4. 期限结构指标构建：近月-远月价差、加权期限斜率、期限结构曲率、库存与期限结构的关系

好，咱们进入正题。

前面几章我们把期限结构的基础讲透了，也聊了聊背后的仓储理论。这一章，我带你亲手把这些指标造出来。说白了，就是把市场情绪、供需矛盾这些抽象的东西，变成一行行能跑、能回测的Python代码。

我个人习惯，做量化交易最忌讳的就是「玄学」。你跟我说感觉要涨，我不信。你把近月-远月价差拉出来，把斜率算清楚，把曲率画出来，再跟库存数据一比对——嗯，这时候我才觉得靠谱。

4.1 近月-远月价差：最直接的信号

这个指标最简单，也最暴力。

近月合约价格减去远月合约价格，正的就是Backwardation，负的就是Contango。但这里有个坑——你选哪两个月份？

我建议用「主力连续合约」和「次主力连续合约」。比如铜，主力通常是当月或次月，远月选3个月后的合约。这样价差信号比较稳定，不会因为换月被来回打脸。

# 计算近月-远月价差
def calc_near_far_spread(df, near_col='close_near', far_col='close_far'):
    """
    df: DataFrame，包含近月和远月收盘价
    返回: Series，价差序列
    """
    spread = df[near_col] - df[far_col]
    return spread

# 使用示例
spread = calc_near_far_spread(data)
print(f"最新价差: {spread.iloc[-1]:.2f} 元/吨")

4.2 加权期限斜率：把整条曲线压成一个数

近月-远月价差只用了两个点，信息量有限。加权期限斜率，是把整条期限结构曲线拟合成一条直线，斜率就是这条线的倾斜程度。

怎么算？用线性回归。把合约的到期时间（以月为单位）作为X，价格作为Y，拟合出来的系数就是斜率。

import numpy as np
from sklearn.linear_model import LinearRegression

def calc_term_slope(prices, tenors):
    """
    prices: list，各合约价格
    tenors: list，对应合约的到期时间（月）
    返回: float，斜率值
    """
    X = np.array(tenors).reshape(-1, 1)
    y = np.array(prices)
    model = LinearRegression().fit(X, y)
    slope = model.coef_[0]
    return slope

# 举个例子
prices = [68500, 68200, 67900, 67600]  # 近月到远月
tenors = [1, 2, 3, 4]  # 1个月到4个月
slope = calc_term_slope(prices, tenors)
print(f"期限斜率: {slope:.2f} 元/月")

斜率正数，说明远月更贵，市场看涨远期（Contango）。斜率负数，说明近月更贵，市场看涨近期（Backwardation）。

嗯，这里要注意：斜率的大小本身也有意义。斜率从-50变成-20，说明Backwardation在缓解，可能是个反转信号。我曾在锌的交易中吃过这个甜头。

4.3 期限结构曲率：捕捉曲线的「弯腰」程度

斜率告诉你曲线往哪边倾斜，曲率告诉你曲线弯不弯。

你想想看，有时候近月价格很高，远月价格也很高，但中间月份价格偏低——这就是典型的「U型」曲线。这种结构往往意味着近端供应紧张，远端预期宽松，中间在博弈。

曲率的计算，我习惯用二次项拟合。在回归方程里加一个到期时间的平方项，它的系数就是曲率。

def calc_term_curvature(prices, tenors):
    """
    计算期限结构曲率
    返回: (slope, curvature) 元组
    """
    X = np.array(tenors).reshape(-1, 1)
    X2 = np.array(tenors).reshape(-1, 1) ** 2
    X_poly = np.hstack([X, X2])
    
    model = LinearRegression().fit(X_poly, prices)
    slope = model.coef_[0]
    curvature = model.coef_[1]
    return slope, curvature

# 示例
slope, curvature = calc_term_curvature(prices, tenors)
print(f"斜率: {slope:.2f}, 曲率: {curvature:.4f}")

4.4 库存与期限结构的关系：验证信号真伪

指标造出来了，但光看价格曲线还不够。我吃过最大的亏，就是只看期限结构不看库存。

有一次，铜的期限结构显示强烈的Backwardation，我直接做多近月。结果呢？库存其实在悄悄累积，Backwardation只是暂时的交割品不足，不是真正的供需紧张。后来价格暴跌，我被狠狠教育了一顿。

从那以后，我养成了一个习惯：把期限结构指标和库存数据放在一起看。

期限结构状态	库存变化	信号含义	交易建议
Backwardation（价差为正）	库存下降	真实供需紧张	做多近月，或做多价差
Backwardation（价差为正）	库存上升	可能是逼仓或结构性问题	谨慎，等待库存拐点
Contango（价差为负）	库存上升	真实供需宽松	做空近月，或做空价差
Contango（价差为负）	库存下降	可能是远期悲观过度	关注反转机会

怎么把库存数据整合进来？我一般会算一个「库存-价差偏离度」指标：

def calc_inventory_spread_divergence(spread, inventory, window=20):
    """
    计算库存与价差的偏离度
    正数表示价差相对于库存偏高，负数表示偏低
    """
    spread_z = (spread - spread.rolling(window).mean()) / spread.rolling(window).std()
    inv_z = (inventory - inventory.rolling(window).mean()) / inventory.rolling(window).std()
    divergence = spread_z - inv_z
    return divergence

4.5 知识体系总览

下面这张图，是我做这套指标时的整体思路。你可以把它当成一个检查清单：

你看，这四个指标不是孤立的。近月-远月价差给你方向，斜率给你趋势强度，曲率告诉你市场结构是否健康，库存数据帮你验证信号真伪。四个指标交叉验证，胜率才能上去。

我个人习惯，每天开盘前花5分钟跑一遍这四个指标。如果四个指标方向一致，那就是重仓信号。如果出现分歧，比如价差看多但库存看空，那就减仓观望。

好了，指标造出来了，下一章我们聊聊怎么用这些指标构建具体的交易策略。记住，工具再好，用不对也是白搭。

---