第十七章：基差交易的量化工具：Python在基差交易中的应用、常用库介绍

说实话，刚入行那会儿，我还在用Excel手工算基差。每天盯着几十个品种的价差，眼睛都快瞎了。后来接触了Python，才真正体会到什么叫「解放生产力」。今天我就把我在基差交易中常用的几个Python库，以及实战中的一些坑，跟你好好聊聊。

为什么是Python？

你想想看，基差交易涉及的数据量有多大？现货价格、期货价格、库存数据、交割规则、升贴水……这些数据每天更新，手工处理根本来不及。Python的优势在于：

• 数据处理快：几万行数据，几秒钟搞定
• 回测方便：写个策略，跑一遍历史数据，效果立竿见影
• 可视化直观：基差走势图、套利区间图，一目了然

我个人习惯用Jupyter Notebook做日常分析，写代码、看结果、画图都在一个界面里，特别适合基差交易的快速复盘。

三大核心库：pandas、numpy、matplotlib

这三个库，说白了就是基差交易的「三驾马车」。我一个个说。

1. pandas：数据处理的瑞士军刀

pandas是我用得最多的库。它的DataFrame结构，天然适合处理时间序列数据。基差数据本质上就是「时间 + 价格」的二维表。

实战场景：我每天开盘前，会用pandas拉取近月合约和远月合约的收盘价，然后计算基差：

import pandas as pd

# 假设df包含近月合约和远月合约的收盘价
df['basis'] = df['spot_price'] - df['futures_price']
df['basis_ma'] = df['basis'].rolling(window=20).mean()
df['basis_std'] = df['basis'].rolling(window=20).std()

# 找出基差偏离超过2倍标准差的交易日
df['signal'] = (abs(df['basis'] - df['basis_ma']) > 2 * df['basis_std'])

嗯，这里要注意：rolling窗口的选择很关键。我试过5日、10日、20日、60日，最后发现20日窗口在大多数品种上效果最好。但不同品种的波动特性不一样，你得自己调参。

2. numpy：数学计算的加速器

numpy主要用来做矩阵运算和统计计算。基差交易中，我常用它来计算：

• 协方差矩阵（多品种套利时用）
• 相关系数（判断两个品种的联动性）
• 正态分布检验（判断基差是否回归到均值）

举个例子：判断两个品种的基差是否具有套利机会，我会先算它们的相关系数：

import numpy as np

# 假设有两个品种的基差序列
basis_a = np.array([...])
basis_b = np.array([...])

corr = np.corrcoef(basis_a, basis_b)[0, 1]
print(f"相关系数：{corr:.2f}")

# 如果相关系数大于0.8，说明联动性强，适合做配对交易

我曾经踩过一个坑：直接用numpy算相关系数，没考虑时间滞后。后来发现，有些品种的基差变化有1-2天的滞后，需要做滞后相关性分析。这个细节，很多新手都会忽略。

3. matplotlib：可视化决策助手

基差交易，说白了就是看图说话。matplotlib能帮你把枯燥的数字变成直观的图表。

我常用的图表类型：

• 基差走势图：看基差的历史波动范围
• 基差分布直方图：判断基差是否服从正态分布
• 套利区间图：标出上下轨，一目了然

import matplotlib.pyplot as plt

# 绘制基差走势图
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['basis'], label='基差', color='blue')
plt.axhline(y=0, color='gray', linestyle='--')
plt.axhline(y=df['basis_ma'].iloc[-1], color='red', linestyle='-', label='均值')
plt.fill_between(df.index, 
                 df['basis_ma'] - 2*df['basis_std'],
                 df['basis_ma'] + 2*df['basis_std'],
                 alpha=0.2, color='gray', label='±2σ区间')
plt.legend()
plt.title('基差走势与套利区间')
plt.show()

我个人习惯把图表保存成PNG，然后直接贴到交易日志里。复盘的时候，一眼就能看出当时为什么开仓、为什么平仓。

基差交易的核心逻辑流程图

下面这张图，是我自己总结的基差交易量化流程。你照着这个框架走，基本不会出大错。

实战中的三个小技巧

光讲理论没意思，我分享几个实战中总结的技巧：

1. 数据频率要匹配：基差交易中，现货价格通常是日频，期货价格是分钟频。我习惯把期货数据降频到日频，用收盘价计算。否则高频数据会引入太多噪音。
2. 注意交割月切换：临近交割月，基差会快速收敛。我一般会在交割月前两周停止交易，避免交割风险。这个在代码里要加判断条件。
3. 多周期共振：我不仅看日线级别的基差，还会看周线。如果日线和周线同时发出信号，胜率会高很多。用pandas的resample函数就能轻松实现。

好了，这一章的内容就这些。记住，工具只是手段，核心还是你对基差逻辑的理解。代码写得再漂亮，方向判断错了也是白搭。