期现套利(Cash-and-Carry Arbitrage)是期货市场与现货市场之间因价格偏离而产生的无风险(或近似无风险)套利机会。其理论基础源于持有成本模型(Cost of Carry Model):当期货价格高于现货价格加持有成本时,可买入现货、卖出期货,持有至交割获利;反之则反向操作。
传统套利依赖人工盯盘与手动下单,效率低、响应慢、易受情绪干扰。而Python凭借其强大的科学计算生态(NumPy、Pandas、SciPy)、量化框架(Backtrader、Zipline)、数据接口(akshare、Tushare、Wind)及交易API(QMT、CTP、IB),为期现套利提供了自动化、可复现、可扩展的技术底座。
核心价值体现在:
期现套利并非单一策略,而是基于基差(Basis = 期货价格 - 现货价格)波动的系统工程。根据市场结构可分为:
适用条件:期货价格 > 现货价格 + 持有成本
操作路径:
Python关键点:
适用条件:期货价格 < 现货价格 - 持有成本(即基差为负且深度贴水)
操作路径:
Python关键点:
本质是期限结构套利,利用近月与远月合约价差偏离均值的机会
Python建模优势:
整体框架结构推荐:
├── data/ # 数据层:期现货价格、资金利率、仓储费
├── model/ # 模型层:基差计算、持有成本、信号生成
├── backtest/ # 回测层:事件驱动模拟、绩效评估
├── live/ # 实盘层:订单路由、风控熔断、持仓监控
└── config/ # 配置层:品种参数、阈值、合约映射表
准确、低延迟的数据是套利成功的前提。常见数据源与处理策略:
rb2405)示例代码(akshare获取螺纹钢主力合约):
import akshare as ak
# 获取螺纹钢2405合约实时行情
data = ak.futures_zh_realtime(symbol="rb2405")
print(f"合约:{data['symbol']}, 最新价:{data['last']}, 持仓量:{data['position']}")
# 输出:合约:rb2405, 最新价:3820.0, 持仓量:125678
| 参数 | 获取方式 | Python处理建议 |
|---|---|---|
| 资金利率 | Shibor、DR007、国债逆回购 | 使用pandas resample计算7日均值 |
| 仓储费率 | 交易所公告(如大商所豆粕0.5元/吨/天) | 配置文件存储,按品种动态加载 |
| 保险费用 | 现货商报价(通常0.05%~0.1%) | 设为变量,支持敏感性分析 |
| 交易成本 | 期货手续费+印花税+过户费 | 实时计算滑点成本(如0.5‰) |
数据同步技巧:
期现套利信号并非简单比较期货与现货价格,而是基于理论基差区间的动态判断。核心模型:
理论期货价格:F = S × e(r + u - y) × t
其中:
Python实现:
import numpy as np
def calc_theoretical_basis(spot, r, u, y, t_days):
t = t_days / 365.0 # 转为年化
future_price = spot * np.exp((r + u - y) * t)
return future_price - spot # 返回基差
# 示例:螺纹钢现货3800元/吨,r=2.5%,u=0.15%,y=0%,剩余90天
basis = calc_theoretical_basis(3800, 0.025, 0.0015, 0, 90)
print(f"理论基差:{basis:.2f} 元/吨") # 输出:理论基差:76.52 元/吨
基差具有强均值回归特性,常用方法:
回测信号生成逻辑:
def generate_signal(basis_series):
mean = basis_series.mean()
std = basis_series.std()
zscore = (basis_series.iloc[-1] - mean) / std
if zscore < -2.0:
return "long_basis" # 买入基差(现货多+期货空)
elif zscore > 2.0:
return "short_basis" # 卖出基差(现货空+期货多)
else:
return "hold"
适用于多个品种组合套利(如铜/铝/锌联动套利):
Python代码示例:
from statsmodels.tsa.stattools import adfuller, ols
import statsmodels.api as sm
# 假设spot_prices, futures_prices为同长度序列
X = sm.add_constant(futures_prices)
model = sm.OLS(spot_prices, X).fit()
residuals = model.resid
# ADF检验残差
result = adfuller(residuals)
if result[1] < 0.05: # p-value < 0.05 表示平稳
print("存在协整关系!可构建配对套利")
else:
print("无协整关系,需换品种或频率")
动态参数优化:
回测是期现套利的生命线。错误的回测会导致“纸上富贵”,实盘巨亏。核心原则:
import backtrader as bt
class BasisArbitrage(bt.Strategy):
params = (
('basis_window', 60),
('z_threshold', 2.0),
('commission', 0.0005), # 0.05%滑点
)
def __init__(self):
self.basis = self.data0.close - self.data1.close
self.basis_mean = bt.indicators.SimpleMovingAverage(self.basis, period=self.p.basis_window)
self.basis_std = bt.indicators.StandardDeviation(self.basis, period=self.p.basis_window)
def next(self):
if self.basis_std[0] == 0: return
zscore = (self.basis[0] - self.basis_mean[0]) / self.basis_std[0]
if zscore < -self.p.z_threshold and not self.position:
# 买入现货(data1),卖出期货(data0)
self.buy(data=self.data1, size=10)
self.sell(data=self.data0, size=10)
elif zscore > self.p.z_threshold and not self.position:
# 卖出现货,买入期货
self.sell(data=self.data1, size=10)
self.buy(data=self.data0, size=10)
| 指标 | 计算公式 | 行业基准 |
|---|---|---|
| 年化收益率 | (终值/初值)^(252/交易天数)-1 | >15% |
| 最大回撤 | max[(累计收益最高点 - 当前值)/最高点] | <20% |
| 夏普比率 | 年化收益 / 年化波动率 | >1.5 |
| 胜率 | 盈利次数 / 总次数 | >55% |
| 盈亏比 | 平均盈利 / 平均亏损 | >1.8 |
针对期现套利的时变特性,推荐:
示例代码:
from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits=5)
for train_idx, test_idx in tscv.split(data):
train_data = data.iloc[train_idx]
test_data = data.iloc[test_idx]
# 在train_data上优化参数
# 在test_data上验证绩效
# 记录平均夏普比率
避坑指南:
实盘是策略的终极考场。Python实盘需关注:
┌─────────────────┐ ┌──────────────────┐
│ 数据订阅模块 │────▶│ 信号生成模块 │
│ (WebSocket/HTTP)│ │ (基差计算/阈值判断)│
└─────────────────┘ └──────────────────┘
▼ ▼
┌─────────────────┐ ┌──────────────────┐
│ 订单执行模块 │◀────│ 风控模块 │
│ (CTP/QMT/IB API)│ │ (保证金/回撤监控)│
└─────────────────┘ └──────────────────┘
代码示例(VWAP拆单):
def vwap_split_order(total_qty, market_vwap):
# 假设市场VWAP已知
split_qty = []
for i, vol in enumerate(market_vwap[:10]): # 前10分钟
weight = vol / sum(market_vwap[:10])
split_qty.append(int(total_qty * weight))
return split_qty
| 平台 | 优势 | Python库 | 适用场景 |
|---|---|---|---|
| CTP | 国内期货主力接口 | vn.py / QP | 高频套利、程序化交易 |
| QMT | 华泰提供,支持Python策略 | QMT SDK | 量化投资者、机构 |
| IB | 全球市场,支持美股/期货 | ib_insync | 跨境套利、多市场 |
| OKX | 加密货币期货 | okx-api | 数字资产套利 |
关键配置:
实盘启动清单:
尽管期现套利风险低于单边投机,但存在基差风险、流动性风险、交割风险等。风控必须分层设计:
期货保证金 = 合约价格 × 手数 × 保证金比例
Python实时监控:
def check_margin(positions, margin_rate=0.12):
total_margin = 0
for pos in positions:
if pos['side'] == 'future':
margin = pos['price'] * pos['size'] * margin_rate
total_margin += margin
return total_margin
# 示例:持仓10手螺纹钢期货(3800元/吨)
positions = [{'side':'future', 'price':3800, 'size':10}]
print(f"所需保证金:{check_margin(positions):,.0f} 元") # 输出:所需保证金:45,600 元
历史教训:2020年原油宝事件、2022年LME镍价暴涨,均因流动性枯竭导致套利失效。
应对措施:
风控日志模板:
[2024-05-10 14:30:22] WARNING: 保证金使用率 85% > 80%
[2024-05-10 14:31:05] CRITICAL: 基差偏离理论值 3.2σ,触发熔断
[2024-05-10 14:31:10] ACTION: 自动平仓 50% 期货头寸
背景:新能源车需求旺盛,铜价上涨快于铝价,铜铝比(Cu/Al)突破8.5(历史均值7.8)
策略:
结果:
Python实现亮点:
akshare.futures_zh_spot获取实时价格背景:南美大豆到港延迟,现货紧张,豆粕基差(M2409-现货)达+400元/吨(历史高位)
策略:
计算:
Python优化点:
案例启示:
| 类别 | 推荐工具 | 说明 |
|---|---|---|
| IDE | VS Code + Python插件 | 轻量、插件丰富、支持远程开发 |
| 数据存储 | ClickHouse | 高性能时序数据存储(10亿级记录) |
| 可视化 | Plotly | 交互式基差趋势图 |
| 部署 | Docker + Kubernetes | 容器化部署,保证环境一致性 |
并非绝对无风险。主要风险包括:基差收敛不及预期(如交割日基差仍高)、流动性风险(无法及时平仓)、政策风险(如交割规则变更)。历史数据显示,约15%的套利机会因上述原因失败,因此风控必不可少。
建议:10万元起。以豆粕为例,1手保证金约3000元,可同时操作3个品种(每品种2-3手)。重点:不要满仓,预留30%资金应对追加保证金。
不需要!从价差监控脚本开始:
① 用akshare获取实时价格 → ② 计算基差 → ③ 设置Excel条件格式 → ④ 基差超阈值时邮件告警
逐步进阶到自动下单,避免一步登天。
现货交割需:指定交割仓库资质、质检报告、仓单注册。新手建议:避免实物交割,在交割月前平仓,或使用展期策略(将头寸移至次主力合约)。
可以!但需调整:股票无法做空现货,可改为:
① 买入ETF(如510300)+ 卖出股指期货
② 买入成分股组合 + 卖出对应期货
注意:股票套利受T+1限制,响应速度慢于期货。
三步法:
① 用2018-2020年数据调参
② 用2021-2022年数据验证
③ 用2023年数据做压力测试
若三阶段绩效差异>20%,则模型过拟合。
以螺纹钢为例:
- 手续费:约5元/手
- 滑点:0.2点(0.4元/手)
- 总成本:9元/手
若套利空间30元/手,成本占比30%。因此:只做高空间机会(>50元/吨)。
可以!通过:
① 配置QMT本地策略(支持手机监控)
② 使用企业微信告警
③ 手机端查看实时基差图(Plotly嵌入网页)
但不建议完全手机操作,延迟高、易误触。
机会永远存在,但需聚焦:
- 黑色系:铁矿石/焦炭受政策影响大,基差波动剧烈
- 农产品:豆粕/玉米受天气影响,季节性套利明显
- 化工品:PTA/甲醇产业链套利机会多
关键:建立品种监控清单,每日扫描基差Z-score。
建立策略迭代闭环:
① 记录每次交易的:
• 开仓基差、理论基差、平仓基差
• 实际盈亏、滑点成本
② 每月分析:
• 哪些品种胜率高?
• 哪些参数需调整?
③ 更新模型,进入下一轮测试
网友还关心: