第六章：跨期套利策略
跨期套利，说白了就是吃「时间差」的饭。
同一个品种，近月合约和远月合约，价格不会完全同步。有时候近月涨得快，远月跟不上；有时候远月跌得狠，近月反而坚挺。这种价差波动，就是我们套利的机会。
我个人习惯把跨期套利分成三类：价差分析、统计套利、展期管理。咱们一个一个来拆。
6.1 近远月合约价差分析
先搞清楚一个概念：价差 = 近月价格 - 远月价格。
这个值可以是正数，也可以是负数。正数叫「backwardation」（现货溢价），负数叫「contango」（期货溢价）。
为什么会这样？说白了就是供需关系在时间轴上的投影。
- Backwardation：近月紧缺，远月宽松。比如豆粕，现在缺货，价格高；未来预期到货，价格低。
- Contango：近月宽松，远月有溢价。比如原油，库存高，近月便宜；远月因为存储成本，价格更高。
我在项目中遇到过一种情况：某品种明明库存很高，但近月合约突然拉涨。后来一查，是交割库出了问题，仓单注册不了。嗯，这种「伪价差」不能碰。
核心要点：价差分析不是看绝对值，而是看相对位置。你要问自己三个问题：
- 当前价差处于历史什么分位？
- 驱动价差变化的因素是什么？
- 这个驱动因素可持续吗？
6.2 日历价差的统计套利
统计套利，说白了就是赌「均值回归」。
你想想看，价差不可能永远偏离。当它偏离到极端位置时，大概率会往回拉。我们要做的，就是在偏离时入场，等回归时平仓。
具体怎么做？我一般用Z-score来判断。
import numpy as np
import pandas as pd
def zscore_calendar_spread(near_price, far_price, window=20):
spread = near_price - far_price
mean = spread.rolling(window).mean()
std = spread.rolling(window).std()
z = (spread - mean) / std
return z
# 示例：当Z-score > 2 时做空价差，< -2 时做多价差
z = zscore_calendar_spread(near, far, 20)
signal = np.where(z > 2, -1, np.where(z < -2, 1, 0))这里有个坑，我曾经踩过：统计套利的前提是价差序列要平稳。如果不平稳，Z-score就是假的。所以入场前一定要做ADF检验。
我的经验：窗口期别选太短，20天以下噪音太大。我一般用30-60天，具体看品种的波动特性。
6.3 展期收益与滚动成本
做跨期套利，你不能只看价差，还得算展期收益和滚动成本。
展期收益，就是你从近月换到远月时，价差变化带来的收益。滚动成本，就是换仓时的手续费、滑点、冲击成本。
举个例子：
| 项目 | 数值 |
|---|---|
| 近月价格 | 5000 |
| 远月价格 | 4950 |
| 价差 | 50 |
| 展期天数 | 30 |
| 年化展期收益 | 50/4950 * 365/30 ≈ 12.3% |
看起来不错对吧？但别忘了滚动成本。如果每次换仓滑点2个点，一年换12次，就是24个点的成本。年化下来，收益可能只剩一半。
注意：展期收益不是白拿的。它本质上是对你承担「基差风险」的补偿。如果价差走势跟你预期相反，展期收益会变成展期亏损。
我建议你把展期收益和滚动成本做成一张表，每次交易前都算一遍。别嫌麻烦，这步省了，后面亏钱的就是你。
知识体系总览
下面这张图，是我自己梳理的跨期套利核心逻辑。你照着这个框架去思考，基本不会跑偏。
你看，价差分析是基础，统计套利是工具，展期管理是风控。三者缺一不可。
我见过太多人只盯着Z-score，忽略了展期成本，结果赚的还不够手续费。也见过有人只分析价差，不懂统计套利，入场点抓得稀烂。
一句话总结：跨期套利不是无风险套利，它是「有管理的风险暴露」。你赚的是信息差、执行差、耐心差。
好了，这一章就到这里。下一章咱们聊聊「跨品种套利」，那个更有意思。