第4章基差统计特征

第四章：基差统计特征——均值回归、波动率、分布与季节性

各位交易员朋友，大家好。今天我们来聊聊基差的“脾气”。

做基差交易，说白了就是跟统计规律打交道。你想想看，如果基差完全随机游走，那我们还分析个啥？直接抛硬币得了。但现实不是这样。基差有它自己的性格——它会回归、会波动、会呈现特定的分布形态，还会跟着季节走。

我个人习惯，拿到一个品种的基差数据，第一件事就是做四件事：测回归速度、算波动率、看分布形态、找季节性规律。这四板斧砍下去，基差的底裤基本就扒干净了。

4.1 基差均值回归特性

均值回归，是基差交易最核心的信仰。说白了，就是基差不会永远偏离一个合理范围，它迟早会“回家”。

我在项目中遇到过最典型的例子是螺纹钢。2018年那会儿，螺纹钢基差一度拉到800块以上，市场一片恐慌。但我当时看了历史数据，这种极端偏离平均能持续多久？平均回归周期是多久？心里有数了，反而敢逆势建仓。

核心指标：

半衰期（Half-life）：基差偏离均值后，回到一半所需的时间。半衰期越短，回归越快。
均值回复速度（Mean Reversion Speed）：通常用Ornstein-Uhlenbeck过程建模，速度参数θ越大，回归越猛。
回归区间：基差在±1倍标准差内震荡的概率约68%，±2倍约95%。

怎么算半衰期？我一般用这个简单方法：

import numpy as np
import statsmodels.api as sm

# 假设基差序列 basis_series
def half_life(basis_series):
    # 计算滞后一期
    lag = basis_series.shift(1).dropna()
    current = basis_series.iloc[1:]
    
    # 回归：Δbasis = α + β * basis_lag
    X = sm.add_constant(lag)
    model = sm.OLS(current - lag, X).fit()
    beta = model.params.iloc[1]
    
    # 半衰期 = -ln(2) / ln(1 + β)
    hl = -np.log(2) / np.log(1 + beta)
    return hl

# 举个例子
hl_days = half_life(basis_series)
print(f"基差半衰期：{hl_days:.1f} 天")

避坑指南：我曾经犯过一个错误——直接用日频数据算半衰期，结果发现不同品种差异巨大。后来我意识到，数据频率要跟交易周期匹配。你做日内交易，就用分钟级数据；做月频套利，用日频就够了。

4.2 基差波动率

波动率，是基差交易的“油门”。波动率太低，没利润空间；波动率太高，容易翻车。

我习惯把基差波动率分成两类：

历史波动率（HV）：过去N天的实际波动。我一般用20天、60天两个窗口。
隐含波动率（IV）：从期权价格反推出来的市场预期。这个对基差交易特别重要——如果IV远高于HV，说明市场在恐慌，这时候做回归策略要小心。

计算历史波动率的代码很简单：

def basis_volatility(basis_series, window=20):
    # 计算对数收益率
    log_returns = np.log(basis_series / basis_series.shift(1))
    # 滚动标准差，年化
    vol = log_returns.rolling(window).std() * np.sqrt(252)
    return vol

# 看看当前波动率处于什么水平
current_vol = basis_volatility(basis_series, 20).iloc[-1]
historical_median = basis_volatility(basis_series, 20).median()
print(f"当前波动率：{current_vol:.2%}，历史中位数：{historical_median:.2%}")

注意：基差波动率有“聚集效应”——大波动后面往往跟着大波动。我见过有人看到波动率低就重仓，结果第二天一个黑天鹅直接爆仓。所以，波动率低的时候，反而要警惕“波动率爆发”。

4.3 基差分布形态

基差的分布形态，决定了你的止损线该设在哪里。

我刚开始做基差交易时，天真地以为基差是正态分布。结果被市场狠狠教育了一顿——基差分布往往有厚尾特征。什么意思？就是极端值出现的概率，比正态分布预测的要高得多。

分布特征	含义	对交易的影响
偏度（Skewness）	正偏：右尾更长；负偏：左尾更长	正偏时，基差容易突然拉大，做空基差要小心
峰度（Kurtosis）	高峰度：厚尾，极端值多	止损要设得更宽，否则容易被假突破打掉
Jarque-Bera检验	检验是否正态分布	如果p值小于0.05，别用正态假设做风控

怎么快速看分布？我一般画个直方图加QQ图：

import matplotlib.pyplot as plt
import scipy.stats as stats

fig, axes = plt.subplots(1, 2, figsize=(12, 4))

# 直方图
axes[0].hist(basis_series, bins=50, density=True, alpha=0.6)
axes[0].set_title('基差分布直方图')

# QQ图
stats.probplot(basis_series, dist="norm", plot=axes[1])
axes[1].set_title('QQ图 - 正态性检验')

plt.tight_layout()
plt.show()

个人经验：我见过最极端的例子是动力煤。2021年那波行情，基差分布峰度超过10，意味着极端值出现的概率是正态分布的几十倍。如果你用正态分布设止损，一天能被打穿三次。所以，厚尾品种，止损要放大到3倍标准差以上。

4.4 基差季节性规律

季节性，是基差交易里最“稳”的规律。为什么？因为很多商品的供需本身就跟着季节走。

举个例子：

农产品：收获季节，现货供应充足，基差往往走弱；青黄不接时，基差走强。
能源品：冬季取暖需求，天然气基差通常走强；夏季需求淡季，基差走弱。
黑色系：春节前后工地停工，螺纹钢基差容易走弱；3月复工后，基差走强。

我一般用“季节性指数”来量化这个规律：

def seasonal_index(basis_series, period=252):
    # 计算每年同一天的均值
    daily_avg = basis_series.groupby(basis_series.index.dayofyear).mean()
    # 计算整体均值
    overall_avg = basis_series.mean()
    # 季节性指数 = 日均值 / 整体均值
    seasonal = daily_avg / overall_avg
    return seasonal

# 看看当前处于什么季节位置
today = basis_series.index[-1].dayofyear
current_seasonal = seasonal_index(basis_series).loc[today]
print(f"当前季节性指数：{current_seasonal:.2f}（大于1表示偏强，小于1表示偏弱）")

核心逻辑：季节性规律不是“一定会发生”，而是“概率上更可能发生”。我见过有人把季节性当圣杯，结果遇到极端天气或政策干预，季节性完全失效。所以，季节性只能作为辅助判断，不能作为唯一依据。

知识体系总览

下面这张图，是我自己整理的四维分析框架。每次做基差交易前，我都会过一遍：

嗯，这四个维度，说白了就是一套“体检报告”。均值回归看“健康度”，波动率看“风险度”，分布形态看“极端风险”，季节性看“周期规律”。把这四个维度吃透了，基差交易就不再是玄学，而是有据可依的系统工程。

我个人习惯，每周五收盘后，把这四个指标跑一遍，更新到我的交易日志里。时间长了，你会发现每个品种都有自己的“性格”——有的回归快，有的波动大，有的季节性特别强。摸透了这些性格，交易起来就顺手多了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

第四章：基差统计特征——均值回归、波动率、分布与季节性

4.1 基差均值回归特性

4.2 基差波动率

4.3 基差分布形态

4.4 基差季节性规律

知识体系总览