第24章基差的量化建模

第24章：基差的量化建模：ARIMA与GARCH模型在基差预测中的应用

说实话，做了十几年基差交易，我最大的感触就是——基差这东西，看着简单，做起来真难。它不像价格那样有明确的趋势，也不像波动率那样有成熟的模型。它更像一个“夹缝中的变量”，既受现货影响，又受期货牵制。

那怎么量化它？怎么预测它？

我个人习惯用两类模型：ARIMA 和 GARCH。一个管均值，一个管波动。今天咱们就把这两个模型在基差预测中的应用，掰开了讲清楚。

24.1 基差序列的“脾气”

先说说基差序列的特点。你想想看，基差 = 现货价格 - 期货价格。它不像价格那样有单位根，也不像收益率那样白噪声。它更像一个均值回复的过程。

我在项目中遇到过这样的情况：某品种的基差长期在 -50 到 +50 之间震荡，但偶尔会冲到 -200 或 +200。这种“偶尔抽风”的特性，就是典型的波动聚集效应。

所以，建模前你得先搞清楚三件事：

平稳性：基差序列通常是平稳的，但需要ADF检验确认
自相关性：今天的基差往往和昨天的基差有关
异方差性：波动大的时候，未来波动也可能大

核心观点：ARIMA管基差的“均值路径”，GARCH管基差的“波动风险”。两者结合，才能完整描述基差的动态行为。

24.2 ARIMA模型：预测基差的“均值路径”

ARIMA模型，说白了就是“自回归+移动平均+差分”的组合。对于基差这种平稳序列，我们通常用 ARIMA(p, d, q)，其中 d 一般取 0 或 1。

我建议的建模步骤是这样的：

平稳性检验：用ADF检验，如果p值大于0.05，先差分
定阶：看ACF和PACF图，初步确定p和q
模型拟合：用AIC/BIC选择最优参数
残差检验：确保残差是白噪声

举个例子，假设我们有一组日度基差数据，用Python实现：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt

# 假设 df 包含 'basis' 列
# 1. 平稳性检验
from statsmodels.tsa.stattools import adfuller
result = adfuller(df['basis'].dropna())
print(f'ADF Statistic: {result[0]}')
print(f'p-value: {result[1]}')

# 2. 如果p值 < 0.05，说明平稳，d=0
# 3. 看ACF和PACF图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6))
plot_acf(df['basis'], lags=20, ax=ax1)
plot_pacf(df['basis'], lags=20, ax=ax2)
plt.show()

# 4. 拟合ARIMA(2,0,2)
model = ARIMA(df['basis'], order=(2, 0, 2))
results = model.fit()
print(results.summary())

# 5. 预测未来5期
forecast = results.forecast(steps=5)
print(forecast)

我的经验：基差序列的p值通常不会太大，2或3就够用了。q值也类似。别盲目追求高阶模型，过拟合在基差预测里是常见坑。

24.3 GARCH模型：捕捉基差的“波动聚集”

ARIMA预测的是基差的“期望值”，但基差的风险——也就是波动率——同样重要。GARCH模型就是干这个的。

我曾经在螺纹钢的基差交易上吃过亏。当时ARIMA预测基差会回归，我开了套利头寸。结果基差确实回归了，但波动剧烈，中间差点爆仓。从那以后，我每次做基差预测，都会加上GARCH模型看波动。

GARCH(1,1)是最常用的形式：

σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}

其中：

σ²_t 是当前波动率
ε²_{t-1} 是上一期残差平方
σ²_{t-1} 是上一期波动率
α + β < 1 保证模型稳定

Python实现：

from arch import arch_model

# 用ARIMA的残差来拟合GARCH
residuals = results.resid

# 拟合GARCH(1,1)
am = arch_model(residuals, vol='Garch', p=1, q=1)
garch_results = am.fit(update_freq=5)
print(garch_results.summary())

# 预测未来5期的波动率
garch_forecast = garch_results.forecast(horizon=5)
print(garch_forecast.variance.iloc[-1])

注意：GARCH模型对异常值非常敏感。如果基差序列中有极端值（比如交割日附近的异常波动），建议先做处理，否则模型参数会严重偏离。

24.4 ARIMA-GARCH联合建模：完整方案

把两个模型结合起来，就是完整的基差量化建模方案。我通常分三步走：

第一步：用ARIMA拟合基差的均值方程，得到残差序列
第二步：对残差序列做ARCH效应检验（LM检验），确认存在异方差
第三步：用GARCH模型拟合残差的波动率

下面这张图展示了整个流程：

24.5 实战中的避坑指南

模型讲完了，但实战中还有几个坑，我得提醒你：

坑一：过度依赖模型。ARIMA-GARCH再漂亮，也预测不了政策突变。我曾经在2015年股指期货限仓时，模型完全失效。记住，模型只是工具，不是上帝。
坑二：忽视交割日效应。临近交割日，基差会剧烈收敛。这时候的波动率模型需要特殊处理，比如加入虚拟变量。
坑三：参数稳定性。基差的统计特性会随时间变化。我建议每3个月重新估计一次模型参数，别一套参数用一年。

我的小技巧：在预测基差时，我会同时看ARIMA的预测值和GARCH的波动率预测。如果波动率预测突然飙升，即使ARIMA预测基差会回归，我也会减仓。说白了，活得久比赚得多更重要。

24.6 模型评估：别只看R²

很多新手喜欢用R²来评估模型，但在基差预测里，R²往往很低——0.2到0.4就算不错了。为什么？因为基差受太多随机因素影响。

我建议用以下指标：

指标	用途	我的经验阈值
RMSE	预测误差的绝对值	小于基差标准差的60%
MAE	平均绝对误差	小于基差标准差的50%
方向准确率	预测基差涨跌方向的正确率	大于55%就算可用
VaR回测	GARCH波动率预测的准确性	95%VaR的失败率在4%-6%

嗯，这里要注意：方向准确率55%看起来不高，但在基差交易里，只要方向对了，配合仓位管理，长期下来收益很可观。

24.7 总结：模型是骨架，经验是血肉

ARIMA和GARCH模型，是基差量化建模的经典组合。它们能帮你：

预测基差的均值回归路径
量化基差的波动风险
制定更科学的套利策略

但别忘了，模型只是骨架。真正让交易赚钱的，是你对市场的理解、对风险的敬畏、对纪律的坚持。我见过太多人模型跑得漂亮，但一到实盘就亏钱——因为他们忽略了模型背后的假设和局限。

最后送你一句话：基差预测，七分靠模型，三分靠经验。但决定成败的，往往是那三分经验。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录