第二十五讲：基差的机器学习预测——随机森林与LSTM在基差预测中的实战

各位同学，今天我们来聊点硬核的。前面我们讲了统计模型、讲了时间序列，但说实话，在真实的交易环境里，基差这东西太复杂了。它受库存、受情绪、受政策、受资金面……你想想看，这么多因素搅在一起，传统模型有时候真不够用。

所以，我个人的习惯是——遇到这种“多因子、非线性、高噪声”的问题，直接上机器学习。今天我们就拿两个最典型的模型来开刀：随机森林和LSTM。一个代表“传统机器学习”的巅峰，一个代表“深度学习时序”的利器。

一、为什么是随机森林和LSTM？

我先说说我的选型逻辑。

随机森林，说白了就是一群决策树投票。它不怕过拟合，能处理缺失值，还能输出特征重要性——这一点在金融里太重要了。我在项目中遇到过好几次，用随机森林跑完，发现“近月持仓量变化”这个特征的权重远高于其他，后来我专门盯着这个因子做策略，效果不错。

LSTM呢，它是专门为序列数据设计的。基差本身就是一个时间序列，今天的基差跟昨天、前天、甚至前一周都有关系。LSTM能记住这些“长期依赖”，这是普通神经网络做不到的。

嗯，这里要注意：随机森林适合“截面数据”，比如你拿当前时刻的库存、持仓、波动率去预测当前基差的异常程度；而LSTM适合“时序数据”，比如你用过去N天的基差序列去预测未来1天的基差。

二、数据准备：别让模型“吃垃圾”

做机器学习，有一句话我特别认同：垃圾进，垃圾出。你模型再牛，数据不对也是白搭。

我建议你准备以下特征（以螺纹钢为例）：

特征类别	具体特征	说明
价格类	现货价格、近月期货价、远月期货价	基差计算的基础
持仓类	近月持仓量、远月持仓量、持仓变化率	反映资金博弈
库存类	社会库存、钢厂库存、库存变化率	供需的直接体现
波动类	历史波动率、隐含波动率	市场情绪指标
时间类	距离交割日天数、星期几、月份	季节性规律

三、随机森林实战：特征工程与模型训练

好，我们直接上代码。以下是我在实际项目中用过的简化版本。

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

# 加载数据（假设你已经有了特征矩阵X和标签y）
# X: 包含库存、持仓、波动率等特征
# y: 未来1天的基差变化值

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, shuffle=False
)

# 训练随机森林
rf = RandomForestRegressor(
    n_estimators=200,
    max_depth=10,
    min_samples_leaf=5,
    random_state=42
)
rf.fit(X_train, y_train)

# 预测
y_pred = rf.predict(X_test)

# 评估
mae = mean_absolute_error(y_test, y_pred)
print(f"测试集MAE: {mae:.4f}")

# 特征重要性
importance = pd.DataFrame({
    'feature': X.columns,
    'importance': rf.feature_importances_
}).sort_values('importance', ascending=False)
print(importance.head(10))

我曾经在一次实盘测试中，用这个模型预测沪铜的基差。一开始我加了20多个特征，结果MAE一直下不去。后来我砍掉了“宏观经济指标”这类低频数据，只保留日频数据，MAE直接降了15%。记住：高频预测用高频特征，低频特征只会引入滞后。

四、LSTM实战：时序建模与序列预测

LSTM的用法跟随机森林完全不同。它需要你把数据整理成“样本-时间步-特征”的三维结构。

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.preprocessing import MinMaxScaler

# 假设你有一个基差序列：basis_series
# 用过去60天的基差预测未来1天

def create_sequences(data, seq_length):
    X, y = [], []
    for i in range(len(data) - seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length])
    return np.array(X), np.array(y)

# 归一化
scaler = MinMaxScaler()
basis_scaled = scaler.fit_transform(basis_series.reshape(-1, 1))

seq_length = 60
X, y = create_sequences(basis_scaled, seq_length)

# 划分训练集和测试集
split = int(0.8 * len(X))
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]

# 构建LSTM模型
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(seq_length, 1)),
    Dropout(0.2),
    LSTM(50, return_sequences=False),
    Dropout(0.2),
    Dense(1)
])

model.compile(optimizer='adam', loss='mse')
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.1)

# 预测
y_pred_scaled = model.predict(X_test)
y_pred = scaler.inverse_transform(y_pred_scaled)
y_test_actual = scaler.inverse_transform(y_test.reshape(-1, 1))

五、随机森林 vs LSTM：到底选哪个？

这个问题我经常被问到。我的回答是：看你的数据形态和预测目标。

• 如果你做“截面预测”——比如今天收盘后，用当前所有品种的数据判断哪个品种的基差被高估/低估，用随机森林。它快，可解释性强。
• 如果你做“时序预测”——比如用过去60天的基差序列预测明天的基差，用LSTM。它能捕捉到趋势和周期。
• 如果你两个都想做——我建议你把随机森林的特征输出作为LSTM的额外输入，做一个“混合模型”。我在一次比赛中用过这个思路，效果比单独用任何一个都好。

六、核心逻辑框架图

下面这张图是我自己总结的基差机器学习预测流程，你照着这个框架走，基本不会跑偏。

七、实战中的几个坑

最后，我掏心窝子说几个我踩过的坑：

1. 不要用未来数据。 我见过有人用“当天的收盘价”去预测“当天的基差”，这等于作弊。一定要确保你的特征在预测时点是已知的。
2. 注意样本外测试。 时间序列数据不能随机打乱。我习惯按时间顺序划分，前80%训练，后20%测试。
3. 别迷信深度学习。 有时候随机森林的效果比LSTM还好，尤其是数据量不大的时候。我建议你先跑随机森林，把它作为baseline，再考虑要不要上LSTM。
4. 回测要带交易成本。 基差策略通常需要频繁换月，手续费和滑点会吃掉不少利润。我吃过这个亏，后来在回测里强制加了2个跳点的滑点成本。

---

公众号:蓝海资料掘金营，微信deep3321