第四章 季节性图表分析：从数据到决策

做跨品种套利，图表就是我们的眼睛。

很多人一上来就盯着K线看，觉得价格涨跌就是一切。但我告诉你，季节性规律才是真正的“暗线”。它藏在价格背后，每年都重复上演。今天我就带你把这层窗户纸捅破。

4.1 季节性走势图：最直观的“年轮”

什么叫季节性走势图？说白了，就是把过去几年的价格数据，按月份叠在一起画出来。

我习惯用5年的数据。太短了，偶然性太大；太长了，市场结构可能都变了。

怎么画？其实很简单：

1. 取过去5年每个月的收盘价
2. 把每年1月到12月的价格连成一条线
3. 5条线叠在一起，你就看到了“年轮”

我举个例子。你看豆粕和菜粕的价差走势图：

# 伪代码示例：生成季节性走势图
import pandas as pd
import matplotlib.pyplot as plt

# 假设df是历史数据，包含日期和价差
df['month'] = df['date'].dt.month
df['year'] = df['date'].dt.year

for y in df['year'].unique():
    yearly_data = df[df['year'] == y]
    plt.plot(yearly_data['month'], yearly_data['spread'], label=str(y))

plt.legend()
plt.show()

嗯，这里要注意：别直接用价格，要用相对值。比如把每年1月的价格设为100，后面的月份按比例缩放。不然不同年份的价格水平不一样，画在一起没法比。

4.2 季节性指数图：把规律“归一化”

季节性走势图有个问题——不同年份的价格水平差太多。比如2018年豆粕3000元/吨，2022年涨到4500，你直接画在一起，2018年的线就压扁在下面了。

这时候就需要季节性指数图。它把每年的数据都“归一化”到同一个基准上。

计算方法：

1. 取每年1月的价格为基准值（设为100）
2. 后面每个月的价格 = 当月价格 / 1月价格 × 100
3. 然后计算所有年份的均值

你想想看，这样处理之后，不管价格是3000还是4500，都变成了围绕100波动的指数。我们就能清楚地看到：每年几月价格最强？几月最弱？

我曾经在菜油和棕榈油的价差上吃过亏。当时只看走势图，觉得价差已经很低了，应该反弹。结果一算季节性指数，发现每年这个时候价差都在低位，而且还要再跌一个月。嗯，从那以后，我每次做套利前，必看季节性指数。

4.3 季节性价差图：套利的“圣杯”

前面两种图都是看单个品种。但我们是做套利的，价差才是我们的核心。

季节性价差图，就是把两个品种的价差（比如豆粕-菜粕）按季节性走势画出来。做法和前面一样，只是把“价格”换成“价差”。

图表类型	数据来源	用途
季节性走势图	单个品种价格	看价格每年的波动节奏
季节性指数图	归一化后的价格	消除价格水平差异，看相对强弱
季节性价差图	两个品种的价差	直接用于套利决策

我个人最常用的是季节性价差图。为什么？因为它直接告诉你：现在价差处于历史同期什么位置。

比如豆粕和菜粕的价差，每年4-5月往往走扩，因为豆粕需求旺季来了。如果你在3月看到价差处于历史低位，那就是做多价差的好机会。

4.4 如何解读季节性图表：三步法

图表画出来了，怎么读？我总结了一个三步法：

1. 看趋势方向：价差是向上走还是向下走？比如每年6-8月，豆粕-菜粕价差往往走扩。
2. 看波动幅度：历史同期价差波动多大？如果波动很小，说明规律稳定；波动大，就要小心。
3. 看当前位置：现在的价差处于历史同期的什么百分位？低于25%分位是低估，高于75%分位是高估。

举个例子。假设现在是3月，豆粕-菜粕价差是500元/吨。你打开季节性价差图：

• 历史同期价差均值是600元/吨
• 25%分位是450，75%分位是750
• 当前500处于偏低位置
• 历史趋势显示4-5月价差往往走扩

那结论就很清楚了：做多价差，目标看到700以上。

4.5 知识体系总览

下面这张图，把季节性图表分析的核心逻辑串起来了。你看一遍，应该就能记住：

你看，从数据到图表，再到解读和应用，其实就这三步。我刚开始做套利时，总觉得季节性分析很玄乎。后来发现，说白了就是找规律、用规律。就像农民知道春种秋收一样，我们做套利的，也要知道每年什么时候该做什么品种。

记住一句话：季节性图表不是预测未来的水晶球，而是帮你提高胜率的概率工具。用好了，它就是你的“套利地图”；用不好，它就是一张废纸。