第2章套利定价原理

第二章套利定价原理：从一价定律到均值回归

各位同学，今天我们来聊聊套利定价的核心逻辑。说实话，很多新手一上来就盯着价差图看，觉得涨了就卖、跌了就买，这其实有点本末倒置。我个人习惯是，先搞清楚定价原理，再动手写代码。你想想看，连价格怎么来的都不清楚，怎么敢说自己在做套利？

一价定律，说白了就是「同一个东西，不能有两个价」。比如同一吨螺纹钢，在上海卖3500，在杭州卖3520，那理论上就有人从上海买、杭州卖，赚这20块差价。我在项目中遇到过不少新手，觉得这太简单了，结果忽略了交割成本、运输费用，最后算下来反而亏了。

核心要点：一价定律成立的前提是——无摩擦市场。现实中，交易费用、资金成本、政策限制都会造成价差。我们做套利，本质上就是在找这些「摩擦」带来的机会。

嗯，这里要注意：一价定律不是万能的。比如豆粕和菜粕，虽然都是蛋白饲料，但替代性没那么强，价差波动就大得多。我建议你把它当作一个「理想基准」，而不是绝对真理。

期货价格怎么来的？其实很简单：现货价格 + 持有成本。持有成本包括仓储费、保险费、资金利息，再减去便利收益。我刚开始做量化时，总喜欢用复杂的统计模型，后来发现，持有成本模型才是最基本的锚。

公式长这样：

F = S * e^(r + c - y) * T

其中：

举个例子，假设螺纹钢现货3500元/吨，年化资金成本5%，仓储费2%，便利收益1%，3个月后到期的期货理论价格应该是：

F = 3500 * e^(0.05 + 0.02 - 0.01) * 0.25
  = 3500 * e^(0.015)
  ≈ 3500 * 1.0151
  ≈ 3552.85

如果实际期货价格是3580，那就说明市场偏贵了，可以考虑做空期货、做多现货。我曾经用这个模型抓过几次铜的期现套利机会，效果还不错。

个人经验：持有成本模型对工业品（铜、螺纹钢、PTA）比较准，对农产品（豆粕、玉米）就差一些，因为农产品有季节性、天气等不可控因素。我建议你针对不同品种，分别校准参数。

一价定律和持有成本模型，讲的是「确定性」的套利。但现实中，很多价差并不严格收敛，而是呈现统计规律。这就引出了统计套利。

统计套利的核心理念是：价差虽然不严格等于某个值，但会在某个范围内波动，偏离太远就会回归。说白了，就是赌概率。

具体步骤我总结为三步：

举个例子，螺纹钢和热卷的价差，历史均值在100-150之间。如果价差突然扩大到250，我就做空螺纹、做多热卷，赌价差会缩小。我在项目中遇到过几次极端行情，价差偏离到300以上，但最终还是回归了——当然，也有没回归的时候，所以止损很重要。

避坑指南：我曾经犯过一个错误——只看相关性，没做协整检验。两个品种可能短期相关，但长期走势背离，这种配对做统计套利就是找死。记住：相关性 ≠ 协整性。

统计套利能成立，背后靠的就是均值回归。你想想看，为什么价差不会无限扩大？因为市场有套利者，有基本面约束，有资金流动。这些力量最终会把价差拉回合理区间。

均值回归的数学表达，常用的是Ornstein-Uhlenbeck过程：

dX = θ(μ - X)dt + σdW

其中：

这个公式告诉我们三件事：

我习惯用这个模型来估算策略的夏普比率。如果θ大、σ小，那策略就很稳；反之，如果θ小、σ大，那就要小心了，可能等很久都不回归。

核心观点：均值回归不是万能的。趋势行情里，价差可能长期不回归。我建议你搭配趋势过滤指标，比如当两个品种都在单边上涨时，暂时别做套利。

下面这张图，是我自己梳理的套利定价原理框架。你可以把它当作一个思维导图，方便理解各概念之间的关系。

这张图把四个核心概念串起来了。从左到右，从确定性到概率，从理论到实践。我个人建议你按这个顺序学习，先搞懂一价定律和持有成本，再深入统计套利和均值回归。

好了，这一章的内容就这些。总结一下：

下一章我们会讲如何用Python实现这些理论，包括数据获取、价差计算、回测框架搭建。到时候我会分享一些我踩过的坑，比如数据对齐问题、滑点处理等等。嗯，今天就到这里，有问题随时交流。