第十六章：技术指标辅助择时：布林带、RSI、MACD在基差交易中的改良

各位做基差交易的朋友，咱们今天聊点实在的。

很多人觉得基差交易就是看现货和期货的价差，盯着基本面就够了。我早年也这么想，直到有一次在螺纹钢上栽了个跟头——基本面明明看多，基差却越走越弱，硬扛了半个月，回撤了8%。

后来我反思：基差本身是价格的一种表现形式，它同样受市场情绪和资金博弈的影响。技术指标，说白了就是帮我们捕捉这种情绪的放大镜。但直接用传统参数？不行，得改。

16.1 为什么传统指标在基差上水土不服？

先说说问题出在哪。

传统布林带、RSI、MACD都是针对价格序列设计的。但基差是个差值序列，它的统计特性跟价格完全不同：

• 均值回归性更强：基差天然围绕某个中枢波动，不像价格可以单边涨上天
• 波动率更集中：大部分时间基差在窄幅区间内，偶尔出现极端值
• 自相关性更弱：今天的基差跟昨天的关系，不如价格那么紧密

我刚开始直接把RSI(14)套在基差上，结果频繁发出假信号。为什么？因为基差的波动周期比价格短得多，14天的窗口太长，等指标反应过来，行情都走完了。

16.2 布林带的改良：动态通道捕捉基差极端值

布林带的核心思想是：当价格突破上下轨时，大概率会回归。基差也一样，但参数要调。

我的改良方案：

1. 周期缩短：从传统的20周期改为10周期。基差的均值回归速度比价格快，10周期足够捕捉大部分有效波动
2. 倍数调整：从2倍标准差改为1.5倍。基差的极端值不如价格那么极端，用2倍容易漏信号
3. 增加中轨确认：不只看上下轨，还要看基差是否穿越中轨。如果基差从上轨回落并跌破中轨，才是真正的回归信号

举个例子。我在做豆粕基差时，发现传统布林带经常在基差刚碰到上轨时就提示卖出，结果基差继续冲高。改成1.5倍标准差后，信号少了一半，但胜率从55%提到了72%。

16.3 RSI的改良：阈值重定义与背离过滤

RSI在基差交易中最大的问题是：传统30/70的阈值太宽了。

基差的波动范围通常比价格小得多。比如螺纹钢基差大部分时间在-50到+50之间，你用70作为超买阈值，可能一年都触发不了几次。

我的做法：

• 周期改为7：基差的短期动量更强，7周期能更快反应
• 阈值改为20/80：经过回测，这个阈值在大多数商品上效果最好
• 增加背离过滤：基差创新低但RSI没创新低，才是真正的底背离信号

我记得有一次做PTA基差，RSI(7)在20以下出现了底背离，我果断做多基差回归。结果三天后基差从-80回到了-30，单笔盈利超过2%。

16.4 MACD的改良：零轴穿越与柱线收缩

MACD在基差交易中，我主要看两个信号：

1. 零轴穿越：DIF线穿越零轴，代表基差动量方向改变。但传统12/26/9参数太慢，我改成6/13/5
2. 柱线收缩：当MACD柱线从高点开始收缩，但DIF线还在上升，说明动量在衰减，基差可能即将见顶

这里有个细节：MACD的零轴在基差交易中，其实对应的是基差的长期均值。如果基差长期均值是0，那零轴穿越就是多空分界线。但如果基差长期均值不是0（比如某些品种天然存在升贴水），你得先计算均值，再平移零轴。

16.5 三指标共振：我的实战框架

单个指标都有缺陷，但三个指标共振时，胜率会大幅提升。

我的开仓条件：

• 布林带：基差触及下轨（1.5倍标准差）
• RSI：低于20且出现底背离
• MACD：DIF线在零轴下方金叉，且柱线开始收缩

三个条件同时满足，我才开仓。如果只满足两个，我会等一等，或者减仓试单。

下面是我用Python写的改良指标计算代码，供大家参考：

import pandas as pd
import numpy as np

def bollinger_bands(basis, window=10, num_std=1.5):
    """改良布林带"""
    rolling_mean = basis.rolling(window).mean()
    rolling_std = basis.rolling(window).std()
    upper_band = rolling_mean + num_std * rolling_std
    lower_band = rolling_mean - num_std * rolling_std
    return upper_band, rolling_mean, lower_band

def rsi_modified(basis, window=7):
    """改良RSI，阈值20/80"""
    delta = basis.diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    avg_gain = gain.rolling(window).mean()
    avg_loss = loss.rolling(window).mean()
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    return rsi

def macd_modified(basis, fast=6, slow=13, signal=5):
    """改良MACD"""
    ema_fast = basis.ewm(span=fast).mean()
    ema_slow = basis.ewm(span=slow).mean()
    dif = ema_fast - ema_slow
    dea = dif.ewm(span=signal).mean()
    macd_bar = 2 * (dif - dea)
    return dif, dea, macd_bar

16.6 知识体系框架

下面这张图，是我自己总结的基差择时技术指标改良逻辑。你看一眼，基本就明白整个框架了。

16.7 实战中的注意事项

最后说几点我踩过的坑：

• 别在基差极窄时用指标：当基差在±10以内波动时，任何指标都会失效。这时候不如直接看基本面
• 注意交割月效应：临近交割月，基差会强制收敛，技术指标会失效。我一般提前两周停止用指标
• 多周期确认：日线级别的信号，最好用小时线再确认一次。我吃过一次亏，日线RSI底背离，但小时线还在下跌趋势中，结果抄底抄在半山腰

---

公众号:蓝海资料掘金营，微信deep3321