第二章 市场逻辑与驱动因素：供需关系、产业链传导、季节性规律、政策与宏观影响

做跨品种套利，说白了就是在找「错配」。

但错配不是凭空冒出来的。它背后一定有逻辑。我个人的习惯是，每次开仓前先问自己三个问题：这个价差为什么存在？它为什么现在走阔或收窄？驱动它变化的底层力量是什么？

这一章，我们就来拆解这些底层力量。我把它们归纳为四大类：供需关系、产业链传导、季节性规律、政策与宏观影响。你想想看，任何一个品种的价差波动，基本都逃不出这四类因素的组合拳。

2.1 供需关系：最朴素的定价锚

供需是基本面分析的起点。我在项目中遇到过不少新手，一上来就研究复杂的统计模型，结果连最基本的库存数据都没看。嗯，这其实挺危险的。

对于跨品种套利来说，我们关注的不是单个品种的供需绝对值，而是相对供需。比如：

• 螺纹钢和热卷，都消耗铁水，但下游需求不同。如果螺纹需求走弱而热卷需求走强，价差就会朝着有利于热卷的方向移动。
• 豆粕和豆油，同源大豆。压榨利润固定时，豆粕涨多了，豆油就得跌回来。这就是跷跷板效应。

我习惯用「库存消费比」这个指标来量化供需松紧。它比单纯的库存数据更可靠。举个例子：

# 伪代码：计算相对供需强度
螺纹_供需比 = 螺纹_周度表观消费 / 螺纹_周度产量
热卷_供需比 = 热卷_周度表观消费 / 热卷_周度产量

if 螺纹_供需比 > 热卷_供需比:
    print("螺纹相对热卷偏强，考虑做多螺卷价差")
else:
    print("热卷相对螺纹偏强，考虑做空螺卷价差")

2.2 产业链传导：利润的再分配

产业链传导，说白了就是利润在上中下游之间怎么分。我记得有一次做PTA和涤纶短纤的套利，发现上游PX涨价，PTA跟涨，但涤纶短纤因为下游织造厂抵制，涨不动。结果PTA利润被压缩，价差迅速走阔。

这种传导路径，我把它画成了一张图：

你看这张图，利润从上游向下游传导，但下游的需求也会反向影响上游。当某个环节的利润被压缩到极致时，就是套利机会出现的时候。

2.3 季节性规律：时间的朋友

季节性规律，是跨品种套利里最「稳」的一类驱动。为什么？因为它每年都来，只是幅度不同。

我整理了几个典型的季节性套利机会：

品种对	季节性规律	逻辑解释
螺纹钢 vs 热卷	冬季螺纹弱、热卷强	北方停工，螺纹需求下降；热卷受制造业影响较小
豆粕 vs 豆油	夏季豆粕强、豆油弱	养殖旺季，豆粕需求增加；豆油消费相对平稳
甲醇 vs PP	冬季甲醇强、PP弱	甲醇燃料需求增加；PP下游开工率下降

我个人习惯用「季节性指数」来量化这个规律。就是把过去5-10年的价差数据，按月份做标准化处理，看看每个月的平均走势。代码大概长这样：

import pandas as pd
import numpy as np

def seasonal_index(price_series, years=5):
    # 计算季节性指数
    monthly_avg = price_series.groupby(price_series.index.month).mean()
    overall_avg = price_series.mean()
    seasonal = monthly_avg / overall_avg * 100
    return seasonal

# 使用示例
spread = pd.Series(...)  # 价差数据
index = seasonal_index(spread)
print(index)  # 输出每个月的季节性强度

2.4 政策与宏观影响：黑天鹅的温床

政策和宏观因素，是跨品种套利里最难预测、但影响最大的驱动。你想想看，一个关税政策、一次加息、甚至一条环保限产的消息，都能让价差瞬间崩塌。

我把它分成两类：

• 产业政策： 比如钢铁去产能、煤炭保供、大豆进口关税调整。这类政策直接影响供给端，对价差的影响通常是趋势性的。
• 宏观政策： 比如美联储加息、国内降准、房地产调控。这类政策影响的是整体需求预期，对价差的影响更多是情绪性的。

我记得有一次做铜和铝的套利。铜的金融属性强，铝的工业属性强。美联储一放鸽派信号，铜价立刻飙涨，铝反应慢半拍。我抓住这个时间差，做多铜、做空铝，赚了一波。但后来美联储突然转鹰，铜价暴跌，我差点没跑掉。

2.5 综合应用：多因子驱动模型

实际交易中，很少只有一个因素在起作用。往往是供需、产业链、季节性、政策四股力量交织在一起。我习惯用「多因子打分」的方式来综合判断：

# 多因子打分示例
factors = {
    '供需': 0.8,   # 供需偏紧，得分高
    '产业链': 0.6, # 利润传导顺畅
    '季节性': 0.9, # 处于季节性强势期
    '政策': 0.3    # 政策中性偏空
}

# 加权总分
weights = {'供需': 0.4, '产业链': 0.3, '季节性': 0.2, '政策': 0.1}
total_score = sum(factors[k] * weights[k] for k in factors)

if total_score > 0.7:
    print("强烈看多价差")
elif total_score > 0.5:
    print("温和看多价差")
else:
    print("观望或看空价差")

这个模型不复杂，但很实用。我每次开仓前都会跑一遍，看看各个因子的得分是否一致。如果出现矛盾（比如供需看多、政策看空），我就会降低仓位，或者等矛盾化解后再入场。

---