盘。

12.4 组合的再平衡与止损

再平衡频率是个老生常谈的问题。我的经验是：周频再平衡 + 日频监控。

每周一开盘前，我会重新计算一次权重。但每天收盘后，我会检查每个品种的基差是否触发了止损线。如果某个品种的基差单日波动超过3%，我会立即减仓一半，等第二天再决定是否补回来。

为什么这么设计？因为基差策略的止损不能太死板。我记得有一次，螺纹钢基差因为环保限产突然拉大，按模型应该止损，但我判断这是短期冲击，硬扛了两天，结果基差回归后赚了8%。所以，止损要设，但要有弹性。

12.5 一个简单的组合策略代码框架

下面是我常用的一个多品种基差组合策略框架，用Python写的。代码不复杂，但核心逻辑都在里面了。

import pandas as pd
import numpy as np

class MultiBasisPortfolio:
    def __init__(self, symbols, lookback=60, rebalance_freq='W'):
        self.symbols = symbols  # 品种列表
        self.lookback = lookback  # 波动率计算窗口
        self.rebalance_freq = rebalance_freq  # 再平衡频率
        
    def calc_volatility(self, basis_series):
        """计算基差序列的波动率"""
        returns = basis_series.pct_change().dropna()
        return returns.std() * np.sqrt(252)  # 年化波动率
    
    def risk_parity_weights(self, basis_df):
        """风险平价权重计算"""
        vols = basis_df.apply(self.calc_volatility)
        inv_vol = 1 / vols
        weights = inv_vol / inv_vol.sum()
        return weights
    
    def adjust_with_confidence(self, weights, basis_df, threshold=2):
        """根据基差置信度调整权重"""
        z_scores = (basis_df.iloc[-1] - basis_df.mean()) / basis_df.std()
        bonus = (z_scores.abs() > threshold).astype(float) * 0.05
        adjusted = weights + bonus
        return adjusted / adjusted.sum()
    
    def run_backtest(self, basis_data):
        """回测主逻辑"""
        # basis_data: DataFrame, columns为品种, index为日期
        portfolio_returns = []
        current_weights = None
        
        for date in basis_data.index:
            if self._should_rebalance(date):
                # 计算新权重
                hist_data = basis_data.loc[:date].tail(self.lookback + 1)
                weights = self.risk_parity_weights(hist_data)
                weights = self.adjust_with_confidence(weights, hist_data)
                current_weights = weights
            
            # 计算当日组合收益
            daily_ret = basis_data.loc[date].pct_change().fillna(0)
            portfolio_ret = (daily_ret * current_weights).sum()
            portfolio_returns.append(portfolio_ret)
        
        return pd.Series(portfolio_returns, index=basis_data.index)
    
    def _should_rebalance(self, date):
        """判断是否需要再平衡"""
        # 这里用周频再平衡
        return date.weekday() == 0  # 每周一

12.6 组合策略的绩效评估

评估多品种组合，不能只看夏普比率。我一般会关注三个指标：

我自己的实盘组合，过去三年年化收益在18%左右，最大回撤6.5%，收益回撤比2.77。说实话，这个成绩不算惊艳，但胜在稳定。每个月都能赚钱，虽然不多，但心里踏实。

12.7 多品种组合的知识体系

下面这张图，是我梳理的多品种基差组合策略的核心逻辑。你看一眼就能明白整个框架：

这张图把整个流程串起来了：从多品种基差数据出发，经过筛选、权重分配、执行风控，最后输出平滑的收益曲线。每一步都有具体的规则，不是拍脑袋决定的。

好了，多品种基差组合策略的核心内容就这些。说白了，就是用品种间的低相关性来平滑波动，用动态权重来捕捉机会，用严格的风控来守住底线。这套框架我用了四年，虽然每年都会根据市场环境微调，但底层逻辑从来没变过。