3. 价差计算与标准化：价差公式、Z-score、滚动窗口标准化

好，咱们进入第三个核心环节。价差计算与标准化。

说实话，很多新手做跨品种套利，上来就盯着价格差看。价格差涨了，做空；价格跌了，做多。结果呢？亏得莫名其妙。为什么？因为价格本身是有趋势的，两个品种的价格水平可能差好几倍，直接相减得到的价差，根本没法用。

我早年做螺纹钢和热卷的套利时，就吃过这个亏。螺纹钢每吨3000多，热卷每吨3200多，价差200块。后来螺纹涨到5000，热卷涨到5200，价差还是200。但你能说套利机会一样吗？显然不能。因为波动率变了，绝对价差的含义完全变了。

所以，价差必须标准化。今天咱们就聊透这件事。

3.1 价差公式：从原始价差到对数价差

先看最基础的价差公式。

假设你有两个品种，价格序列分别是 P1 和 P2。最简单的价差就是直接相减：

spread = P1 - P2

这个公式在什么情况下能用？我个人的经验是：只有当两个品种的价格水平长期稳定在同一个数量级，且波动率相对稳定时，才勉强能用。比如同一交易所的同一板块品种，像豆粕和菜粕，价格都在3000-4000之间晃悠，直接相减问题不大。

但更多时候，咱们需要的是对数价差：

spread = log(P1) - log(P2) = log(P1 / P2)

为什么用对数？说白了，对数价差衡量的是两个品种的相对比例关系，而不是绝对差值。你想想看，P1=100，P2=90，价差是10；P1=1000，P2=990，价差还是10。但这两个场景的套利意义完全不同。对数价差就能消除这种量纲影响。

我在做股指期货和ETF套利时，一直用对数价差。因为IF合约和ETF的价格水平差很多，直接相减根本没法看。用对数价差后，信号稳定多了。

3.2 Z-score：让价差变得可比较

好，价差算出来了。但问题又来了：不同时间段的价差，波动幅度不一样。怎么判断当前价差是偏高还是偏低？

答案是Z-score。

Z-score的公式很简单：

z = (当前价差 - 价差均值) / 价差标准差

它告诉你：当前价差偏离均值多少个标准差。z=2，意味着当前价差比均值高两个标准差，属于极端情况。z=-1.5，意味着比均值低1.5个标准差。

我一般用±2作为阈值。z>2，做空价差；z<-2，做多价差。当然，这个阈值可以调，后面讲参数优化时会细说。

但这里有个坑——均值和标准差怎么算？

如果你用全量历史数据算，那均值和标准差是固定的。但市场在变，固定参数很快会失效。我见过有人用过去5年的数据算Z-score，结果最近一年市场结构变了，Z-score天天在±3以上晃悠，信号完全乱套。

所以，咱们需要滚动窗口。

3.3 滚动窗口标准化：让参数自适应

滚动窗口标准化，说白了就是：只取最近N个数据点，计算均值和标准差，然后算Z-score。

公式长这样：

窗口内均值 = mean(spread[-N:])
窗口内标准差 = std(spread[-N:])
滚动Z-score = (当前价差 - 窗口内均值) / 窗口内标准差

N怎么选？我个人的经验是：

• 短线套利（日内或隔夜）： N=20到60，相当于1-3个月的数据
• 中线套利（几周到几个月）： N=60到120，相当于3-6个月
• 长线套利（半年以上）： N=120到250，相当于半年到一年

我曾经在原油和燃料油的套利中，试过N=10。结果呢？窗口太小，均值和标准差跟着价格乱跳，Z-score频繁触发信号，手续费都亏光了。后来改成N=60，信号稳定多了。

嗯，这里要注意：滚动窗口的N值，本质上是一个平滑参数。N越小，对市场变化反应越快，但噪声也越大。N越大，信号越平滑，但可能滞后。

下面这张图，展示了滚动窗口标准化的核心逻辑：

3.4 实战中的避坑指南

讲几个我踩过的坑。

坑一：窗口内数据不足。 刚启动策略时，滚动窗口里可能只有几个数据点。这时候算出来的均值和标准差极不稳定。我建议：窗口数据少于N/2时，不产生交易信号。

坑二：极端值污染。 如果窗口内出现一个极端价差（比如数据错误或突发事件），它会拉高标准差，导致后续的Z-score偏小，信号被压制。我曾经在橡胶和20号胶的套利中遇到过，一个异常数据让Z-score连续一周没出信号。解决办法：对窗口内的价差做截尾处理，去掉最大和最小的5%。

坑三：参数过拟合。 滚动窗口的N值，不要用历史数据来回测到最优。因为最优N值往往是对历史噪声的过拟合。我一般用N=60作为默认值，然后根据品种波动特性微调，不会为了追求回测收益去死磕参数。

3.5 代码实现示例

最后，给一段Python代码。这是我在实盘中用过的简化版：

import numpy as np
import pandas as pd

def rolling_zscore(spread, window=60):
    """
    滚动窗口Z-score计算
    spread: 价差序列（建议用对数价差）
    window: 滚动窗口大小
    """
    # 计算滚动均值和标准差
    rolling_mean = spread.rolling(window=window, min_periods=window//2).mean()
    rolling_std = spread.rolling(window=window, min_periods=window//2).std()
    
    # 计算Z-score
    zscore = (spread - rolling_mean) / rolling_std
    
    # 数据不足时不产生信号
    zscore[:window//2] = np.nan
    
    return zscore

# 使用示例
# spread = log(P1) - log(P2)
# z = rolling_zscore(spread, window=60)
# 当z > 2时，做空价差；当z < -2时，做多价差

这段代码里，我用了 min_periods=window//2，意思是窗口数据至少达到一半才开始计算。这就是刚才说的避坑措施。

好了，价差计算与标准化就聊到这儿。核心就三句话：用对数价差、用Z-score、用滚动窗口。把这三点吃透了，跨品种套利的信号质量能上一个台阶。