一、商品基本面量化概述

大家好，我是你们这门课的主讲人。做了这么多年量化，我越来越觉得，纯靠K线图做交易，就像蒙着眼睛走路。今天咱们聊的「基本面量化」，说白了就是给量化交易装上「眼睛」——用数据看清商品背后的供需逻辑。

1.1 什么是基本面量化？

先问个问题：为什么螺纹钢价格会涨？

纯量化的人会告诉你：「因为5日均线上穿了20日均线。」

但做基本面的人会说：「因为唐山限产了，供给少了，而房地产开工数据还不错，需求没降。」

基本面量化，就是把后面这种逻辑，用数据和代码实现出来。我个人习惯把它定义为：用数学模型和统计方法，把商品的供需关系、库存变化、利润结构等基本面因素，转化为可执行的交易信号。

举个例子。我记得2018年做PTA时，纯量化模型一直在做多，但我看到PTA社会库存连续三周累库，下游聚酯开工率却在下降。这就是典型的「基本面信号与价格背离」。后来价格果然跌了。嗯，这就是基本面量化的价值——提前发现市场定价的错误。

1.2 基本面量化 vs 纯量化

这两者的区别，我用一张表说清楚：

维度	纯量化	基本面量化
数据来源	价格、成交量、持仓量	库存、产量、开工率、进出口、利润
逻辑基础	统计规律、价格行为	供需均衡、产业逻辑
信号频率	高频（分钟级/日级）	中低频（周级/月级）
可解释性	低（黑箱）	高（能说清为什么涨跌）
过拟合风险	高	低（有产业逻辑支撑）
典型策略	趋势跟踪、均值回归	库存周期、基差回归、利润套利

你想想看，纯量化模型经常遇到「样本外失效」——回测漂亮，实盘就崩。为什么？因为市场结构变了，但模型不知道。基本面量化就不一样，它背后是产业逻辑。比如「低库存+高基差=价格易涨难跌」，这个逻辑十年后依然有效。

1.3 商品期货市场的特点

做商品基本面量化，你得先懂这个市场的「脾气」。我总结了几个关键点：

• 有实物交割：股票可以无限发行，但商品是有限的。期货价格最终会向现货价格收敛——这叫「期现回归」。我见过太多人忽略这一点，结果在临近交割月被逼仓。
• 季节性明显：农产品看天气，化工品看检修，黑色系看环保。比如螺纹钢，每年3-5月和9-11月是需求旺季，价格容易涨。这个规律我用了好几年。
• 产业链传导：上游涨价，下游不一定能跟涨。比如原油涨了，但PTA能不能涨，还得看PTA自身的供需。我曾经在2019年犯过这个错——原油暴涨，我直接做多PTA，结果PTA产能过剩，价格纹丝不动。
• 政策影响大：中国的商品市场，政策是最大的变量。限产、抛储、关税调整，任何一个都能让模型失效。所以我的模型里永远有一个「政策因子」——虽然很难量化，但至少得留个心眼。

下面这张图，是我自己梳理的商品基本面量化知识体系。你看一眼，大概就知道我们这门课要讲什么了：

1.4 课程目标与学习路径

这门课的目标很明确：让你能独立搭建一套商品基本面量化策略，从数据获取到实盘交易。

具体来说，学完这门课，你应该能做到：

1. 看懂基本面数据：知道库存、基差、利润这些数据怎么用，从哪里拿。
2. 构建量化模型：用Python实现库存周期模型、基差回归模型等经典策略。
3. 回测与优化：能写回测代码，能分析策略的收益来源和风险点。
4. 实盘落地：知道怎么把策略部署到实盘，怎么处理数据延迟、滑点等实际问题。

学习路径我建议这样走：

阶段	内容	时间
基础篇	Python数据处理、基本面数据获取、库存模型原理	第1-3章
进阶篇	基差模型、利润模型、跨品种套利	第4-6章
实战篇	策略回测、组合管理、实盘部署	第7-9章
高阶篇	机器学习+基本面、另类数据、高频基本面	第10章+

我个人建议，不要跳着学。基本面量化是个系统工程，数据、模型、风控缺一不可。我见过太多人一上来就搞机器学习，结果连库存数据是累库还是去库都分不清——这不行。

好了，第一章就到这里。记住一句话：基本面量化不是预测未来，而是发现当前价格与基本面之间的偏差。 这个偏差，就是我们的利润来源。

---

公众号:蓝海资料掘金营，微信deep3321