4. 跨品种套利：产业链套利、替代品套利、相关品种套利、价差回归逻辑

跨品种套利，说白了就是利用两个不同品种之间的价格关系来赚钱。你想想看，期货市场里很多品种之间天生就存在某种“血缘关系”——要么是上下游，要么能互相替代，要么干脆就是同涨同跌的兄弟。我做了这么多年量化，发现跨品种套利其实是风险收益比最舒服的策略之一。

今天咱们就把这块掰开揉碎了讲。我会从四个维度切入：产业链套利、替代品套利、相关品种套利，以及最核心的价差回归逻辑。嗯，每个我都会带上我踩过的坑和实战经验。

4.1 产业链套利：上下游的“利润分配”游戏

产业链套利，说白了就是做多利润高的环节、做空利润低的环节。我举个例子你就明白了——大豆压榨产业链。

大豆被压榨后产出豆油和豆粕。这三者之间有个经典的平衡公式：大豆价格 ≈ 豆油价格 × 出油率 + 豆粕价格 × 出粕率 - 加工成本。当这个等式被打破，套利机会就来了。

产业链套利的关键点有三个：

• 成本传导机制——上游涨价能不能顺利传导到下游？我见过很多新手忽略了这个，结果被中间环节的库存波动坑了。
• 加工利润的均值回归——暴利不会持续太久，亏损也不会持续太久。这是产业链套利的底层信仰。
• 产能瓶颈——如果某个环节有产能瓶颈，利润可能会在瓶颈端停留更久。嗯，这个要特别注意。

4.2 替代品套利：谁便宜就用谁

替代品套利，逻辑很简单：两种商品能互相替代，价格差太大时，消费者就会转向便宜的。最典型的例子就是豆粕和菜粕。

豆粕和菜粕都是饲料蛋白来源，虽然营养价值有差异，但在一定比例内可以互相替代。当豆粕比菜粕贵太多，饲料厂就会调整配方，多用菜粕。这个替代行为会把价差拉回来。

我个人习惯用价差比率而不是绝对价差来做替代品套利。为什么？因为绝对价差会随着价格水平变化而变化，而比率相对稳定。比如豆粕/菜粕的比价通常在1.2到1.5之间波动。

替代品套利的常见组合：

4.3 相关品种套利：同涨同跌中的“节奏差”

相关品种套利，做的是两个高度相关但不同步的品种。比如铜和铝，都是工业金属，宏观驱动因素高度重合，但各自的供需基本面不同。

你想想看，当宏观经济向好时，铜和铝都会涨，但涨的节奏和幅度不一样。铜的金融属性更强，对宏观预期反应更快；铝的供给端更敏感，对限产政策反应更大。这种“节奏差”就是套利空间。

我常用的方法是滚动协整。说白了就是不断检验两个品种之间是否存在长期均衡关系。如果协整关系被打破，就说明出现了套利机会。

4.4 价差回归逻辑：所有套利的底层引擎

不管你做什么类型的跨品种套利，最终都要回到一个核心问题：价差为什么会回归？

价差回归的逻辑基础是套利行为本身。当价差偏离到一定程度，套利者会入场——做多被低估的、做空被高估的。这个行为本身就会把价差推回均衡位置。说白了，套利者就是市场的“纠错机制”。

但这里有个坑：价差可能长期不回归。我见过最夸张的一次，螺纹钢和热卷的价差偏离了正常范围整整半年。为什么？因为那半年热卷的汽车需求特别好，而螺纹钢的房地产需求很差。基本面驱动了价差的长期偏离。

所以，价差回归逻辑需要三个前提：

1. 存在套利机制——套利者能自由入场，没有资金或政策障碍
2. 基本面没有结构性变化——如果产业格局变了，原来的均衡点就不成立了
3. 有足够的流动性——不然你进去了出不来，那就尴尬了

实战中，我一般用Z-score来量化价差的偏离程度。Z-score大于2或小于-2时，我会开始关注；大于2.5或小于-2.5时，我会考虑入场。

# 价差回归策略的简单实现（Python伪代码）
import numpy as np

def zscore(spread, window=20):
    mean = np.mean(spread[-window:])
    std = np.std(spread[-window:])
    return (spread[-1] - mean) / std

# 入场逻辑
z = zscore(current_spread)
if z > 2.5:
    # 做空价差：卖高买低
    place_order('sell', high_leg)
    place_order('buy', low_leg)
elif z < -2.5:
    # 做多价差：买低卖高
    place_order('buy', low_leg)
    place_order('sell', high_leg)

最后说一句：跨品种套利不是无风险套利。它只是风险相对较小，但不是零风险。你永远要问自己一个问题——如果价差不回归，我该怎么办？想清楚这个，再入场。