4. 价差可视化分析：K线图、价差曲线、相关性热力图

好，咱们进入第四讲。前面几章我们把价差的计算逻辑、数据清洗讲透了，现在该让数据「开口说话」了。

我个人习惯，拿到一组价差数据，第一件事不是跑模型，而是画图。为什么？因为图形能告诉你很多统计指标掩盖掉的细节——比如某个时间段的异常波动、结构性的偏移、或者某些品种之间「说不清道不明」的联动关系。

这一章，咱们就聚焦三种最常用的可视化手段：价差K线图、价差曲线、相关性热力图。这三种图，基本覆盖了从微观到宏观、从单品种到多品种的分析需求。

4.1 价差K线图：把价差当「品种」来交易

很多新手做套利，只看价差的收盘价序列。这其实不够。你想想看，价差在一天之内可能剧烈波动，只看收盘价会错过很多日内交易机会。

我的做法是：把价差当成一个独立的交易品种，给它画K线图。这样你就能看到价差的开盘、最高、最低、收盘，也就是OHLC数据。

下面这段代码，演示如何从两个期货合约的分钟数据生成价差K线：

import pandas as pd
import mplfinance as mpf

# 假设 df_contract1 和 df_contract2 是分钟级OHLC数据
# 先计算每分钟的价差
df_spread = pd.DataFrame()
df_spread['open'] = df_contract1['open'] - df_contract2['open']
df_spread['high'] = df_contract1['high'] - df_contract2['high']
df_spread['low'] = df_contract1['low'] - df_contract2['low']
df_spread['close'] = df_contract1['close'] - df_contract2['close']
df_spread.index = df_contract1.index  # 保持时间索引

# 用 mplfinance 画K线图
mpf.plot(df_spread, type='candle', volume=False,
         title='价差K线图 - 螺纹钢与热卷',
         style='charles', figsize=(12,6))

嗯，这里要注意：价差K线的最高价不一定等于两个合约最高价之差。因为两个合约的最高价可能不在同一时刻出现。所以计算时要逐笔对齐时间戳，不能偷懒。

4.2 价差曲线：趋势与回归的直观呈现

价差曲线是最基础、也最直观的图。说白了就是把价差的时间序列画成一条线。但别小看它，很多交易决策就靠这条线。

我个人习惯在价差曲线上叠加三条辅助线：

• 均值线：通常是滚动均值，比如20期或60期
• 上下轨：均值 ± k倍标准差，k一般取1.5或2
• 零轴：如果价差是经过协整回归的残差，零轴就是均衡线

我曾经犯过一个错误：用全样本均值做基准线。结果回测很漂亮，实盘一跑就亏。后来才发现，全样本均值包含了未来的数据，属于「未来函数」。正确的做法是用滚动窗口。

import matplotlib.pyplot as plt
import numpy as np

# 假设 spread 是价差序列
window = 60
spread_mean = spread.rolling(window=window).mean()
spread_std = spread.rolling(window=window).std()
upper_band = spread_mean + 2 * spread_std
lower_band = spread_mean - 2 * spread_std

plt.figure(figsize=(14,6))
plt.plot(spread.index, spread, label='价差', color='blue', alpha=0.7)
plt.plot(spread.index, spread_mean, label=f'{window}期均值', color='orange', linestyle='--')
plt.fill_between(spread.index, upper_band, lower_band, alpha=0.2, color='gray', label='±2σ 通道')
plt.axhline(0, color='red', linestyle=':', alpha=0.5)
plt.legend()
plt.title('价差曲线与布林通道')
plt.show()

4.3 相关性热力图：发现隐藏的联动关系

做跨市场套利，你不可能只盯着一对品种。很多时候，A和B的价差波动，其实是受到C的影响。这时候就需要相关性热力图来帮你「看清全局」。

我通常的做法是：计算多个品种之间的滚动相关性，而不是静态的全局相关性。因为市场环境在变，相关性也在变。

import seaborn as sns

# 假设 df_prices 是多品种的收盘价DataFrame
# 计算收益率
returns = df_prices.pct_change().dropna()

# 计算滚动相关性矩阵（这里用60期窗口）
rolling_corr = returns.rolling(window=60).corr()

# 取最新一期的相关性矩阵
latest_corr = rolling_corr.iloc[-len(df_prices.columns):].unstack().iloc[:len(df_prices.columns)]

# 或者更直接：取最后一个时间点的矩阵
latest_corr_matrix = returns.rolling(window=60).corr().groupby(level=0).last().iloc[-1].unstack()

# 画热力图
plt.figure(figsize=(10,8))
sns.heatmap(latest_corr_matrix, annot=True, cmap='coolwarm', center=0,
            square=True, linewidths=0.5)
plt.title('品种间收益率滚动相关性热力图（60期）')
plt.show()

4.4 三种图的组合应用策略

这三种图不是孤立的。我一般这样组合使用：

举个例子：我通过热力图发现螺纹钢和热卷的相关性在0.85以上，于是把它们作为套利对。然后看价差曲线，发现当前价差处于下轨附近。再切到分钟级K线图，确认没有出现「假突破」的形态。三图印证，我才敢下单。

4.5 本章知识体系

下面这张图，帮你把本章的核心逻辑串起来：

说白了，这三种图就是你的「三重视角」：K线图看细节，价差曲线看趋势，热力图看全局。三者结合，才能做出靠谱的交易判断。

好了，这一章就到这里。记住：图形不是装饰，是决策工具。下一章我们会把这些可视化方法应用到实盘监控中，到时候你会看到它们真正的威力。

公众号:蓝海资料掘金营，微信deep3321