第十一章：基差与库存关系

库存这东西，说白了就是商品市场的「蓄水池」。我做交易这些年，最深的体会就是——库存是基差变动的底层驱动力。你想想看，当仓库里堆满了货，现货商急着出货，基差能强吗？反过来，库存见底了，买方抢着要货，基差自然就坚挺。

这一章，我就把库存与基差的底层逻辑拆开来讲。包括库存周期怎么识别、数据从哪里拿、怎么建模型，以及最重要的——如何通过库存拐点提前捕捉基差机会。

一、库存周期的底层逻辑

库存周期，业内也叫「基钦周期」。一般持续3-4年。我习惯把它分成四个阶段：

阶段	特征	基差表现
主动去库	价格跌，库存降	基差走弱，近月贴水
被动去库	价格涨，库存降	基差走强，近月升水
主动补库	价格涨，库存增	基差高位震荡
被动补库	价格跌，库存增	基差快速走弱

我在2020年做铜的时候，就踩过这个坑。当时库存一直在降，我以为基差会持续走强，结果价格涨到高位后，库存反而开始回升——典型的被动补库阶段。基差从+500直接砸到-200。嗯，那次教训挺深刻的。

二、库存数据怎么拿

数据源这块，我给大家梳理一下。国内商品市场，库存数据主要分三类：

1. 交易所库存（仓单）：上期所、大商所、郑商所官网，每天更新。这是最权威的数据，但只覆盖交割库。
2. 行业机构数据：比如钢联的钢材库存、隆众的化工库存、SMM的有色库存。频率高，覆盖面广。
3. 第三方平台：万得、彭博、卓创。数据全，但需要付费。

我个人习惯用Python写个爬虫，每天自动拉取交易所的仓单数据。代码很简单，给大家参考：

import requests
import pandas as pd

# 以上期所铜仓单为例
url = "http://www.shfe.com.cn/data/dailydata/kx/kx20250104.dat"
response = requests.get(url)
data = response.json()

# 提取仓单数据
warehouse_data = []
for item in data['o_cursor']:
    if item['PRODUCTNAME'] == '铜':
        warehouse_data.append({
            'date': item['DATA_DATE'],
            'warehouse': item['WHNAME'],
            'weight': item['WRTINGWT']
        })

df = pd.DataFrame(warehouse_data)
print(df.head())

三、库存-基差模型怎么建

模型这块，我试过很多方法。最简单的就是线性回归，但效果一般。为什么？因为库存和基差的关系不是线性的——库存低到一定程度，基差会加速走强；库存高到一定程度，基差会加速走弱。

我目前在用的模型，核心思路是：

1. 计算库存分位数：把当前库存放在历史区间里看位置
2. 计算库存变化率：5日、20日、60日的变化斜率
3. 构建复合指标：库存分位数 × 变化方向系数

举个例子，螺纹钢的库存-基差模型：

import numpy as np

def inventory_basis_model(inv_series, basis_series):
    # 计算库存分位数
    inv_percentile = (inv_series - inv_series.min()) / (inv_series.max() - inv_series.min())
    
    # 计算库存变化率（20日）
    inv_change = inv_series.pct_change(20)
    
    # 构建信号
    signal = np.where(
        (inv_percentile < 0.2) & (inv_change < -0.05),  # 低库存且加速下降
        1,  # 做多基差
        np.where(
            (inv_percentile > 0.8) & (inv_change > 0.05),  # 高库存且加速上升
            -1,  # 做空基差
            0  # 观望
        )
    )
    
    return signal

四、库存拐点识别——这才是核心

说实话，库存的绝对值不重要，拐点才是利润来源。我总结了几种识别拐点的方法：

• 斜率法：库存变化率从正转负，或从负转正，就是拐点信号
• 动量法：库存变化率的加速度（二阶导）出现反转
• 背离法：价格创新高但库存不再下降，或者价格创新低但库存不再上升

我曾经在2021年做PTA，就是靠背离法抓到了一波大行情。当时PTA价格从4000涨到5500，但库存从300万吨降到280万吨后就不再降了。我意识到库存拐点到了，果断平掉多单反手做空基差。后面价格跌回4500，基差从+200跌到-150。

下面这张图，是我自己总结的库存-基差分析框架：

五、实战中的几个要点

最后，分享几个我在实战中总结的经验：

• 不要只看绝对库存：同样的库存水平，在牛市和熊市里意义完全不同
• 关注库存的边际变化：库存下降速度加快，比库存本身低更重要
• 结合季节性：农产品有收获季，黑色有冬储，化工有检修季——这些都会影响库存的正常波动
• 警惕隐性库存：交易所仓单只是冰山一角，社会库存、在途库存、厂库都要关注

嗯，这一章的内容就到这里。库存与基差的关系，说白了就是供需博弈在时间维度上的投影。你只要把数据拿准了、模型建对了、拐点认清了，剩下的就是执行的问题。