第四章：多资产套利网络

说实话，做套利做到一定程度，你会发现一个尴尬的事实：

两两资产之间的套利机会，早就被高频玩家吃干净了。

真正有价值的东西，藏在资产与资产之间的网络结构里。你想想看，外汇市场有几十种货币对，加密货币有上千个交易对，股票市场更是成千上万。这些资产之间不是孤立的，它们构成了一个巨大的、动态的关联网络。

我2018年在做跨币种套利时，就踩过这个坑。当时盯着BTC/USDT和ETH/USDT两个交易对，觉得价差稳定，手动撸得挺开心。结果有一天，两个交易对同时闪崩，我账户直接穿了。后来复盘才发现——这两个资产背后连接着同一个做市商节点，风险根本没分散。

所以这一章，我们来聊聊怎么用图论的方法，把多资产套利这件事系统化。

4.1 从相关性矩阵到网络图

构建套利网络的第一步，是把资产之间的相关性转化成图结构。

我习惯用Pearson相关系数作为边的权重。但这里有个坑：直接拿原始价格序列算相关性，你会得到一堆0.9以上的数字——因为所有资产都在跟着大盘走。你需要的是残差相关性，或者叫偏相关性。

具体做法是这样的：

1. 对每个资产收益率做市场因子回归，得到残差序列
2. 计算残差序列之间的相关系数矩阵
3. 设定一个阈值（比如0.3），高于阈值的才保留为边
4. 这样就得到一个无向加权图

嗯，这里要注意：阈值设得太低，图会变成一团乱麻；设得太高，又可能漏掉弱关联但重要的套利路径。我个人经验是，先用0.5试跑一遍，然后根据网络密度调整。

4.2 社区发现：找到资产派系

有了图之后，下一步是找社区结构。

什么叫社区？就是一组内部连接紧密、外部连接稀疏的资产。说白了，它们是一伙的。

为什么要找社区？因为套利机会往往出现在社区之间，而不是社区内部。社区内部的资产高度同步，价差很难拉开；而不同社区的资产，由于基本面不同、资金流不同，更容易出现定价偏差。

我常用的算法是Louvain社区发现。它基于模块度优化，速度快，效果也不错。

import networkx as nx
import community as community_louvain

# 假设G已经构建好
partition = community_louvain.best_partition(G)

# 打印每个社区的资产
for com, nodes in partition.items():
    print(f"社区 {com}: {nodes}")

有一次我在做美股ETF套利时，用这个方法发现了一个有意思的现象：

• 社区A：科技股ETF（QQQ、VGT、XLK）
• 社区B：能源股ETF（XLE、VDE）
• 社区C：国债ETF（TLT、IEF）

这三个社区之间的相关性很低，但偶尔会出现短暂的偏离。比如2020年3月，科技和能源的价差一度拉大到历史极值，那就是一个绝佳的套利窗口。

4.3 套利路径搜索：图论算法登场

找到社区之后，我们要回答一个具体问题：

给定一组资产，怎么找到最优的套利组合？

这个问题可以转化为图论中的最短路径问题或最大流问题。

我举一个具体的例子：

假设我们有三个资产：A、B、C。它们之间的价差关系如下：

• A-B价差：2个基点
• B-C价差：3个基点
• A-C价差：6个基点

如果你直接做A-C套利，能赚6个基点。但如果你走A→B→C的路径，总价差是2+3=5个基点，反而更少。所以直接做A-C是最优的。

但现实情况要复杂得多。因为每个交易对都有交易成本（手续费、滑点、延迟等）。你需要找到一条净收益最大的路径。

我一般用Bellman-Ford算法来做这件事。它可以处理负权边（也就是套利收益），并且能检测负环——负环意味着存在无风险套利机会。

import numpy as np

def find_arbitrage(prices, costs):
    """
    prices: 价格矩阵，prices[i][j] 表示用资产i换资产j的汇率
    costs: 交易成本矩阵
    """
    n = len(prices)
    # 构建对数收益率矩阵
    log_returns = np.log(prices) - costs
    
    # Bellman-Ford检测负环
    dist = [float('inf')] * n
    dist[0] = 0
    
    for _ in range(n-1):
        for i in range(n):
            for j in range(n):
                if dist[i] + log_returns[i][j] < dist[j]:
                    dist[j] = dist[i] + log_returns[i][j]
    
    # 检测负环
    for i in range(n):
        for j in range(n):
            if dist[i] + log_returns[i][j] < dist[j]:
                return True  # 存在套利机会
    return False

4.4 动态网络：时间维度上的演化

套利网络不是静态的。它会随着市场情绪、流动性、政策变化而演化。

我2019年做过一个实验：每天重新构建一次套利网络，观察社区结构的变化。结果发现：

• 正常市场：社区结构稳定，变化缓慢
• 波动率飙升时：社区边界模糊，资产开始跨社区联动
• 危机时刻：所有资产变成一个社区，套利机会消失

这个发现对我影响很大。从那以后，我设计套利策略时都会加入一个网络稳定性指标。当网络结构剧烈变化时，我会暂停策略，等市场稳定再说。

具体做法是：

1. 每天计算当前网络与前一天网络的模块度差异
2. 如果差异超过阈值（比如0.1），标记为不稳定状态
3. 不稳定状态下，只做最小仓位的试探性交易

4.5 实战案例：加密货币套利网络

最后，我分享一个实战案例。

2021年，我帮一个朋友搭建加密货币套利系统。当时有20多个主流币种，100多个交易对。如果用传统方法两两分析，根本搞不定。

我们用图论方法做了以下几步：

步骤	操作	工具
1	构建相关性网络	Python + NetworkX
2	社区发现	Louvain算法
3	套利路径搜索	Bellman-Ford
4	动态监控	滚动窗口 + 模块度变化

结果呢？系统上线后，平均每天捕捉到3-5个套利机会，单笔收益在5-20个基点之间。虽然单笔不大，但胜在频率高、风险分散。

不过也有翻车的时候。有一次，系统检测到一个三角套利机会（BTC→ETH→LTC→BTC），理论收益15个基点。结果因为三个交易对都在同一个交易所，流动性不足，滑点直接吃掉了所有收益。那次之后，我加了一个流动性过滤器——只有深度足够的交易对才进入套利池。

好了，这一章的内容就到这里。记住，图论方法不是万能的，但它能帮你从混沌中看到结构。剩下的，就看你怎么用了。

---