第十三章 盘面择时（一）：基差率与历史分位数的实战用法
做基差交易，择时是核心中的核心。
很多人问我：“老张，基差策略到底什么时候进场？什么时候该跑？”
我的回答很简单——看基差率，看历史分位数。
这两个指标，是我做了这么多年交易，最依赖的择时工具。今天我把它们掰开了讲。
13.1 基差率：比基差更“干净”的信号
先说说基差率是什么。
基差 = 现货价格 - 期货价格。这个大家都知道。
但基差有个问题——它受价格水平影响太大。螺纹钢5000块的时候，基差200算正常；螺纹钢3000块的时候，基差200就是极端了。
所以我们需要基差率：
基差率 = (现货价格 - 期货价格) / 现货价格 × 100%说白了，就是把基差“归一化”了。这样不同品种、不同价格区间，都能放在一起比较。
核心观点：基差率比基差更稳定，更适合做跨品种、跨时间的横向对比。
我个人习惯，把基差率分成三个区间：
- 基差率 > 3%：强贴水，做多期货（买贴水）的好时机
- 基差率 < -3%：强升水，做空期货（卖升水）的好时机
- 基差率在 -1% ~ 1%：中性区间，观望为主
当然，这个阈值不是死的。不同品种波动率不同，需要自己调。我在项目中遇到过，有些品种基差率到2%就已经是极端了，有些要到5%才算。嗯，这里要注意——一定要根据品种特性来设定阈值。
13.2 历史分位数：告诉你“现在有多极端”
基差率本身还不够。为什么？
因为“3%”这个数字，在不同市场环境下意义完全不同。
举个例子：
- 如果过去一年基差率最高才2.5%，那今天到了3%就是极端中的极端
- 如果过去一年基差率经常到5%，那3%只能算中等偏上
所以我们需要历史分位数。
历史分位数，就是把当前基差率放在过去N天的数据里，看它排在第几位。
分位数 = (当前值在历史数据中的排名 / 总样本数) × 100%比如：过去100天里，今天的基差率比95天都高，那分位数就是95%。
我个人习惯用90%和10%作为阈值：
| 分位数区间 | 信号含义 | 操作建议 |
|---|---|---|
| > 90% | 基差率处于历史高位 | 做多期货（买贴水） |
| < 10% | 基差率处于历史低位 | 做空期货（卖升水） |
| 10% ~ 90% | 正常波动区间 | 观望或轻仓 |
小技巧：我一般用60天或90天的滚动窗口。太短（比如20天）信号太频繁，太长（比如250天）反应太慢。90天是个不错的平衡点。
13.3 实战组合：基差率 + 分位数 = 双保险
单独用基差率，容易误判。单独用分位数，又可能错过趋势。
我的做法是——两者结合。
具体逻辑：
- 第一步：看基差率绝对值。如果基差率 > 3% 或 < -3%，进入候选池
- 第二步：看历史分位数。如果分位数 > 90% 或 < 10%，确认信号
- 第三步：两个条件都满足，才开仓
你想想看，这样过滤下来，信号质量是不是高了很多？
我曾经用这个组合做过螺纹钢的基差交易。有一次基差率到了4.2%，分位数到了96%。我果断做多期货。结果呢？一周后基差回归到1.5%，单笔盈利超过2%。
当然，也有失手的时候。我记得有一次铁矿石基差率到了5%，分位数98%，我进场了。结果现货突然暴跌，基差反而扩大了。嗯，这就是另一个话题了——基差回归不是必然的，需要配合基本面判断。
避坑指南：我曾经在2021年煤炭行情里吃过亏。当时基差率和分位数都到了极端值，我按常规逻辑做多。结果政策干预，期货连续跌停，基差反而拉大。所以——极端行情下，政策风险是第一位的。
13.4 代码实现：自动计算基差率与分位数
光说不练假把式。我给你们写个简单的Python代码，可以直接用。
import pandas as pd
import numpy as np
def calc_basis_rate(spot_price, futures_price):
"""计算基差率"""
return (spot_price - futures_price) / spot_price * 100
def calc_percentile(data, window=90):
"""计算历史分位数"""
rolling_min = data.rolling(window).min()
rolling_max = data.rolling(window).max()
percentile = (data - rolling_min) / (rolling_max - rolling_min) * 100
return percentile
# 示例用法
df = pd.DataFrame({
'spot': [5000, 5020, 4980, 5050, 5100],
'futures': [4850, 4880, 4830, 4900, 4950]
})
df['basis_rate'] = calc_basis_rate(df['spot'], df['futures'])
df['percentile'] = calc_percentile(df['basis_rate'], window=3)
print(df)这段代码很简单，但很实用。你只需要把现货和期货价格填进去，就能自动算出基差率和分位数。
注意：实际使用时，window参数要根据品种调整。波动大的品种用短窗口（60天），波动小的用长窗口（120天）。
13.5 知识体系图
下面这张图，把基差率与历史分位数的关系、以及实战流程画清楚了。
13.6 实战中的几个坑
最后，我总结几个实战中容易踩的坑：
- 坑一：只看基差率，不看分位数。结果在正常波动区间频繁进出，手续费都亏没了。
- 坑二：分位数窗口选得太短。信号太多，容易追涨杀跌。
- 坑三：忽略交割日效应。临近交割，基差会强制收敛，这时候分位数会失效。
- 坑四：不区分品种。农产品和工业品的基差波动特性完全不同，阈值要分别设定。
我的习惯：每次开仓前，我会问自己三个问题——基差率够极端吗？分位数够高吗？基本面支持吗？三个都答“是”，我才动手。
好了，基差率与历史分位数的实战用法，今天就讲到这里。这两个工具配合使用，能帮你过滤掉大部分无效信号。但记住——工具只是工具，最终决策还是要靠你的判断力。
公众号:蓝海资料掘金营，微信deep3321