第1章套利基础

一、套利基础：什么是套利？套利的数学本质与核心逻辑

大家好，我是你们的讲师。今天咱们聊聊套利。

很多人一听到「套利」，脑子里就浮现出高频交易、量化大鳄、几毫秒赚几百万的画面。说实话，我刚入行时也这么想。但做了十几年交易后，我越来越觉得——套利没那么玄乎，它本质上就是一个数学问题。

1.1 套利的定义：一句话说清楚

套利，说白了就是同一资产在不同市场、不同时间、不同形态下，价格出现不一致，你低买高卖，赚取无风险（或低风险）差价的行为。

举个例子：

苹果在A市场卖5元，在B市场卖6元。你从A买，到B卖，赚1元差价。这就是最简单的套利。
但现实中哪有这么简单？交易成本、滑点、资金占用、流动性……都会吃掉你的利润。

嗯，这里要注意：真正的套利机会，往往转瞬即逝。我在2015年做过一次跨期套利，就因为网络延迟慢了0.3秒，眼睁睁看着利润从+2%变成-1%。

核心要点：套利的本质是「价格发现」的纠偏机制。市场越有效，套利机会越少；但市场永远不可能完全有效，所以套利永远存在。

1.2 套利的数学本质：无风险收益的数学表达

你可能会问：套利到底怎么用数学描述？

我个人习惯用这个公式来理解：

套利收益 = |P₁ - P₂| - C - S - L

其中：

P₁、P₂：两个市场/合约的价格
C：交易成本（手续费、印花税等）
S：滑点成本（实际成交价与预期价的偏差）
L：资金占用成本（机会成本）

只有当这个值 大于0，才存在真正的套利空间。

我再给你一个更严谨的数学定义——无套利条件：

如果存在一个投资组合，满足：
1. 初始成本 ≤ 0（不花钱甚至还能收钱）
2. 未来所有状态下，收益 ≥ 0
3. 至少有一个状态下，收益 > 0
则存在套利机会。

这个定义来自金融数学的「套利定价理论」。说白了就是：空手套白狼，还保证不亏。

我的经验：实际交易中，完全满足「无风险」的套利几乎不存在。我做过最接近的一次是2018年的ETF折溢价套利，但即使那样，也面临了0.02%的跟踪误差风险。所以，我们通常追求的是「统计套利」——大概率赚钱，小概率亏钱。

1.3 套利的核心逻辑：三个关键要素

搞懂了定义和数学本质，咱们来看看套利的核心逻辑。我把它总结为三个要素：

价格偏离：同一资产在不同市场/时间/形态下出现价差
收敛机制：价差最终会回归到合理范围（均值回归）
执行效率：你能在价差消失前完成交易

你想想看，这三个要素缺一不可。价格偏离是机会，收敛机制是逻辑基础，执行效率是你能不能吃到肉的关键。

我曾经犯过一个错：2016年做跨品种套利，发现螺纹钢和热卷的价差偏离了历史均值3个标准差，觉得机会来了。结果呢？价差不仅没回归，反而继续扩大了5个标准差。为什么？因为当时供给侧改革政策变了，基本面逻辑变了，历史均值失效了。

避坑指南：套利不是无脑做均值回归。一定要搞清楚「价差为什么偏离」——是暂时的市场情绪？还是根本性的基本面变化？如果是后者，套利就是接飞刀。

1.4 套利的分类：一张图看懂

为了让你更直观地理解，我画了一张套利分类的框架图：

1.5 一个简单的Python示例：检测套利机会

光说不练假把式。我给你写一段简单的Python代码，用来检测两个高度相关资产之间的套利机会：

import numpy as np
import pandas as pd
import yfinance as yf

# 获取两只股票的历史数据
def get_spread(ticker1, ticker2, start='2023-01-01', end='2024-01-01'):
    df1 = yf.download(ticker1, start=start, end=end)['Close']
    df2 = yf.download(ticker2, start=start, end=end)['Close']
    
    # 合并数据
    df = pd.DataFrame({'A': df1, 'B': df2}).dropna()
    
    # 计算价差（标准化后）
    df['spread'] = df['A'] / df['A'].iloc[0] - df['B'] / df['B'].iloc[0]
    
    # 计算均值和标准差
    mean = df['spread'].mean()
    std = df['spread'].std()
    
    # 检测套利信号：价差偏离均值2个标准差
    df['signal'] = 0
    df.loc[df['spread'] > mean + 2*std, 'signal'] = -1  # 做空价差
    df.loc[df['spread'] < mean - 2*std, 'signal'] = 1   # 做多价差
    
    return df

# 示例：检测XOM和CVX的套利机会
df = get_spread('XOM', 'CVX')
print(f"套利信号次数: {df['signal'].abs().sum()}")
print(f"最近一次信号: {df['signal'].iloc[-1]}")

我的建议：这段代码只是演示逻辑。实际生产中，你还需要考虑交易成本、滑点、持仓周期、资金管理等因素。我一般会在信号触发后，再等一个确认K线才入场，能有效减少假信号。

1.6 套利的风险：你以为的无风险，其实都有风险

最后，我必须泼一盆冷水。很多人觉得套利就是「捡钱」，但我在这个行业摸爬滚打这么多年，见过太多套利翻车的案例。

常见的套利风险包括：

执行风险：你看到价差，但下单时已经没了
流动性风险：你想平仓，但对手盘跑了
模型风险：你的统计模型假设错了
黑天鹅风险：极端行情下，所有相关性都失效

我曾经在2019年做国债期货套利，模型跑得好好的，突然有一天国债期货跌停，价差瞬间扩大5倍。为什么？因为那天央行意外降息，市场预期完全变了。那次我亏了7位数，但学到了最重要的一课：永远不要以为套利是无风险的。

重要提醒：套利的核心不是「无风险」，而是「风险可控」。你要做的，是找到那些风险收益比对你有利的机会，然后用仓位管理去控制尾部风险。

好了，这一章的内容就到这里。套利的基础概念、数学本质、核心逻辑，以及一个简单的代码示例，我都给你讲清楚了。下一章，咱们会深入讲统计套利中的配对交易策略，到时候我会手把手带你构建一个完整的配对交易系统。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

一、套利基础：什么是套利？套利的数学本质与核心逻辑

1.1 套利的定义：一句话说清楚

1.2 套利的数学本质：无风险收益的数学表达

1.3 套利的核心逻辑：三个关键要素

1.4 套利的分类：一张图看懂

1.5 一个简单的Python示例：检测套利机会

1.6 套利的风险：你以为的无风险，其实都有风险