第26章 机器学习预测基差：LSTM时序预测、特征工程构建、XGBoost回归模型

说实话，基差交易做到一定阶段，你会发现一个尴尬的事实——传统统计模型对基差的预测能力，越来越不够用了。为什么？因为基差这东西，它不光受供需影响，还受市场情绪、资金流向、政策预期这些乱七八糟的因素干扰。线性模型根本抓不住这些非线性关系。

所以这一章，我们来聊聊机器学习怎么预测基差。我会重点讲两个方向：LSTM做时序预测，和XGBoost做回归建模。前者擅长捕捉时间序列里的长期依赖，后者在特征工程做好的情况下，预测精度非常能打。

核心观点：机器学习预测基差，不是要替代传统模型，而是要在传统模型的基础上，捕捉那些被忽略的非线性信号。我个人的经验是——两者结合，效果最好。

26.1 基差预测的难点在哪

先说说基差预测为什么难。基差 = 现货价格 - 期货价格。表面上是个简单的差值，但影响它的因素太多了：

  • 持有成本：仓储费、资金成本、保险——这些相对稳定，好预测
  • 供需预期：比如下个月的产量数据、库存变化——这个就开始复杂了
  • 市场情绪：资金流向、持仓结构、期限结构——非线性，难搞
  • 政策扰动：突然的关税调整、储备投放——黑天鹅，谁都猜不到

传统方法，比如ARIMA、VAR，它们假设数据是线性的、平稳的。但基差数据，你想想看，它经常出现尖峰厚尾、波动率聚集这些特征。线性模型遇到这些，基本就歇菜了。

我记得有一次，我用VAR模型预测螺纹钢的基差，回测结果漂亮得不行。结果一上实盘，连续三天预测方向全错。后来复盘发现，那几天正好是环保限产政策密集出台期，VAR模型根本抓不住这种政策冲击。

我的建议：不要迷信任何一个模型。机器学习也好，传统统计也罢，都只是工具。关键是你对市场的理解，以及你构建的特征能不能反映这种理解。

26.2 LSTM时序预测：抓住基差的长期依赖

LSTM，长短期记忆网络，说白了就是一种特殊的循环神经网络。它最大的特点，就是能记住很久以前的信息，同时还能决定哪些信息该忘掉。

为什么这对基差预测重要？因为基差的走势，往往受过去很长一段时间的累积影响。比如，过去30天的库存变化趋势，可能比昨天一天的库存数据更有预测价值。普通RNN记不住这么长的依赖，但LSTM可以。

26.2.1 LSTM的核心结构

我不打算把LSTM的数学公式全讲一遍，那太枯燥了。你只需要记住三个门：

  • 遗忘门：决定哪些历史信息要丢掉。比如，三个月前的某个异常数据，可能现在没用了
  • 输入门：决定哪些新信息要记住。比如，今天刚出的库存数据，很重要，要记下来
  • 输出门：决定当前时刻要输出什么。基于记忆和新输入，给出预测

这三个门配合工作，让LSTM能灵活地处理时间序列中的长期依赖。我在做股指期货基差预测时，发现LSTM对跨期价差的预测效果明显优于传统模型，尤其是在趋势行情中。

26.2.2 LSTM预测基差的实战代码

下面是一个简化的LSTM预测基差的代码框架。注意，这只是演示逻辑，实际使用时需要根据你的数据做调整。

import numpy as np
import pandas as pd
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.preprocessing import MinMaxScaler

# 加载数据
data = pd.read_csv('basis_data.csv')
# 假设数据包含：日期、基差、库存、持仓量、成交量等字段

# 特征选择
features = ['basis', 'inventory', 'open_interest', 'volume']
target = 'basis'  # 预测未来基差

# 数据归一化
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data[features])

# 构造时间序列样本
def create_sequences(data, seq_length=30):
    X, y = [], []
    for i in range(len(data) - seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length, 0])  # 预测基差
    return np.array(X), np.array(y)

seq_length = 30
X, y = create_sequences(scaled_data, seq_length)

# 划分训练集和测试集
split = int(0.8 * len(X))
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]

# 构建LSTM模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(seq_length, len(features))))
model.add(Dropout(0.2))
model.add(LSTM(units=50, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(units=1))

model.compile(optimizer='adam', loss='mean_squared_error')

# 训练
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))

# 预测
predictions = model.predict(X_test)
# 记得反归一化
predictions = scaler.inverse_transform(np.concatenate([predictions, np.zeros((len(predictions), len(features)-1))], axis=1))[:, 0]

注意：LSTM对数据尺度非常敏感。一定要做归一化。另外，序列长度（seq_length）是个超参数，我一般用30到60天，但具体要看你的品种和周期。我曾经在原油基差上用90天的序列长度，效果反而更差——因为太久远的数据已经跟当前市场没关系了。

26.3 特征工程构建：决定模型上限的关键

说实话，模型选得再好，特征不行也是白搭。我见过太多人，一上来就调LSTM的参数，结果特征就用了基差本身的历史值。这能预测好才怪。

特征工程，说白了就是把你对市场的理解，转化成模型能看懂的数字。我个人习惯把特征分成三类：

特征类别 具体特征 说明
价格衍生特征 基差历史值、收益率、波动率、动量 最基础，但必须做
基本面特征 库存变化率、产量、消费量、仓单数量 反映供需格局
市场结构特征 持仓量变化、期限结构斜率、资金流向 反映市场情绪和资金行为

这里我重点讲几个我常用的特征构建技巧：

26.3.1 滞后特征

基差的变化往往有惯性。过去1天、3天、5天的基差变化，对预测未来基差有帮助。我一般会构建滞后1、3、5、10、20期的特征。

26.3.2 滚动统计特征

比如过去10天的基差均值、标准差、最大值、最小值。这些能反映基差的短期趋势和波动情况。我在做铁矿石基差时，发现滚动20天的标准差对预测基差反转特别有效。

26.3.3 交叉特征

两个特征的乘积或比值，往往能产生意想不到的效果。比如，基差 × 库存变化率，这个特征能反映「库存变化对基差的影响程度」。XGBoost对这种交叉特征非常敏感。

避坑指南：我曾经在特征工程里加了太多相关性高的特征，结果模型过拟合得一塌糊涂。后来我养成了一个习惯——每次加新特征前，先算一下它跟目标变量的相关性，以及跟已有特征的多重共线性。特征不是越多越好，精炼才是王道。

26.4 XGBoost回归模型：非线性拟合的利器

XGBoost，说白了就是梯度提升决策树的升级版。它为什么适合基差预测？因为基差数据里充满了非线性关系、缺失值、异常值，而XGBoost对这些东西的容忍度很高。

我个人的经验是：如果特征工程做得好，XGBoost的预测精度往往不输LSTM，而且训练速度快得多，调参也更容易。

26.4.1 XGBoost的核心优势

  • 处理缺失值：自动学习缺失值的最佳分裂方向，不用你手动填充
  • 特征重要性：训练完直接告诉你哪些特征最重要，方便你迭代优化
  • 正则化：内置L1和L2正则，防止过拟合
  • 并行计算：CPU多核并行，训练速度比传统GBDT快一个数量级

26.4.2 XGBoost预测基差的实战代码

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 假设你已经构建好了特征矩阵 X 和目标变量 y
# X 包含：滞后基差、滚动统计、库存变化、持仓变化等特征
# y 是未来1天的基差

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)

# 构建XGBoost模型
model = xgb.XGBRegressor(
    n_estimators=500,
    max_depth=5,
    learning_rate=0.01,
    subsample=0.8,
    colsample_bytree=0.8,
    reg_alpha=0.1,
    reg_lambda=1.0,
    random_state=42
)

# 训练
model.fit(X_train, y_train, eval_set=[(X_test, y_test)], early_stopping_rounds=50, verbose=False)

# 预测
y_pred = model.predict(X_test)

# 评估
mse = mean_squared_error(y_test, y_pred)
print(f'Test MSE: {mse:.4f}')

# 特征重要性
importance = model.feature_importances_
feature_names = X.columns
for name, imp in sorted(zip(feature_names, importance), key=lambda x: x[1], reverse=True)[:10]:
    print(f'{name}: {imp:.4f}')

关键参数说明：

  • max_depth：树的最大深度。我一般设3-6，太深容易过拟合
  • learning_rate：学习率。设小一点（0.01-0.1），配合多棵树，效果更好
  • subsample：每棵树用的样本比例。0.8左右，增加随机性，防止过拟合
  • colsample_bytree：每棵树用的特征比例。特征多的时候设小一点

26.5 LSTM vs XGBoost：怎么选？

这个问题我经常被问到。我的回答是：看你的数据量和业务场景。

对比维度 LSTM XGBoost
数据量要求 大（至少几千条） 中等（几百条也能跑）
特征工程 相对简单（自动提取时序特征） 非常重要（需要手动构建）
训练速度 慢（GPU加速后还行） 快（CPU就能跑）
可解释性 差（黑箱） 中等（有特征重要性）
对非线性拟合 强 强
对缺失值处理 差（需要填充） 好（自动处理）

我个人习惯的做法是：先用XGBoost快速验证特征的有效性，等特征稳定了，再上LSTM做精细化预测。这样既能快速迭代，又能保证最终效果。

一个小技巧：你可以把XGBoost的预测结果作为一个特征，输入到LSTM里。这种「模型堆叠」的方式，我试过几次，效果都比单一模型好。说白了，就是让两个模型互相补充。

26.6 本章知识体系

下面这张图，是我对本章核心逻辑的总结。你可以看到，从数据到特征，再到模型选择，最后到预测输出，每一步都有讲究。

机器学习预测基差：知识体系 原始数据 基差、库存、持仓、成交量 特征工程 滞后特征、滚动统计、交叉特征 LSTM时序预测 XGBoost回归 基差预测值 交易信号生成 关键要点： 1. 数据质量决定模型上限，特征工程决定能否达到上限 2. LSTM擅长捕捉时序长期依赖，适合趋势行情 3. XGBoost对特征工程要求高，但训练快、可解释性强 4. 建议先用XGBoost验证特征，再上LSTM精细化 5. 模型堆叠（XGBoost+LSTM）往往效果更好 6. 注意过拟合：用早停法、正则化、交叉验证 7. 实盘前一定要做样本外测试和压力测试 8. 没有万能模型，根据品种特性选择合适方法

嗯，这一章的内容就到这里。机器学习预测基差，说到底是个系统工程。数据、特征、模型、调参，每个环节都不能马虎。我见过太多人，模型调得花里胡哨，结果特征就用了两三个，最后效果还不如一个简单的移动平均。记住：特征工程才是真正的护城河。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →