第2章价差计算与图表分析

第2章：价差计算与图表分析

各位同学，今天我们来聊聊价差交易中最核心的两个动作——怎么算价差，怎么看图。我做了这么多年量化，发现很多人一上来就搞复杂模型，结果连最基本的价差图都画不对。嗯，咱们先把地基打牢。

2.1 价差的计算公式

价差，说白了就是两个品种价格之间的差值。但这里有个坑——你选哪个减哪个？

我个人习惯用这个公式：

价差 = 品种A价格 - 品种B价格 × 合约乘数比

为什么要乘合约乘数比？举个例子，螺纹钢和热卷，一手都是10吨，那乘数比就是1:1。但如果是股指期货IF和IC，乘数就不一样了，得调整。

我在项目中遇到过最典型的错误：有人直接拿价格相减，结果价差序列看起来有趋势，其实只是合约乘数没对齐。你想想看，这会导致什么后果？均值回归策略直接失效。

核心公式：

标准化价差 = (P_A - β × P_B) / σ

其中β是协整系数，σ是标准差。这个公式能帮你把不同量纲的品种拉到同一尺度上比较。

2.2 价差图的绘制方法

画价差图，我建议用两种方式：

简单价差图：直接画价差的时间序列，适合肉眼观察
滚动价差图：用过去N天的均值做基准，画偏离程度

这里我给大家画一张知识结构图，把价差分析的整个逻辑串起来：

画图的时候，我建议用Python的matplotlib，代码大概长这样：

import matplotlib.pyplot as plt
import numpy as np

# 计算滚动均值
window = 20
spread = price_a - beta * price_b
rolling_mean = spread.rolling(window).mean()
rolling_std = spread.rolling(window).std()

# 画图
plt.figure(figsize=(12, 6))
plt.plot(spread, label='价差', color='blue')
plt.plot(rolling_mean, label='滚动均值', color='red', linestyle='--')
plt.fill_between(range(len(spread)), 
                 rolling_mean - 2*rolling_std,
                 rolling_mean + 2*rolling_std,
                 alpha=0.2, color='gray')
plt.legend()
plt.title('价差与布林带')
plt.show()

我的小技巧：画图时把均值线和上下两倍标准差线都标出来。这样一眼就能看出价差是否偏离到了极端位置。我曾经靠这个图抓到了一波螺纹钢和热卷的套利机会，三天赚了2.3%。

2.3 均值回归与趋势跟踪

价差交易有两种主流思路：

均值回归：价差偏离均值后，预期它会回来。适合波动率稳定的品种对。
趋势跟踪：价差走出趋势后，预期它会继续。适合有基本面驱动的品种对。

怎么判断用哪种？我一般看价差的自相关函数。如果自相关衰减很快，说明是均值回归；如果自相关持续为正，说明有趋势。

注意：千万别在趋势行情里做均值回归！我见过有人看到价差偏离了2个标准差就进场，结果趋势持续了两个月，亏得底裤都不剩。嗯，那个人就是我早期带的一个实习生。

2.4 价差统计特征

做价差交易前，我建议先算清楚这几个统计量：

统计量	含义	阈值参考
均值	价差的长期均衡水平	随时间变化，需滚动计算
标准差	价差的波动幅度	2倍标准差作为开仓阈值
偏度	价差分布是否对称	绝对值大于1需警惕
峰度	价差是否有厚尾	大于3说明极端值多
ADF检验	价差是否平稳	p值小于0.05才可用

这里有个坑——很多人只看均值回归，不看平稳性。你想想看，如果价差序列本身就不平稳，那均值回归策略就是刻舟求剑。

我个人习惯，拿到价差数据后先做三件事：

画价差图，肉眼看看有没有明显趋势
算ADF检验，确认平稳性
算滚动均值和标准差，确定开仓阈值

这三步走完，心里就有底了。剩下的就是执行和风控。

避坑指南：我曾经在橡胶和20号胶的价差上吃过亏。当时ADF检验显示平稳，但实际交易中价差突然跳空，原因是两个品种的合约规则不一样。所以，统计特征只是参考，还得结合基本面。

好了，价差计算和图表分析就讲到这里。记住，工具是死的，人是活的。多看图，多算数，慢慢你就会有感觉。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录