第二章 价差计算与数据获取：主力合约识别、近远月价差计算、数据源选择（Wind/天勤）、数据清洗

做跨期套利，说白了就是吃两个合约之间的价差波动。但有个前提——你得先把价差算对，把数据搞干净。这一步要是糊弄过去，后面策略再牛也是白搭。我见过太多人，策略回测曲线漂亮得像假的一样，一上实盘就崩，十有八九是数据源或者价差计算出了问题。

2.1 主力合约识别——别搞错交易对象

跨期套利的第一步，是搞清楚哪个合约是主力。你想想看，如果拿一个流动性枯竭的合约去跟主力合约配对，滑点都能把你吃破产。

主力合约的定义：通常我们取持仓量最大的那个合约。成交量也可以，但我个人习惯用持仓量——它更能反映资金沉淀的深度。

我在项目中遇到过一个问题：换月期间，主力合约会从近月跳到远月。如果你不做平滑处理，价差序列会出现一个巨大的跳空缺口。嗯，这里要注意——换月日前后，价差数据要特别处理，要么对齐到同一个合约对，要么做滚动调整。

# 伪代码：主力合约识别逻辑
def find_main_contract(data):
    # data 是某品种所有合约的持仓量DataFrame
    main = data.loc[data.groupby('date')['open_interest'].idxmax()]
    return main[['date', 'contract', 'close']]

2.2 近远月价差计算——公式很简单，坑不少

价差 = 近月合约价格 - 远月合约价格。就这么简单？嗯，表面上是这样。但实际做的时候，有几个细节你绕不开。

价差类型	计算公式	适用场景
简单价差	P_near - P_far	同品种、同交易所
比例价差	(P_near - P_far) / P_near	价格水平差异大时
对数价差	ln(P_near) - ln(P_far)	统计建模时常用

我个人习惯用简单价差，直观好理解。但如果你做的是股指期货或者国债期货，比例价差可能更合适——因为价格本身会随时间漂移。

2.3 数据源选择——Wind还是天勤？

做量化交易，数据源就是你的弹药库。选错了，后面全白干。

• Wind：老牌金融终端，数据全、质量高。但贵，一年几万块。适合机构用户。
• 天勤：新兴的量化数据平台，API友好，Python直接调。免费版够用，付费版也不贵。适合个人和中小团队。

我自己的经验是：如果做高频或者日内套利，Wind的Tick数据更靠谱。如果做日线级别的跨期套利，天勤完全够用，而且代码写起来舒服很多。

# 天勤获取主力合约数据示例
from tqsdk import TqApi

api = TqApi()
# 获取螺纹钢主力连续合约
klines = api.get_kline_serial("SHFE.rb0000", 86400, data_length=500)
print(klines[['close', 'open_interest']])

2.4 数据清洗——脏数据是策略的隐形杀手

数据清洗听着枯燥，但它是整个策略的基石。我见过有人用没清洗的数据跑回测，年化收益30%，实盘直接亏到怀疑人生。为什么？因为数据里有跳空、有缺失、有异常值，回测时这些都被当成了交易机会。

清洗步骤：

1. 缺失值处理：如果某天某个合约没有交易，用前一天的收盘价填充，或者直接删除该天的价差数据。
2. 异常值检测：价差突然偏离3个标准差以上，大概率是数据错误。我习惯用滚动窗口的Z-score来检测。
3. 换月跳空处理：主力合约切换时，价差会有一个不自然的跳变。需要做后复权或者直接分段处理。

# 数据清洗示例：滚动Z-score检测异常价差
import pandas as pd
import numpy as np

def clean_spread(spread_series, window=20, threshold=3):
    rolling_mean = spread_series.rolling(window).mean()
    rolling_std = spread_series.rolling(window).std()
    z_scores = (spread_series - rolling_mean) / rolling_std
    # 标记异常值
    spread_series[z_scores.abs() > threshold] = np.nan
    # 向前填充
    spread_series.fillna(method='ffill', inplace=True)
    return spread_series

2.5 知识体系总览

下面这张图，是我做跨期套利数据准备阶段的核心流程。你照着这个走，基本不会漏掉关键步骤。

数据准备这一步，说白了就是打地基。地基不稳，楼盖得再高也得塌。我建议你每次拿到新数据，先花10分钟做一遍可视化检查——画个价差曲线，看看有没有异常跳点，有没有缺失区间。这10分钟，能帮你省下后面10小时的debug时间。