第3章价差分析入门

第3章：价差分析入门

各位同学，欢迎来到跨期套利的核心环节——价差分析。

说实话，很多人一上来就盯着单个合约的价格看，觉得涨了就买、跌了就卖。但做跨期套利，你的眼睛得盯着两个合约之间的「关系」。这个关系，就是价差。

我刚开始做量化的时候，也犯过这个错误。记得有一次，我花了一整天分析螺纹钢主力合约的K线，觉得要大涨，结果近月合约确实涨了，但远月涨得更猛，我的空头头寸反而亏了。从那以后我明白了——做跨期，价差才是你的交易标的。

3.1 价差的定义与计算

价差，说白了就是两个不同月份合约的价格差。

公式很简单：

价差 = 近月合约价格 - 远月合约价格

或者反过来也行，关键是要保持一致。我个人习惯用「近月减远月」，这样价差为正时，说明近月比远月贵，市场处于「backwardation」（现货溢价）状态；价差为负时，说明远月更贵，市场处于「contango」（期货溢价）状态。

举个例子：

螺纹钢 RB2401（2024年1月合约）价格：3800元/吨
螺纹钢 RB2405（2024年5月合约）价格：3750元/吨

价差 = 3800 - 3750 = 50元/吨

这个50元，就是近月比远月贵了50块。你想想看，如果你做多价差（买近月、卖远月），价差从50涨到80，你就赚了30块每吨。

  核心要点：价差不是价格，是价格差。它反映的是市场对两个不同时间点的供需预期差异。

3.2 价差走势图的绘制与解读

光知道价差怎么算还不够，你得会看它的走势。

我个人习惯用Python来画价差图，代码其实很简单：

import pandas as pd
import matplotlib.pyplot as plt

# 假设你有近月和远月的收盘价数据
df['价差'] = df['近月收盘价'] - df['远月收盘价']

plt.figure(figsize=(12, 6))
plt.plot(df.index, df['价差'], label='价差', color='blue')
plt.axhline(y=0, color='red', linestyle='--', alpha=0.5)
plt.title('螺纹钢跨期价差走势图')
plt.xlabel('日期')
plt.ylabel('价差（元/吨）')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

画出来之后怎么看？我一般关注三个东西：

价差的绝对水平：现在是在历史高位还是低位？
价差的趋势：是在走扩还是在收窄？
价差的波动：最近是不是上蹿下跳？

嗯，这里要注意一点——别只看价格走势图就以为价差也会跟着走。价差有自己的节奏，有时候两个合约都在涨，但价差可能在跌。为什么？因为近月涨得慢、远月涨得快呗。

3.3 价差的统计特征

做量化交易，光看图不行，得用数据说话。价差有几个重要的统计特征，我一个个说。

3.3.1 均值回归

大多数商品的跨期价差，都有均值回归的特性。说白了就是——价差不会永远偏离一个「合理范围」，涨多了会跌，跌多了会涨。

为什么会这样？因为市场有套利者。当价差过大时，套利者会进场，把价差推回正常水平。我曾经在豆粕上做过一个统计，价差偏离均值2个标准差以上时，回归的概率超过85%。

实战技巧：你可以用布林带（Bollinger Bands）来观察价差的均值回归特征。当价差触及上轨时，考虑做空价差；触及下轨时，考虑做多价差。

3.3.2 波动率

价差的波动率，决定了你的交易风险有多大。

我习惯用20日滚动标准差来计算价差的波动率：

df['价差波动率'] = df['价差'].rolling(window=20).std()

波动率大的时候，价差一天能跑几十个点，这时候做套利要小心，仓位得轻一点。波动率小的时候，价差像一潭死水，这时候做趋势策略可能赚不到钱，但做回归策略反而合适。

我记得有一次做甲醇的跨期套利，价差波动率突然飙升到历史高位的3倍，我赶紧把仓位减了一半。结果第二天价差就反向跳了40个点，要不是减仓了，那一波得亏不少。

3.3.3 价差的统计特征总结

统计特征	含义	交易含义
均值	价差的长期平均水平	判断当前价差是否偏离
标准差	价差的波动程度	设定止损和仓位大小
偏度	价差分布是否对称	判断回归的对称性
峰度	极端值出现的概率	评估尾部风险

3.4 价差的季节性规律

这一点，做农产品和能化品的同学要特别留意。

很多商品的供需有季节性，价差也会跟着走。比如：

大豆：收获季节（9-10月）近月压力大，价差往往走弱
螺纹钢：春节后复工旺季，近月需求强，价差容易走强
甲醇：冬季取暖需求增加，近月价格坚挺

我一般会拉出过去3-5年的价差数据，按月份做一张季节性图表：

# 计算每个月的平均价差
seasonal = df.groupby(df.index.month)['价差'].mean()

plt.figure(figsize=(10, 5))
plt.plot(seasonal.index, seasonal.values, marker='o')
plt.title('螺纹钢价差季节性规律')
plt.xlabel('月份')
plt.ylabel('平均价差（元/吨）')
plt.grid(True, alpha=0.3)
plt.show()

你看，如果现在价差明显偏离了历史同期的平均水平，那可能就是一个交易机会。但要注意——季节性规律不是铁律，它只是给你一个参考框架。市场每年都会有一些特殊情况，比如政策变化、天气异常等，这些都会打破季节性规律。

避坑指南：我曾经在2018年做白糖的跨期套利，按照季节性规律做多价差，结果那年国家出台了抛储政策，价差直接崩了。从那以后，我每次做季节性交易之前，都会先看看今年有没有什么「意外因素」。

本章知识体系

下面这张图，是我自己整理的知识框架，帮你把本章内容串起来：

好了，价差分析的基础就这些。记住一句话：价差不是价格的影子，它有自己的生命。下一章我们会深入讲价差的统计套利模型，到时候这些基础知识都会用上。

📚 课程目录