期现套利Python

一、期现套利的本质与Python赋能路径

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:

  • ⚡ 实时价差监控:每秒级抓取期货与现货价格,触发阈值即告警
  • ⚙️ 自动下单执行:基于价差信号构建订单流,降低滑点风险
  • 📊 策略动态优化:回测驱动参数调优,避免过拟合
  • 🔒 风控熔断集成:单策略最大回撤、品种集中度、保证金占用实时监控

为何Python成为期现套利首选语言?

  • 生态成熟:金融数据采集→清洗→建模→回测→实盘,全链路覆盖
  • 社区活跃:GitHub上期现套利相关项目超2000个,含CME、DCE官方示例
  • 低门槛高上限:从50行价差监控脚本,到1万行多因子套利系统,平滑过渡
  • 跨平台兼容:支持Linux服务器部署,适配云原生(Docker/K8s)

二、期现套利的三大核心逻辑与Python实现框架

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:

1. 正向套利(Cash-and-Carry)

适用条件:期货价格 > 现货价格 + 持有成本

操作路径:

  1. 买入现货(或现货指数ETF)
  2. 卖出对应期货合约
  3. 持有至交割日,交付现货获利

Python关键点:

  • 计算持有成本:利息成本(现货持仓)+ 仓储费 + 保险费 + 交易成本
  • 动态调整对冲比例:基差收敛时逐步平仓

2. 反向套利(Reverse Cash-and-Carry)

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:

  1. 卖空期货
  2. 买入现货(或通过融券获取)
  3. 交割日买入现货平仓期货,赚取贴水收益

Python关键点:

  • 融券成本建模(如股票期货的融券利率)
  • 交割日流动性预测:避免主力合约换月导致的价差波动

3. 跨期套利(Calendar Spread)

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:

  • 滚动窗口计算价差Z-score
  • 季节性因子建模(如农产品 harvest season)
  • 跨合约价差协整检验(Engle-Granger两步法)

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

三、期现货数据获取与清洗——Python实战要点

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:

期货数据获取方案

  • 交易所官方:上期所、大商所、郑商所提供实时行情API(需会员资质)
  • 第三方平台:
    • akshare(免费):支持主力连续合约、历史行情
    • Tushare Pro(积分制):高质量高频数据(1分钟K线)
    • Wind(付费):机构级数据,含仓单数据、库存报告
  • 关键字段:
    • 合约代码(如rb2405)
    • 昨结算、今开盘、最高/最低/最新价
    • 持仓量、成交量、持仓变化
    • 交割月、最后交易日、交割结算价

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

现货价格采集策略

  • 官方渠道:
    • Mysteel(上海钢联):金属/建材现货报价(需订阅)
    • 国家粮食信息中心:农产品基准价格
    • 上海黄金交易所:黄金现货AU9999
  • 爬虫补充:
    • 针对性采集地方批发市场(如广州南岸路木材市场)
    • 使用Selenium模拟登录获取实时报价
  • 数据清洗重点:
    • 统一计价单位(元/吨 vs 元/吨含税)
    • 处理缺失值(如周末/节假日休市数据用前值填充)
    • 异常值检测(3σ原则剔除单日波动>10%的记录)

持有成本关键参数

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:

  • 使用Redis队列解耦数据采集与策略模块
  • 时间戳对齐:将期货/现货数据重采样至1秒级,以期货时间为基准
  • 校验机制:当基差连续5秒偏离理论值2倍标准差时触发告警

四、基差建模与信号生成——Python量化核心

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:

持有成本模型(Cost of Carry Model)

理论期货价格:F = S × e(r + u - y) × t

其中:

  • S:现货价格
  • r:无风险利率(年化)
  • u:持有成本(仓储、保险等)
  • y:便利收益(持有现货带来的隐性收益)
  • t:到期时间(年化)

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

价差均值回归策略

基差具有强均值回归特性,常用方法:

  • Z-score信号:当基差 < mean - 2×std 时开多(买入现货+卖出期货)
  • Bollinger Bands:基差突破下轨时触发套利
  • Hurst指数验证:计算基差序列的持久性(Hurst<0.5为均值回归)

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"

协整关系建模(Engle-Granger两步法)

适用于多个品种组合套利(如铜/铝/锌联动套利):

  1. 步骤1:检验现货价格序列是否平稳(ADF检验)
  2. 步骤2:若非平稳,用OLS回归建立长期均衡关系:S = α + βF + ε
  3. 步骤3:检验残差ε是否平稳(若平稳则存在协整)

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:

  • 滚动窗口(60日)计算均值/标准差,适应市场波动率变化
  • 引入波动率调整:当VIX > 30时,扩大阈值(-2.5, 2.5)
  • 季节性校正:农产品套利加入 harvest season 调整因子

五、策略回测框架——避免过拟合的关键实践

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:

  • ✅ 使用前视偏差修正数据(避免未来函数)
  • ✅ 包含交易成本(手续费+滑点)
  • ✅ 模拟真实订单执行(部分成交、滑点分布)
  • ❌ 禁用滚动预测(基差策略无需机器学习)

Backtrader回测框架结构

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)

关键绩效指标

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

交叉验证方案

针对期现套利的时变特性,推荐:

  • 时间序列交叉验证:将2018-2023年数据分为5段,用前4段训练,后1段验证
  • 品种泛化测试:在螺纹钢策略上测试铜/铝是否有效
  • 参数扰动分析:对关键参数(basis_window)±10%测试稳健性

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:

  • 交割日效应:避免在交割周内持有套利头寸(基差剧烈波动)
  • 流动性陷阱:仅交易日均持仓>1万手的合约(主力合约+次主力)
  • 资金占用计算:期货保证金 + 现货持仓成本 + 预留应急资金

六、实盘部署与交易执行——从回测到实战

实盘是策略的终极考场。Python实盘需关注:

实盘系统架构

┌─────────────────┐     ┌──────────────────┐
│  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)│
└─────────────────┘     └──────────────────┘

订单执行策略

  • VWAP算法:将大单拆分为小单,按成交量加权执行
  • TWAP算法:均匀时间间隔下单(适用于低波动品种)
  • Iceberg:显示部分订单,隐藏剩余数量
  • 滑点监控:当实际成交价偏离预期>0.3%时暂停下单

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

主流API对比

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:

  • 心跳保活:每30秒发送Ping包
  • 订单状态轮询:检查“已报”、“部成”、“已撤”状态
  • 断线重连:自动恢复持仓快照

实盘启动清单:

  1. ✅ 纸质合同签署(期货账户、API权限)
  2. ✅ 压力测试:模拟1000笔/秒订单流
  3. ✅ 监控告警:企业微信/邮件实时通知
  4. ✅ 人工复核开关:关键操作需二次确认

七、风控体系——套利并非无风险

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:

风控层级

  • 策略层:最大持仓比(单策略≤总资金20%)
  • 品种层:单品种最大亏损≤15%
  • 账户层:总回撤≥10%时暂停所有策略
  • 系统层:单笔订单最大数量、最大下单频率

动态保证金计算

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

极端行情预案

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:

  • 设置基差偏离警戒线:当基差 > 理论值×1.5时强制平仓
  • 流动性过滤:仅交易日均成交量>5万手的合约
  • 压力测试:模拟20%价格单边波动下的盈亏
  • 保险策略:买入虚值期权对冲尾部风险

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

八、真实案例解析——从0到1的套利实践

案例1:2023年铜铝价差套利(2023.06-2023.08)

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:

  1. 买入铝期货(AL2401),卖出铜期货(CU2401)
  2. 当铜铝比 > 8.5 时开仓,≤7.8 平仓
  3. 动态对冲:每变动0.1,调整头寸比例

结果:

  • 开仓价:Cu=67,800元/吨,Al=8,400元/吨 → 比值=8.07
  • 平仓价:Cu=66,500元/吨,Al=8,600元/吨 → 比值=7.73
  • 盈利:2.34万元(投入50万,收益率4.68%)
  • 最大回撤:1.2%(在比值达8.7时触发风控)

Python实现亮点:

  • 使用akshare.futures_zh_spot获取实时价格
  • 动态计算比值Z-score
  • 通过vn.py自动下单

案例2:2024年豆粕基差套利(大商所)

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:

  1. 买入豆粕现货(采购价3500元/吨)
  2. 卖出M2409合约(价格3900元/吨)
  3. 持有至9月交割,扣除仓储费(0.5元/吨/天)

计算:

  • 持有成本:3500 × 2.5% × (90/365) + 0.5 × 90 = 21.6 + 45 = 66.6元/吨
  • 理论基差:66.6元/吨
  • 实际基差:3900 - 3500 = 400元/吨 → 严重高估
  • 套利空间:400 - 66.6 = 333.4元/吨
  • 实际盈利:333.4 - 交易成本(约50元)= 283.4元/吨

Python优化点:

  • 接入Mysteel现货报价API
  • 自动计算仓储费(考虑不同仓库费率差异)
  • 交割日倒推:提前3天生成交割申请

案例启示:

  • 套利机会转瞬即逝,需毫秒级响应
  • 理论模型需结合现货实际(如仓储地点、品质差异)
  • 小资金可做(10万起),大资金需分仓操作

九、工具链推荐——提升开发效率

开发环境

类别推荐工具说明
IDEVS 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

必用开源项目

  • vn.py:国内最成熟的量化交易平台,支持CTP/QMT
  • Backtrader:轻量级回测引擎,适合教学与快速验证
  • akshare:免费金融数据接口,更新及时
  • statsmodels:统计建模库,含ADF、协整检验
  • pyarrow:高效数据序列化,加速Pandas操作

深度学习资源

  • 书籍:
    • 《Python量化交易实战》|莱恩(Lenny)著
    • 《期货市场技术分析》|约翰·墨菲(经典)
    • 《统计套利:中国期货市场策略与实践》|中国金融出版社
  • 课程:
    • 中国大学MOOC《量化投资与Python》|上海交通大学
    • Udemy《Algorithmic Trading with Python》
  • 社区:
    • 掘金量化社区(https://www.joinquant.com)
    • 聚宽网(https://www.joinquant.com)
    • 知乎专栏《期现套利实战》

十、网友最关心的10个问题

① 期现套利真的无风险吗?

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。

② 小资金如何入场?

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。

③ 需要量化经验吗?

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。

④ 交割如何处理?

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)。

⑤ 能用于股票吗?

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。

⑥ 如何避免过拟合?

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。

⑦ 交易成本影响多大?

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)。

⑧ 能用手机操作吗?

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。

⑨ 2024年还有机会吗?

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。

⑩ 如何持续优化策略?

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:

  • 如何计算套利组合的VaR?
  • 基差交易与波动率交易如何结合?
  • 如何处理合约展期带来的价差波动?
  • 跨市场套利(如LME与SHFE铜)可行性?