第一章：季节性规律概述
商品期货的季节性特征
做跨期套利这么多年，我越来越觉得季节性是个好东西。说白了，商品期货的价格波动，很大程度上是跟着自然规律走的。你想想看，农产品什么时候播种、什么时候收获，能源品什么时候需求旺，这些都有固定的时间窗口。
我刚开始做套利那会儿，总觉得季节性就是个玄学。直到有一次，我在做豆粕的跨期套利时，发现每年6-8月价差总会走出一波规律性的行情。后来一查，原来是美豆种植季的天气炒作。嗯，从那以后，我再也不敢小看季节性了。
商品期货的季节性特征，主要分三类：
- 生产季节性：农产品最典型。比如大豆，南美和北美轮流收割，供应量跟着季节走
- 消费季节性：能源品最明显。冬天取暖用油，夏天开车用汽油，需求曲线一目了然
- 库存季节性：这个我习惯看库存报告。库存高的时候，近月合约往往承压
核心观点：季节性不是预测价格涨跌，而是告诉你「什么时候该关注什么品种」。它是个概率工具，不是水晶球。
季节性指数的构建方法
光说季节性特征不够，得量化。我个人习惯用季节性指数来刻画这个规律。怎么构建？其实不复杂。
第一步：收集历史数据
至少5年以上的日度价格数据。我建议用主力连续合约，别用具体月份合约，不然换月跳空会把你搞疯。
第二步：计算每日价格变化
用对数收益率，这样数据更平稳。公式很简单：
r_t = ln(P_t / P_{t-1})第三步：按日历日对齐
把每年的同一天放在一起。比如1月1日，2019、2020、2021...全部取出来，算个平均值。
第四步：累加得到季节性指数
从年初开始，把平均收益率累加起来。这样你就得到了一条从1月1日到12月31日的曲线。
实战技巧：我一般会剔除极端年份的数据。比如2020年疫情那波，原油跌到负值，这种异常值会严重扭曲季节性规律。我曾经吃过这个亏，后来学乖了。
下面是我用Python写的一个简单实现：
import pandas as pd
import numpy as np
def build_seasonal_index(price_data):
# price_data: DataFrame, 索引为日期, 列为价格
# 计算对数收益率
returns = np.log(price_data / price_data.shift(1))
# 提取月份-日信息
returns['month_day'] = returns.index.strftime('%m-%d')
# 按月份-日分组求平均
seasonal_avg = returns.groupby('month_day')['close'].mean()
# 累加得到季节性指数
seasonal_index = seasonal_avg.cumsum()
return seasonal_index代码看着简单，但实际用的时候要注意几个坑。比如节假日跳空、非交易日对齐问题。我建议用交易日序号代替日历日，这样更准确。
如何识别季节性拐点
季节性指数做出来了，关键是怎么用。我个人最关注的是拐点——也就是季节性规律开始反转的位置。
识别拐点，我一般看三个信号：
- 斜率变化：季节性指数从上升转为下降，或者反过来。这个用一阶导数就能看出来
- 历史分位数：当前值处于历史同期的高位还是低位。如果到了90%分位数以上，反转概率大增
- 基本面验证：季节性信号出来了，还得看看基本面是否配合。比如库存是不是真的开始累库了
避坑指南：我曾经在2018年做螺纹钢的季节性套利，看到季节性指数显示9月要涨，结果一路做多一路亏。后来复盘发现，那年环保限产政策突然放松，季节性规律被政策面完全覆盖了。记住，季节性只是概率，不是铁律。
下面这张图是我自己常用的季节性分析框架：
这个框架我用了好几年，核心逻辑就是：数据 → 指数 → 拐点 → 决策。每一步都有对应的量化方法，不是拍脑袋。
识别拐点的时候，我习惯用移动平均线来平滑季节性指数。比如用20日均线，当指数上穿均线时，说明季节性开始走强；下穿时，说明走弱。这个信号比单纯看指数本身更可靠。
一个小技巧：别只看一个品种的季节性。我一般会把相关品种放在一起看。比如做豆粕套利，同时看大豆和豆油的季节性。三者联动，信号更稳。
最后说一句，季节性分析不是万能药。它是个很好的起点，但绝不是终点。真正赚钱的套利策略，一定是季节性、基本面、技术面三者共振的结果。这个道理，我花了三年才真正想明白。