第三章 基差交易的核心逻辑

基差交易，说白了就是赌价差会回归。

很多人一听到「基差」就觉得高深，其实没那么玄乎。我做了十几年交易，见过太多人把简单问题复杂化。今天咱们就把这层窗户纸捅破。

3.1 基差回归原理

基差 = 现货价格 - 期货价格。

这个公式看起来简单，但背后的逻辑很有意思。为什么基差会回归？因为现货和期货本质上是一回事——同一批货物，只是交货时间不同。

举个例子：

• 今天铜现货 70000 元/吨
• 一个月后交割的期货 70500 元/吨
• 基差 = -500 元（现货贴水）

为什么会贴水？可能是近期供应宽松，远期看涨。但不管什么原因，到了交割月，基差必须归零。因为你可以买入现货、卖出期货，然后交割赚差价。这就是基差回归的底层逻辑——无风险套利的力量。

我个人习惯把基差回归分成三种类型：

类型	特征	典型品种
确定性回归	临近交割，基差必然归零	所有商品期货
统计性回归	基差在某个区间内波动	股指期货、国债期货
事件驱动回归	突发事件导致基差偏离后快速修复	农产品、能源

3.2 统计套利思想

统计套利，说白了就是「赌大概率事件」。

你想想看，如果基差的历史均值是 100，现在变成了 300，那它大概率会回到 100 附近。这不是算命，是统计学告诉我们的规律。

我在项目中遇到过这样一个案例：

2019 年螺纹钢的基差长期在 -50 到 +150 之间波动。有一天基差突然飙到 +280，很多人慌了，觉得市场变了。我当时的判断是：偏离均值超过 2 个标准差，就是机会。结果三天后基差回到 +120，我们赚了 160 个点。

这里要注意：统计套利不是无风险套利。它赌的是「大概率」，但小概率事件一旦发生，亏损可能很大。所以我一直强调——止损必须设，而且不能手软。

3.3 均值回归策略

均值回归策略，是统计套利思想的具体实现。

简单来说就是：基差高了就做空基差（卖现货买期货），基差低了就做多基差（买现货卖期货）。

我给大家一个简单的策略框架：

# 伪代码示例
def mean_reversion_strategy(data):
    # 计算基差
    basis = data['spot'] - data['futures']
    
    # 计算均值和标准差
    mean = basis.rolling(20).mean()
    std = basis.rolling(20).std()
    
    # 生成信号
    if basis > mean + 2 * std:
        return 'short_basis'  # 做空基差
    elif basis < mean - 2 * std:
        return 'long_basis'   # 做多基差
    else:
        return 'no_trade'

这个框架看着简单，但实际交易中坑很多。我曾经吃过一次大亏：

2020 年原油暴跌那波，基差从 -5 美元直接崩到 -30 美元。按统计套利的逻辑，应该做多基差。但问题是——市场结构变了。疫情导致库存爆满，仓储成本飙升，基差的新均衡点就是 -20 美元。如果还按历史均值做，会亏得很惨。

3.4 价差交易与基差交易的区别

很多人分不清价差交易和基差交易，我直接说结论：

• 基差交易：现货 vs 期货，同一品种，不同时间
• 价差交易：期货 vs 期货，同一品种或相关品种，不同合约

举个例子你就明白了：

交易类型	具体操作	风险特征
基差交易	买入现货 + 卖出期货	需要处理现货仓储、物流
价差交易	买入近月合约 + 卖出远月合约	纯期货交易，流动性好

我个人更倾向于价差交易，因为操作简单、流动性好。但基差交易有一个无可替代的优势——交割保证。如果你做的是临近交割的基差交易，回归几乎是确定的。

嗯，这里要注意：很多新手把价差交易当成基差交易的替代品，这是不对的。两者的逻辑不同：

• 基差交易的核心是「交割回归」
• 价差交易的核心是「期限结构」

你想想看，如果两个合约的价差很大，它不一定回归。比如远月合约因为通胀预期一直升水，价差可能越拉越大。但基差不一样，到了交割月，它必须归零。

下面这张图能帮你理清思路：

最后说一句：不管是基差交易还是价差交易，核心都是理解价差的驱动因素。不要只看数字，要看数字背后的供需逻辑。这是我十几年交易下来最深的体会。