第十三章：基差交易的策略优化（四）：季节性基差策略
季节性基差策略，说白了就是利用商品在特定时间窗口内的供需规律来赚钱。我做了这么多年交易，发现很多品种的基差走势其实是有“肌肉记忆”的——每年到了某个时间点，它就会重复类似的模式。
为什么会这样？因为农产品的生长周期、工业品的消费淡旺季、甚至节假日的备货节奏，都会在基差上留下痕迹。我们做的，就是把这些痕迹变成交易信号。
季节性基差的底层逻辑
基差的季节性波动，本质上源于三个因素：
- 供需错配的时间窗口：比如大豆收获季，现货供应暴增，近月合约承压，基差走弱；到了青黄不接的时候，现货紧缺，基差又走强。
- 仓储与资金成本的变化：临近交割月，持仓成本会显著影响基差。我记得有一年做螺纹钢，到了12月仓储费突然上调，基差瞬间拉大，没注意这个细节的人直接爆仓。
- 市场预期的自我实现：当所有人都知道“金九银十”要涨价时，基差会在8月就开始提前反应。你想想看，这其实是个博弈问题。
核心观点：季节性基差策略不是简单的“历史重复”，而是寻找“规律背后的驱动力”。如果只盯着历史数据做回测，很容易掉进过拟合的坑里。
如何构建季节性基差模型
我个人习惯用三步法来构建这个策略。嗯，这里要注意，每一步都有坑。
第一步：数据清洗与周期划分
你需要至少5年的日频基差数据。别直接用收盘价算，我建议用日内均价，能过滤掉很多噪音。
# 伪代码示例：计算季节性因子
def seasonal_factor(series, window=252):
# 去除趋势项
detrended = series - series.rolling(window).mean()
# 计算同一天的历史分位数
day_of_year = series.index.dayofyear
quantiles = detrended.groupby(day_of_year).quantile([0.1, 0.5, 0.9])
return quantiles这里有个细节：遇到闰年要特殊处理，2月29日的数据如果直接扔掉，会破坏序列的连续性。我曾经因为这个疏忽，导致回测结果偏差了3%。
第二步：识别高胜率窗口
把历史数据按月份或周度分组，计算每个时间窗口的基差均值、标准差和胜率。我一般用这个表格来筛选：
| 时间窗口 | 基差均值 | 标准差 | 胜率 | 盈亏比 |
|---|---|---|---|---|
| 1月第2周 | +45 | 32 | 72% | 1.8 |
| 6月第3周 | -28 | 41 | 58% | 1.2 |
| 9月第1周 | +67 | 55 | 81% | 2.1 |
你看，9月第1周的胜率和盈亏比都很漂亮，但标准差也大。这说明什么？收益高但波动剧烈，仓位管理必须跟上。
第三步：动态阈值设定
别用固定阈值。我见过太多人设死“基差超过100就开仓”，结果市场结构变了，阈值失效。我建议用滚动分位数：
# 动态阈值示例
def dynamic_threshold(series, lookback=60, percentile=0.8):
upper = series.rolling(lookback).quantile(percentile)
lower = series.rolling(lookback).quantile(1-percentile)
return upper, lower避坑指南：我曾经用固定阈值做豆粕，连续三年赚钱，第四年突然失效。后来发现是进口政策变了，季节性规律被打破。所以每半年要重新校准一次阈值参数。
实战中的季节性策略框架
下面这张图是我自己总结的决策流程，你可以直接拿去用：
三个实战案例
案例一：白糖的“中秋国庆”行情
每年8月中旬到9月底，食品厂开始备货，白糖现货需求激增。基差通常从-50元/吨拉大到+120元/吨。我一般在这个窗口做多基差（买现货抛期货）。但要注意，如果当年进口糖到港量异常大，这个规律会失效。2022年我就栽过一次，进口糖突然放量，基差只走了30个点就回头了。
案例二：螺纹钢的“冬储”博弈
11月到12月，贸易商开始冬储，现货价格有支撑，但期货反映的是来年需求预期，基差会走弱。这时候做空基差（抛现货买期货）胜率不错。不过——这里有个关键点——如果当年库存特别低，冬储需求会推升现货，基差反而走强。所以一定要结合库存数据看。
案例三：豆粕的“天气市”
6月到8月是美国大豆的种植关键期，天气炒作频繁。基差波动极大，经常一天跳50个点。我个人习惯在这个窗口做短线，持仓不超过3天。止损设得比较紧，因为天气市的特点是来得快去得也快。
重要提醒：季节性策略最怕“黑天鹅事件”。比如2020年疫情爆发，所有季节性规律全部失效。我建议把季节性策略的仓位控制在总资金的15%以内，并且要和其他策略做组合。
策略优化的几个方向
做了这么多年，我总结出三个优化点：
- 多品种组合：别只做一个品种。农产品、工业品、贵金属的季节性周期不同，组合起来能平滑收益曲线。我目前同时跑6个品种的季节性策略，相关性很低。
- 引入外部因子：单纯靠历史数据不够。我会加入库存数据、进口利润、天气模型等辅助判断。比如豆粕的季节性策略，如果叠加美国农业部（USDA）的月度报告预期，胜率能提高8-10个百分点。
- 动态退出机制：如果连续3次信号都亏损，我会暂停该品种的季节性交易，等重新校准参数后再启动。别死扛，市场结构变了就要认。
一个小技巧：我习惯在每年年底做一次“季节性策略体检”——把过去一年的交易记录拿出来，逐笔分析哪些窗口失效了，哪些窗口依然有效。然后调整下一年的参数。这个习惯帮我躲过了好几次大的回撤。
好了，季节性基差策略的核心就这些。记住，它是个概率游戏，别追求每笔都赚，只要长期胜率超过60%、盈亏比大于1.5，就是个好策略。剩下的，就是严格执行纪律。