4、库存因子构建：库存变化率、库存消费比、库销比偏离度、库存季节性调整、库存趋势分解

好，咱们进入第四章。这一章我打算把库存因子的构建方法掰开揉碎了讲清楚。你想想看，库存数据本身是死的，但因子是活的。怎么把一堆原始库存数据变成能用的交易信号？这就是本章要解决的核心问题。

我个人习惯把库存因子分成五类：变化率类、比值类、偏离度类、季节性调整类、趋势分解类。每一类都有它独特的应用场景。咱们一个一个来过。

4.1 库存变化率：最基础的动量信号

库存变化率，说白了就是看库存是涨了还是跌了。公式很简单：

库存变化率 = (当期库存 - 上期库存) / 上期库存

但这里有个坑。我在项目中遇到过，直接用月度库存算变化率，结果噪音特别大。为什么？因为库存数据本身就有很强的季节性。比如农产品，收获季库存暴增，这能说明需求变差了吗？不一定。

所以我建议用同比变化率：

库存同比变化率 = (当期库存 - 去年同期库存) / 去年同期库存

这样能过滤掉季节性因素。当然，如果你做的是高频交易，用环比也行，但一定要配合后面的季节性调整一起用。

4.2 库存消费比：供需平衡的标尺

库存消费比，英文叫 Inventory-to-Consumption Ratio。这个指标在商品圈里用得特别多。公式：

库存消费比 = 期末库存 / 当期消费量

它衡量的是：以当前的消费速度，现有库存能撑多久。比如库存消费比是3个月，那就意味着即使不生产，现有库存还能卖3个月。

嗯，这里要注意。消费量数据往往比库存数据更难获取。我一般用两种方式处理：

• 直接法：如果有官方消费数据，直接用
• 间接法：用产量 + 进出口 - 库存变化 倒推消费量

举个例子，假设某商品月度数据如下：

月份	期初库存	产量	进口	出口	期末库存	推算消费	库存消费比
1月	100	50	10	5	110	45	2.44
2月	110	45	8	6	105	52	2.02

你看，1月库存消费比是2.44，2月降到2.02。说明供需在收紧，价格有上涨动力。

4.3 库销比偏离度：发现异常信号

库销比偏离度，是我个人比较喜欢的一个因子。它不直接看库销比的绝对值，而是看当前库销比偏离历史均值的程度。

库销比偏离度 = (当前库销比 - 历史均值) / 历史标准差

为什么要这么做？因为不同商品的库销比正常范围不一样。比如铜的库销比通常在1-2个月之间，而玉米的库销比可能高达6-8个月。直接用绝对值没法横向比较。

标准化之后，偏离度超过2或者低于-2，就属于极端情况。我曾经用这个因子做回测，发现当偏离度超过2.5时，价格反转的概率高达70%以上。

4.4 库存季节性调整：剥离周期干扰

库存数据有很强的季节性规律。比如：

• 农产品：收获季库存高，种植季库存低
• 能源品：冬季取暖需求高，库存消耗快
• 工业品：春节前后工厂停工，库存累积

如果不做季节性调整，你看到的库存变化可能只是季节性波动，而不是真正的供需变化。

常用的季节性调整方法有两种：

1. X-13ARIMA-SEATS：美国人口普查局开发的经典方法，适合月度数据
2. 移动平均比率法：简单粗暴，适合快速计算

我给你们看一段Python代码，用移动平均比率法做季节性调整：

import pandas as pd
import numpy as np

def seasonal_adjust(data, window=12):
    """
    移动平均比率法季节性调整
    data: 月度库存数据，pandas Series
    window: 移动平均窗口，默认12个月
    """
    # 计算中心化移动平均
    ma = data.rolling(window=window, center=True).mean()
    
    # 计算季节性因子
    seasonal_ratio = data / ma
    
    # 计算同月平均季节性因子
    seasonal_factor = seasonal_ratio.groupby(seasonal_ratio.index.month).mean()
    
    # 调整后的数据
    adjusted = data / seasonal_factor[data.index.month].values
    
    return adjusted

# 使用示例
inventory = pd.Series(...)  # 你的库存数据
adjusted_inventory = seasonal_adjust(inventory)

嗯，这里要注意。季节性调整后的数据，反映的是「剔除季节性后的库存变化」。如果调整后的数据还在上升，说明累库是结构性的，不是季节性的。

4.5 库存趋势分解：看清长期方向

最后一个是趋势分解。我个人习惯用HP滤波或者STL分解，把库存数据拆成三部分：

• 趋势项：长期方向，比如产能扩张带来的持续累库
• 季节项：周期性波动，一年以内的规律
• 残差项：随机扰动，突发事件的影响

为什么要做趋势分解？因为不同的交易策略关注不同的成分：

• 趋势交易者：关注趋势项，做长线
• 套利交易者：关注季节项，做跨期
• 事件驱动：关注残差项，抓异常

下面是用STL分解的代码示例：

from statsmodels.tsa.seasonal import STL

def inventory_decomposition(data, period=12):
    """
    STL分解库存数据
    data: 月度库存数据
    period: 周期长度，月度数据设为12
    """
    stl = STL(data, period=period)
    result = stl.fit()
    
    trend = result.trend
    seasonal = result.seasonal
    residual = result.resid
    
    return trend, seasonal, residual

# 使用示例
trend, seasonal, residual = inventory_decomposition(inventory)

4.6 本章知识体系

为了让你更直观地理解这五个因子的关系，我画了一张图：

这五个因子不是孤立的。在实际项目中，我通常会把它们组合使用。比如：

• 先用季节性调整处理原始数据
• 再计算调整后的库存变化率和库存消费比
• 然后算库销比偏离度，看是否处于极端位置
• 最后用趋势分解确认长期方向

这样一套组合拳下来，你对库存的理解就立体多了。嗯，这一章的内容就到这里。记住，因子构建不是目的，目的是找到能赚钱的信号。下一章咱们会讲怎么把这些因子用到实际策略中。

---

公众号:蓝海资料掘金营，微信deep3321