1. 套利基础：跨交易所套利的底层逻辑
做量化这些年，我见过太多人一上来就问我：「老师，跨交易所套利是不是就是低买高卖？」
嗯，这么说也没错。但你要是真这么想，那离亏钱也就不远了。
今天咱们就把这个「套利」的底裤扒干净。从数学本质到实战识别，我会把我在项目中踩过的坑、总结的经验，一次性讲透。
1.1 什么是跨交易所套利
说白了，就是同一个资产，在不同交易所卖不同的价。
你在A交易所低价买入，在B交易所高价卖出，中间的差价就是利润。
举个例子：
比特币在币安报价 30000 USDT，在 OKX 报价 30050 USDT。
你从币安买，去 OKX 卖，每枚赚 50 USDT。
听起来简单？
但这里有个关键问题——你得同时操作。不然等你买完，那边的价格可能已经变了。
1.2 套利的数学本质
我个人习惯把套利拆解成一个数学公式：
套利利润 = |P_A - P_B| - 交易成本 - 滑点 - 资金费率其中：
- P_A、P_B：两个交易所的实时价格
- 交易成本：手续费、提币费、网络 gas 费
- 滑点：你的订单对市场价格的冲击
- 资金费率：如果你用了杠杆或永续合约
你想想看，如果这个公式算出来是负数，那这笔「套利」就是亏钱的。
我在项目中遇到过不少新手，看到价差 0.5% 就冲进去，结果手续费吃掉 0.3%，滑点吃掉 0.3%，最后倒亏 0.1%。
1.3 套利机会的识别
怎么发现套利机会？
我一般用三种方法：
方法一：价差监控
实时监控两个交易所的价差。当价差超过阈值时，触发信号。
# 伪代码示例
def check_arbitrage(exchange_a, exchange_b, threshold=0.002):
price_a = exchange_a.get_ticker('BTC/USDT')
price_b = exchange_b.get_ticker('BTC/USDT')
spread = abs(price_a - price_b) / min(price_a, price_b)
if spread > threshold:
print(f"发现套利机会！价差: {spread:.4%}")
# 执行套利逻辑
else:
print(f"价差正常: {spread:.4%}")方法二：统计套利
不是所有价差都值得做。你得看历史数据——当前价差处于什么分位？
我习惯用 z-score 来判断：
z = (当前价差 - 历史均值) / 历史标准差
if abs(z) > 2:
# 价差偏离超过2个标准差，机会来了方法三：事件驱动
有些套利机会是「等」出来的。比如：
- 交易所维护前后，价差会剧烈波动
- 大额转账导致某个交易所流动性骤降
- 政策消息发布，不同交易所反应速度不同
1.4 套利策略的风险收益特征
很多人觉得套利是「无风险」的。我告诉你，这是最大的误解。
套利策略的风险收益特征，我用一张表来说明：
| 风险类型 | 描述 | 影响程度 |
|---|---|---|
| 执行风险 | 你的买单成交了，卖单没成交 | 高 |
| 价差风险 | 在你操作过程中，价差消失了 | 中 |
| 网络延迟 | 你的网络比对手慢，抢不到机会 | 高 |
| 交易所风险 | 交易所宕机、提币暂停 | 极高 |
| 资金费率 | 永续合约的持仓成本 | 低-中 |
收益特征呢？
套利策略的收益曲线，通常是一条「缓慢上升、偶尔暴跌」的线。
为什么？因为大部分时间你都在赚小钱，但一旦遇到黑天鹅（比如交易所宕机），一次就能亏掉三个月的利润。
1.5 知识体系总览
下面这张图，是我自己梳理的套利知识框架。你看完这一章，应该对整个体系有个全局认识：
这张图把套利的四个核心维度串起来了。你记住一句话就行：
套利不是无风险，而是「可控风险下的确定性收益」。