一、基差交易与统计套利概述
基差交易，说白了就是利用现货和期货之间的价差来赚钱。我刚开始接触这个领域时，总觉得它很神秘，后来做了几年实盘才发现——核心逻辑其实很简单。
1.1 什么是基差？
基差（Basis）的定义非常直接：
举个例子。假设螺纹钢现货价格是3800元/吨，期货主力合约价格是3750元/吨。那么基差就是50元/吨。正基差意味着现货比期货贵，负基差则相反。
嗯，这里要注意：基差不是固定的。它会随着时间、市场情绪、供需关系不断变化。我见过最夸张的一次，某品种基差在一天之内从+200变成了-150，直接干爆了好几个账户。
1.2 市场背景：为什么基差交易会存在？
你想想看，如果期货价格永远等于现货价格，那基差交易就没得玩了。但现实世界不是这样的。
基差存在的原因主要有三个：
- 持有成本：仓储费、资金利息、保险费等，这些都会体现在期货价格里
- 供需错配：比如农产品收获季节，现货供应充足，期货可能更贵
- 市场情绪：恐慌时期货跌得比现货快，乐观时期货涨得比现货猛
我个人习惯把基差想象成一根橡皮筋。它会被各种力量拉长或压缩，但最终会回归到某个合理区间。这就是我们赚钱的基础。
1.3 核心逻辑：统计套利如何应用于基差交易？
统计套利的本质，就是利用历史数据找到价差的统计规律，然后赌它回归。
具体到基差交易，核心逻辑分三步：
- 建模：用历史数据计算基差的均值、标准差、分布特征
- 识别：当基差偏离到某个极端位置（比如2倍标准差），触发交易信号
- 回归：做多被低估的一方，做空被高估的一方，等待价差回归
我曾经在2019年做过一个铜的基差策略。当时基差连续三天超过历史99%分位数，我果断入场。结果第四天基差就回归了，一周赚了3.2%。
1.4 盈利模式：基差交易的几种常见玩法
基差交易的盈利模式，我总结为三种：
| 模式 | 操作方式 | 风险特征 |
|---|---|---|
| 正向套利 | 基差过大时，买现货卖期货 | 低风险，但需要现货渠道 |
| 反向套利 | 基差过小时，卖现货买期货 | 中等风险，融券成本高 |
| 统计套利 | 基于模型做回归交易 | 高风险高收益，需要风控 |
我个人最常用的是第三种——统计套利。因为它不需要实际持有现货，纯期货交易，流动性好，进出方便。
但注意，统计套利不是无脑做回归。你需要考虑：
- 基差的波动率是否稳定？
- 回归的时间周期是多长？
- 极端行情下会不会爆仓？
1.5 知识体系框架
下面这张图，是我做基差交易多年总结出来的知识体系。你可以把它当作整个课程的地图：
1.6 一个简单的基差计算示例
光说不练假把式。我们来看一段Python代码，计算某品种的基差并判断是否触发交易信号：
import numpy as np
import pandas as pd
# 模拟数据：现货和期货价格
spot_prices = np.array([3800, 3810, 3820, 3790, 3780])
futures_prices = np.array([3750, 3765, 3780, 3760, 3740])
# 计算基差
basis = spot_prices - futures_prices
print("基差序列:", basis)
# 计算统计指标
mean_basis = np.mean(basis)
std_basis = np.std(basis)
z_score = (basis[-1] - mean_basis) / std_basis
print(f"基差均值: {mean_basis:.2f}")
print(f"基差标准差: {std_basis:.2f}")
print(f"最新Z-score: {z_score:.2f}")
# 交易信号判断
if abs(z_score) > 2:
print("触发交易信号！基差偏离超过2倍标准差")
if z_score > 0:
print("建议：做空基差（卖现货买期货）")
else:
print("建议：做多基差（买现货卖期货）")
else:
print("基差在正常范围内，观望")
这段代码虽然简单，但已经包含了统计套利的核心思想。我刚开始做量化时，就是用类似的逻辑跑通了第一个策略。虽然赚得不多，但那种感觉——嗯，真的很爽。
好了，基差交易与统计套利的基本概念就讲到这里。后面的章节，我们会一步步深入，从数据获取到策略实现，再到实盘部署。每一步我都会分享实战中踩过的坑和总结的经验。