第十六章：基差交易中的量化模型

各位，聊到量化模型，很多人第一反应就是“黑箱”、“高大上”。其实没那么玄乎。说白了，基差预测模型就是帮我们回答一个问题：现在的基差，到底是贵了还是便宜了？

我个人习惯把这类模型分成两派：一派是传统的时间序列模型，另一派是这两年火起来的机器学习模型。今天咱们就掰开揉碎聊聊。

16.1 基差预测模型：从统计套利说起

基差预测，本质上是个时间序列预测问题。我最早做这个的时候，用的就是最简单的均值回归模型。

为什么？因为基差这东西，天然就有回归特性。你想想看，现货和期货最终要收敛，基差不可能无限扩大。这就是我们建模的基础。

16.1.1 均值回归模型

最经典的模型长这样：

# 计算历史基差的均值和标准差
basis_mean = basis.rolling(window=60).mean()
basis_std = basis.rolling(window=60).std()

# 计算Z-score
z_score = (basis - basis_mean) / basis_std

# 交易信号：Z-score超过2倍标准差就开仓
if z_score > 2:
    print("基差过大，做空基差")
elif z_score < -2:
    print("基差过小，做多基差")

嗯，这里要注意：窗口期选多少很关键。我试过20天、60天、120天，不同品种差异很大。螺纹钢用20天效果不错，但铜就不行，波动周期更长。

16.1.2 协整模型

比均值回归更进阶一点的是协整模型。我记得2018年做螺纹钢和热卷的套利时，就用过这个。

核心思路是：找到两个品种的长期均衡关系。比如螺纹钢和热卷，理论上价格应该保持一个稳定的价差。一旦偏离，就会回归。

from statsmodels.tsa.stattools import coint

# 检验螺纹钢和热卷的协整关系
score, pvalue, _ = coint(rebar_price, hrc_price)
if pvalue < 0.05:
    print("存在协整关系，可以建模")
else:
    print("没有协整关系，别瞎搞")

16.2 机器学习在基差交易中的应用

说到机器学习，很多人觉得是“屠龙刀”。其实在基差交易里，它更像一把手术刀——用对了地方效果很好，但用错了反而会伤到自己。

16.2.1 特征工程：比模型更重要

我见过太多人一上来就调模型参数，结果效果很差。其实在基差预测里，特征工程才是王道。

我个人常用的特征包括：

• 基本面特征：库存变化率、开工率、利润水平
• 技术面特征：基差的动量、波动率、期限结构斜率
• 宏观特征：利率、汇率、PMI指数
• 季节性特征：月份、节气、交割月临近天数

举个例子，做甲醇基差预测时，我发现港口库存变化率这个特征特别重要。库存一涨，基差大概率走弱。这个规律比任何模型都管用。

16.2.2 随机森林与XGBoost

在模型选择上，我比较推荐树模型。为什么？因为基差数据往往有非线性关系，树模型天然能处理这个。

import xgboost as xgb

# 准备特征和标签
X = features[['库存变化率', '开工率', '基差动量', '波动率']]
y = features['未来5日基差变化']

# 训练模型
model = xgb.XGBRegressor(
    n_estimators=200,
    max_depth=5,
    learning_rate=0.05
)
model.fit(X, y)

# 特征重要性排序
importance = model.feature_importances_
print("最重要的特征：库存变化率")

16.2.3 LSTM在基差预测中的尝试

说到深度学习，我也踩过坑。2021年我试过用LSTM预测铁矿石基差，结果惨不忍睹。

为什么？因为基差数据太短了。LSTM需要大量历史数据才能学到规律，但一个合约的基差数据也就几个月。你想想看，用3个月的数据去训练一个LSTM，这不是开玩笑吗？

不过，如果你做的是跨品种的基差预测，比如用多个品种的历史数据一起训练，LSTM还是能发挥作用的。我后来在有色金属上试过，效果比树模型好一些。

16.3 模型评估与实战部署

模型做出来，不能直接上实盘。我吃过这个亏，2017年一个回测很好的模型，实盘第一周就亏了5%。

16.3.1 回测中的陷阱

回测时要注意几个问题：

• 未来函数：别用未来数据做特征，比如用当天的收盘价预测当天的基差
• 过拟合：回测收益太高（年化超过50%）的模型，基本都有问题
• 交易成本：基差交易的滑点比单边交易大，我一般按2个最小变动价位算

16.3.2 模型更新频率

模型不是一劳永逸的。我建议：

• 基本面模型：每周更新一次，因为库存、开工率等数据是周度发布的
• 技术面模型：每天更新，但参数不要天天调
• 机器学习模型：每月重新训练一次，用最新的3个月数据

嗯，这里有个细节：模型更新时，要保留旧模型做对比。我习惯同时跑两个模型，新模型跑模拟盘1个月，表现稳定了再切换。

16.4 知识体系总览

说了这么多，咱们用一张图来总结一下基差交易中量化模型的核心逻辑：

这张图把整个流程串起来了。从数据到特征，再到模型，最后到输出和风控。每一步都环环相扣，缺一不可。

好了，关于基差交易的量化模型，今天就聊到这儿。记住一句话：模型是工具，不是圣杯。再好的模型，也要结合你对市场的理解来用。我见过太多人迷信模型，结果亏得一塌糊涂。量化交易，说到底还是交易，风控永远是第一位的。

---

公众号:蓝海资料掘金营，微信deep3321