第4章基差计算引擎

第4章：基差计算引擎：Python实现基差实时计算、主力合约自动识别与切换、跨期价差与跨品种价差

各位同学，欢迎来到基差交易实战的核心环节。前面我们聊了基差的定义、逻辑，还有那些让人头疼的细节。但说一千道一万，最终都得落到代码上。这一章，我们就来亲手搭建一个基差计算引擎。

我个人习惯把这类工具叫做“引擎”，因为它得24小时运转，自动处理各种脏活累活。你想想看，手动算基差？那效率太低了，而且容易出错。尤其是主力合约切换那几天，一个不留神，你的数据就全乱了。

核心目标： 构建一个能自动获取行情、识别主力、计算基差、并处理合约切换的Python模块。

4.1 主力合约自动识别：别让“旧合约”坑了你

做基差交易，第一件事就是搞清楚：当前市场上，哪个合约说了算？

主力合约，说白了就是成交量最大、持仓量最大的那个合约。它流动性最好，滑点最小，也最能代表市场情绪。我见过不少新手，拿着一个冷门合约的基差数据做分析，结果跟实际走势完全对不上——嗯，这里要注意，冷门合约的报价经常失真。

那么，怎么用Python自动识别主力合约呢？

我的做法很简单：取每个品种所有上市合约的持仓量，排序，取第一。 但这里有个坑——有些合约刚上市，持仓量很小，但成交量突然放大，这时候要不要切换？

我曾经在螺纹钢上吃过这个亏。当时系统只按持仓量排序，结果一个远月合约持仓量突然暴增，系统立刻切换了过去。但第二天，那个合约的成交量就萎缩了，主力又回到了近月。这一来一回，我的基差数据出现了断层，回测结果直接崩了。

所以，我现在的策略是：持仓量 + 成交量双重确认，并且设置一个“观察期”。

def identify_dominant_contract(data):
    """
    自动识别主力合约
    data: DataFrame，包含所有合约的持仓量、成交量
    """
    # 第一步：按持仓量排序，取前3
    top_by_oi = data.sort_values('open_interest', ascending=False).head(3)
    
    # 第二步：按成交量排序，取前3
    top_by_vol = data.sort_values('volume', ascending=False).head(3)
    
    # 第三步：取交集，找到持仓量和成交量都靠前的合约
    candidates = set(top_by_oi.index) & set(top_by_vol.index)
    
    if len(candidates) == 0:
        # 如果没交集，说明市场在切换，保守起见，取持仓量最大的
        return top_by_oi.index[0]
    
    # 第四步：如果候选合约跟当前主力不同，需要观察3天
    current_dominant = get_current_dominant()
    for candidate in candidates:
        if candidate != current_dominant:
            if check_observation_period(candidate, days=3):
                return candidate
    return current_dominant

小技巧： 我建议把主力合约的识别结果缓存起来，不要每次计算都重新跑。因为行情数据更新很快，但主力合约不会一天变三次。缓存可以减轻API压力，也避免频繁切换带来的数据抖动。

4.2 基差实时计算：从Tick到分钟线

识别了主力合约，接下来就是算基差。公式很简单：基差 = 现货价格 - 期货价格。但实际落地时，问题就来了——现货价格从哪来？期货价格用哪个？

我个人习惯用中证指数公司发布的现货指数作为现货基准。比如做沪深300的基差，就用000300.SH。如果你做商品，那就得找对应的现货报价平台，比如上海有色网、钢之家这些。

期货价格呢？当然是用我们刚刚识别出来的主力合约的最新成交价。但这里有个细节：是取收盘价，还是取实时价？

我的答案是：都取。 收盘价用于日频分析，实时价用于日内交易。下面这个函数，我把它叫做“基差快照”，每秒都在跑。

def calculate_basis(spot_price, futures_price, contract_multiplier=1):
    """
    计算基差
    spot_price: 现货价格
    futures_price: 期货价格
    contract_multiplier: 合约乘数（商品期货需要，股指期货为1）
    """
    basis = spot_price - futures_price * contract_multiplier
    basis_rate = basis / spot_price * 100  # 基差率，百分比
    
    return {
        'basis': round(basis, 2),
        'basis_rate': round(basis_rate, 4),
        'spot': spot_price,
        'futures': futures_price
    }

注意： 商品期货的基差计算，一定要考虑合约乘数。比如螺纹钢，一手10吨，期货价格是每吨的价格，但现货价格也是每吨。这时候乘数就是1。但如果是铜，一手5吨，期货报价是每吨，现货也是每吨，乘数还是1。真正需要乘数的是那些报价单位不一致的品种。我见过有人把股指期货的乘数设成300，结果基差算出来几万点，闹了大笑话。

4.3 跨期价差：近月与远月的博弈

跨期价差，就是同一个品种，不同月份合约之间的价差。比如，螺纹钢2401和2405的价差。这个指标在套利交易中非常常用。

计算跨期价差，核心是找到两个合约：一个是近月主力，一个是远月主力。但远月主力怎么定义？我通常取次主力合约，也就是持仓量第二大的那个。

为什么不用第三、第四？因为流动性太差，价差容易被操纵。我曾经在PTA上吃过亏，用了一个流动性很差的远月合约做跨期套利，结果一个几百手的单子就把价差打穿了，止损都来不及。

def calculate_calendar_spread(near_contract, far_contract):
    """
    计算跨期价差
    near_contract: 近月合约价格
    far_contract: 远月合约价格
    """
    spread = far_contract - near_contract
    
    # 我习惯把价差归一化，方便不同品种之间比较
    spread_normalized = spread / near_contract * 100
    
    return {
        'spread': round(spread, 2),
        'spread_normalized': round(spread_normalized, 4),
        'near': near_contract,
        'far': far_contract
    }

实战经验： 跨期价差在交割月前一个月波动会急剧放大。因为近月合约面临交割，多空双方都在平仓。这时候做跨期套利，风险很大。我一般会提前两周平掉所有跨期头寸，等交割后再重新建仓。

4.4 跨品种价差：寻找“亲戚”之间的价差

跨品种价差，就是两个不同品种之间的价差。比如，螺纹钢和热卷，豆粕和豆油。这些品种之间往往有产业链关系，价差会围绕一个合理区间波动。

计算跨品种价差，难点在于单位统一。螺纹钢和热卷都是吨价，可以直接减。但如果是豆粕（吨价）和豆油（吨价），虽然单位一样，但压榨利润的计算更复杂，需要引入出油率、出粕率这些参数。

我一般把跨品种价差分为两类：

直接价差： 单位相同，直接相减。比如RB-HC。
加工利润价差： 需要换算。比如压榨利润 = 豆油价格 × 出油率 + 豆粕价格 × 出粕率 - 大豆价格。

def calculate_cross_commodity_spread(price_a, price_b, ratio=1):
    """
    计算跨品种价差
    price_a: 品种A的价格
    price_b: 品种B的价格
    ratio: 换算比例（比如压榨利润中的出油率）
    """
    spread = price_a - price_b * ratio
    
    return {
        'spread': round(spread, 2),
        'price_a': price_a,
        'price_b': price_b,
        'ratio': ratio
    }

避坑指南： 跨品种价差最怕政策干预。比如，国家抛储、调整关税，这些都会瞬间打破原有的价差关系。我曾经在豆粕和豆油的价差上赚了不少，结果一次大豆进口关税调整，价差直接偏离了三个标准差，我的套利头寸亏了20%。从那以后，我每次做跨品种价差，都会先查一下最近有没有政策风险。

4.5 知识体系总览：一张图看懂基差计算引擎

说了这么多，我们来梳理一下整个基差计算引擎的结构。下面这张图，是我自己画的设计草图，你可以把它当作搭建系统的蓝图。

这张图里，数据从左边进来，经过主力合约识别，然后进入基差计算核心。计算完基差之后，再分两条路：一条做跨期价差，一条做跨品种价差。最后所有结果汇总到输出层。

你可能会问：为什么要把跨期和跨品种放在基差计算之后？因为这两个价差都依赖于准确的基差数据。如果基差算错了，后面的价差全是错的。所以，我建议你先确保基差计算模块的准确性，再去做衍生指标。

4.6 实战中的坑与解决方案

最后，我总结几个实战中经常遇到的坑，希望能帮你少走弯路。

常见问题	原因	我的解决方案
主力合约频繁切换	持仓量数据抖动，或两个合约持仓量接近	设置3天观察期，不立即切换
基差数据出现跳空	主力合约切换时，新旧合约价格不同	记录切换日志，回测时做数据对齐
跨品种价差异常	两个品种的报价单位或时间戳不一致	统一使用UTC时间，并做单位换算
API数据延迟	行情推送有延迟，导致基差计算滞后	使用本地缓存，并做时间戳校验

嗯，这一章的内容就到这里。基差计算引擎是整套系统的基石，代码量不大，但细节很多。我建议你先把主力合约识别这个模块跑通，再逐步加上跨期和跨品种的计算。别想着一步到位，那样容易出bug。

记住：交易系统，稳定第一，速度第二。 一个偶尔慢半秒但数据准确的引擎，远比一个飞快但经常出错的引擎有价值。

📚 课程目录