2. 品种选择与配对逻辑：产业链逻辑、替代效应、统计相关性筛选
做跨品种价差交易，第一步不是跑代码，而是选对「搭档」。
我见过太多人上来就搞一堆统计检验，结果配对出来的品种八竿子打不着。行情一来，价差直接脱缰，根本拉不回来。说白了，统计只是工具，逻辑才是根基。
2.1 产业链逻辑：上下游的「血脉关系」
产业链逻辑是最硬的逻辑。上下游品种之间，成本传导是刚性的。
举个例子，焦煤→焦炭→螺纹钢这条链。焦煤是焦炭的原料，焦炭又是炼钢的核心燃料。焦煤涨价，焦炭成本必然上升；焦炭涨价，钢厂成本承压，螺纹钢价格也会跟涨。这种传导关系，不是统计算出来的，是生产工艺决定的。
核心原则： 优先选择产业链上直接相邻的品种。比如豆油和豆粕（同源压榨）、PTA和乙二醇（聚酯产业链）、铁矿石和螺纹钢（炼钢上下游）。
我个人习惯，拿到一个新品种，先画它的产业链地图。从最上游的矿石、原油，到中游的加工品，再到下游的终端产品。然后找那些「成本占比高、替代性弱」的环节。
避坑指南： 我曾经在2018年做过「动力煤→甲醇」的配对。逻辑上煤制甲醇占比很高，但忽略了天然气制甲醇和进口甲醇的冲击。结果动力煤涨了，甲醇反而跌了。后来我才意识到，产业链逻辑要看「边际成本」，不是「平均成本」。
2.2 替代效应：同品类里的「兄弟阋墙」
替代效应，说白了就是两个东西能互相替换。你贵了，我就用便宜的。
这类配对，价差通常有明确的上下界。因为一旦价差拉得太大，下游用户就会切换原料，把价差拉回来。
典型的例子：
- 豆粕 vs 菜粕：都是蛋白饲料原料，价差太大时饲料厂会调整配方
- 热卷 vs 螺纹钢：同为板材，部分产线可以切换
- LLDPE vs PP：同为塑料，下游应用有重叠
做替代效应配对，关键要关注替代弹性。弹性越大，价差回归越强。我一般会看两个指标：
- 价差的历史分位数——当前价差处于什么位置
- 价差的波动率——波动率越低，套利空间越稳定
注意： 替代效应不是永恒的。2019年之后，豆粕和菜粕的价差结构发生了根本变化，因为国内养猪业对豆粕的依赖度在下降。所以每隔半年要重新评估一次，别拿三年前的逻辑套现在的行情。
2.3 统计相关性筛选：用数据「验货」
逻辑选好了，接下来用统计方法「验货」。这一步不是选品种，而是验证逻辑是否成立。
我常用的筛选流程：
| 步骤 | 方法 | 说明 |
|---|---|---|
| 1 | Pearson相关系数 | 快速筛选，要求 r > 0.7 |
| 2 | 协整检验（Engle-Granger） | 检验长期均衡关系，p < 0.05 |
| 3 | 价差平稳性检验（ADF） | 价差序列是否均值回归 |
| 4 | 半衰期计算 | 价差偏离后多久回归，一般选 5-20 天 |
代码示例（Python）：
import statsmodels.api as sm
from statsmodels.tsa.stattools import coint, adfuller
# 假设 price_a, price_b 是两品种的日线收盘价
score, pvalue, _ = coint(price_a, price_b)
print(f'协整检验 p-value: {pvalue:.4f}')
# 计算价差
spread = price_a - price_b * (price_a.mean() / price_b.mean())
adf_result = adfuller(spread)
print(f'价差ADF检验 p-value: {adf_result[1]:.4f}')这里有个坑：高相关性 ≠ 高协整。我见过相关系数0.95的品种，协整检验就是不通过。为什么？因为相关性只反映同向变动，而协整要求价差稳定。两个品种一起涨跌，但价差越拉越大，这种配对做不了。
我的经验： 先跑逻辑筛选，再跑统计验证。逻辑上说不通的，统计再好看也别碰。反过来，逻辑上很硬的，统计上稍微弱一点（比如p值0.08），也可以纳入观察池，等条件成熟再入场。
2.4 知识体系框架
下面这张图，是我自己整理的一套筛选流程。每次做新配对，我都会走一遍：
这张图的核心思想就一句话：先有逻辑，后有统计。产业链和替代效应是「道」，统计方法是「术」。道对了，术才有意义。
最后提醒： 品种配对不是一劳永逸的。市场结构在变，政策在变，产业链格局也在变。我每季度会重新跑一遍筛选流程，把那些「逻辑已经失效」的配对剔除出去。保持动态更新，才能持续赚钱。
公众号：蓝海资料掘金营，微信 deep3321