4、配对选择策略：基本面驱动选择、统计驱动选择、流动性筛选、波动率筛选
做跨品种套利这么多年，我最大的体会是：选对配对，交易就成功了一半。很多人一上来就盯着价差图看，觉得哪个顺眼就做哪个。嗯，这其实挺危险的。我早期也犯过这种错，后来亏了几次才明白——配对选择是个系统工程，得从四个维度来把关。
今天我就把这四个维度掰开揉碎了讲给你听。说白了就是：基本面驱动、统计驱动、流动性筛选、波动率筛选。这四个东西，缺一个都不行。
核心观点：配对选择不是找两个走势相似的品种，而是找两个经济逻辑上相关、统计上稳定、交易上可行的品种。这三条缺一不可。
4.1 基本面驱动选择：先问自己，这两个品种为什么该一起动？
我个人习惯，做任何配对之前，先画一张逻辑图。比如螺纹钢和热卷，它们都跟房地产、基建高度相关。再比如豆粕和菜粕，都是饲料原料，替代性很强。这种逻辑关系，是配对能长期有效的基础。
为什么会这样？因为基本面驱动的配对，本质上是在交易产业逻辑。你想想看，如果两个品种在产业链上处于同一环节，或者互为替代品，它们的价差就会有一个合理的波动区间。超出这个区间，市场就会自动纠偏。
我在项目中遇到过这样一个案例：2019年，有人想做铁矿石和螺纹钢的配对。从统计上看，它们相关性确实高。但仔细一分析，铁矿石是原料，螺纹钢是成品，中间还有个焦炭和炼钢利润。这个配对其实是在交易钢厂利润，而不是单纯的价差回归。后来我建议他改成螺纹钢和热卷，逻辑更直接，效果也好得多。
基本面驱动的选择，我一般看三个东西：
- 产业链位置：两个品种是不是同一环节？比如豆油和棕榈油，都是食用油，替代性强。
- 驱动因素重叠度：它们受同样的宏观因素影响吗？比如铜和铝，都跟工业生产和基建相关。
- 供需结构相似性：它们的供给端和需求端是不是类似？比如焦煤和焦炭，一个上游一个下游，但逻辑上紧密相连。
我的小技巧：每次做配对前，先写一段话，解释为什么这两个品种的价差会回归。如果写不出来，说明这个配对逻辑不清晰，最好别碰。
4.2 统计驱动选择：让数据告诉你，它们是不是真的一起动
基本面逻辑有了，接下来就得用数据验证。统计驱动选择，说白了就是用数学工具检验两个品种的相关性和协整性。我常用的方法有两个：
4.2.1 相关性分析
这个最简单，算个皮尔逊相关系数就行。但我得提醒你，相关性高不代表能套利。我见过有人拿比特币和特斯拉做配对，相关性确实高，但那是市场情绪驱动的，不是基本面逻辑。一旦情绪反转，价差可能永远回不来。
我个人习惯，相关性至少要0.7以上，但也不能太高。超过0.95的，反而要小心——可能是伪相关。
4.2.2 协整检验
这个才是核心。协整检验告诉你，两个品种的价差是不是长期稳定的。我一般用Engle-Granger两步法，或者Johansen检验。代码很简单，但解读要小心。
# Python示例：Engle-Granger协整检验
import statsmodels.api as sm
import numpy as np
# 假设price1和price2是两个品种的价格序列
def cointegration_test(price1, price2):
# 第一步：回归
X = sm.add_constant(price1)
model = sm.OLS(price2, X).fit()
residuals = model.resid
# 第二步：对残差做ADF检验
adf_result = sm.tsa.stattools.adfuller(residuals)
p_value = adf_result[1]
return p_value < 0.05 # p值小于0.05，说明存在协整关系
# 使用示例
if cointegration_test(price1, price2):
print("这两个品种存在协整关系，可以做配对套利")
else:
print("小心！它们可能不是长期稳定的配对")避坑指南：我曾经遇到过一组品种，协整检验通过了，但实际交易时价差就是不回归。后来发现，是因为样本期选得太短，刚好赶上两个品种走势一致。所以，样本期至少要覆盖一个完整的市场周期，比如牛熊都包含。
4.3 流动性筛选：能进能出，才是好配对
这个点，很多人会忽略。你想想看，如果两个品种流动性不好，你建仓时滑点大，平仓时出不来，那再好的策略也是白搭。
我一般用三个指标来筛选流动性：
| 指标 | 说明 | 我的标准 |
|---|---|---|
| 日均成交量 | 过去20个交易日的平均成交量 | 至少10万手以上 |
| 买卖价差 | 当前盘口的买一卖一价差 | 不超过0.1% |
| 持仓量 | 总持仓量，反映市场深度 | 至少50万手以上 |
嗯，这里要注意：流动性不是一成不变的。比如临近交割月，很多品种的流动性会骤降。我建议只做主力合约，或者次主力合约。别碰那些冷门合约，哪怕价差再诱人。
我的经验：有一次我看中一个配对，价差已经到了历史极值，但流动性很差。我犹豫了一下，还是没做。结果第二天价差就回归了，但那个品种全天只成交了200手，根本进不去。所以，流动性是第一位的。
4.4 波动率筛选：价差不动，你就赚不到钱
最后一个维度，是波动率。你想想看，如果价差一直在一个很窄的区间里波动，那你的套利空间就很小，甚至不够覆盖交易成本。
我一般用价差的年化波动率来衡量。具体做法是：
- 计算价差序列的日收益率
- 计算日收益率的标准差
- 乘以sqrt(252)得到年化波动率
我个人习惯，年化波动率至少要10%以上。低于这个数，说明价差波动太小，不适合做套利。当然，也不能太高。超过50%的，说明价差极不稳定，风险太大。
# Python示例：计算价差波动率
import numpy as np
def calculate_spread_volatility(price1, price2):
# 计算价差
spread = price1 - price2
# 计算日收益率
daily_returns = spread.pct_change().dropna()
# 计算年化波动率
annual_vol = daily_returns.std() * np.sqrt(252)
return annual_vol
vol = calculate_spread_volatility(price1, price2)
if 0.1 <= vol <= 0.5:
print(f"价差年化波动率{vol:.2%}，适合做套利")
else:
print("波动率不合适，建议换配对")总结一下：配对选择策略，就是四个步骤——先看基本面逻辑，再用统计验证，然后检查流动性，最后评估波动率。每一步都不能省。我见过太多人，只看统计结果就冲进去，结果被流动性坑了，或者被波动率坑了。
好了，这一章的内容就到这里。记住，好的配对是成功的一半。下一章我们会讲具体的价差交易执行策略，到时候再细聊。