第2章跨品种套利原理

跨品种套利原理：从定义到实战

跨品种套利，说白了就是利用两个相关品种之间的价格失衡来赚钱。我刚开始做量化时，总觉得这玩意儿比单品种交易复杂得多。后来发现，只要你理解了背后的逻辑，它反而比单边交易更稳当。

举个例子，螺纹钢和热卷，它们都是钢材，生产工艺相近，下游需求也高度重叠。正常情况下，它们的价格走势应该差不多。但有时候，螺纹钢突然涨得比热卷快，或者反过来。这时候，就出现了套利机会。

跨品种套利，是指同时买入一个品种、卖出另一个相关品种，从它们的价差回归中获利。注意，这里的关键词是「相关」。不相关的品种，比如螺纹钢和鸡蛋，你硬要做套利，那叫赌博。

我个人的习惯是，把跨品种套利分成两类：

你想想看，产业链套利更像是在赚「加工利润」的钱，而替代品套利赚的是「市场情绪偏差」的钱。两种逻辑不同，策略设计也不一样。

这里有个重要的分水岭。做跨品种套利，你首先要搞清楚自己走的是哪条路。

统计套利：纯粹看数据，不关心为什么。只要历史规律显示价差会回归，我就做。

基本面套利：要搞清楚背后的供需逻辑。比如，为什么螺纹钢和热卷的价差会拉大？是因为房地产开工率下降，还是汽车制造业需求旺盛？

我个人更倾向于两者结合。纯统计套利有个坑——你永远不知道价差什么时候会「不回归」。我在项目中遇到过，一个统计上看起来完美的套利对，突然就崩了，价差一去不回头。后来复盘发现，是因为产业政策变了，基本面逻辑已经不同。

所以我的建议是：先用基本面筛选套利对，再用统计方法确认入场时机。这样既有逻辑支撑，又有数据验证。

说到统计套利，就绕不开协整。很多新手把协整和相关性搞混，这是个大坑。

相关性高，不代表协整。举个例子，两个随机游走的序列，它们的相关性可能很高，但没有任何长期均衡关系。协整要的是：两个序列虽然各自随机游走，但它们的线性组合是平稳的。

数学上，如果两个时间序列 \(X_t\) 和 \(Y_t\) 都是 I(1)（一阶单整），但存在一个系数 \(\beta\)，使得：

Z_t = Y_t - β * X_t

这个 \(Z_t\) 是平稳的，那么 \(X_t\) 和 \(Y_t\) 就是协整的。\(\beta\) 就是协整系数，它代表了两个品种之间的长期均衡关系。

检验协整最常用的方法是 Engle-Granger 两步法：

如果残差是平稳的，就说明存在协整关系。嗯，这里要注意，ADF 检验的临界值要用 MacKinnon 的专用表，不能用标准的 Dickey-Fuller 表。我刚开始做的时候踩过这个坑，差点把不协整的当成协整。

实战小技巧：做协整检验时，样本量至少要有 200 个数据点。太少了，检验功效不够，容易犯第二类错误。

找到了协整对，接下来就是怎么识别套利机会。我一般用 Z-score 方法：

z = (当前价差 - 价差均值) / 价差标准差

当 |z| > 2 时，说明价差偏离了正常范围，可以考虑入场。当 z 回归到 0 附近时，平仓离场。

但这里有个细节——均值不是一成不变的。我建议用滚动窗口计算均值和标准差，窗口大小一般选 20 到 60 个交易日。太短了，噪声大；太长了，反应迟钝。

另外，入场阈值也不是固定的。我个人的经验是：

为什么要区分市场状态？因为波动率会变。高波动时，价差更容易走极端，阈值设低了容易被反复打脸。低波动时，价差回归快，阈值设高了可能错过机会。

避坑指南：我曾经在 2015 年股灾期间用固定阈值做套利，结果连续止损了 5 次。后来才意识到，极端行情下，历史统计规律会失效。所以我现在都会加一个「市场状态过滤器」，比如用 VIX 或者波动率指数来判断当前是否适合做套利。

下面这张图，是我自己梳理的跨品种套利知识框架。你可以把它当作一个检查清单，看看自己哪个环节还没搞透。

这张图把跨品种套利的两个核心分支都串起来了。左边是统计派的路子，右边是基本面派的路子。底部那个汇合点，就是我说的「两者结合」——用基本面逻辑筛选套利对，用统计方法确定入场时机。

最后说一句，做跨品种套利，最怕的就是「刻舟求剑」。历史规律有用，但不能迷信。市场在变，产业在变，你的模型也得跟着变。定期回测、定期重检协整关系，这是基本功。