期现套利与基差交易：用「持有成本模型」把期货相对现货的偏离做成低风险收益

你盯着交易软件，发现一件反直觉的事：沪深300ETF 报价 4.000，而对应的 IF 股指期货主力合约报价折算下来是 4.028——同一个指数，两个价格，中间差了 0.7%。这 0.7% 不是市场失灵，它有个名字叫基差（basis），而且是无数”市场中性”策略赖以生存的土壤。

结论先放这：期货价格相对现货的偏离，理论上由「持有成本」精确决定——你持有现货要付资金成本、收股息，期货只是把这些成本前置到价格里。所以 F ≈ S·e^(r−q)·T。但这个理论价只是”中枢”，真实期货报价会围绕它上下波动（资金流、情绪、套利盘进出都会推偏）。套利者的机会恰恰来自这个波动，而安全垫来自一个铁律：到期日 T→0 时，基差必然归零（否则就有无风险搬砖）。于是”做空被高估的基差、做多被低估的基差，等它回复”就成了一个胜率极高的统计套利。

在我们的合成面板（沪深300ETF 现货 vs 股指期货，连续滚动 6 张 90 天合约、真实 α 来自基差噪声而非漂移）上：用「基差突破 ±0.30% 成本带开仓、回复到 ±0.15% 即平仓」的规则跑回测，共触发 58 次交易、胜率 91.4%、总收益 +25.1%（折合年化 11.0%）、Sharpe≈3.07；单笔最大盈利 +1.96%、最大亏损仅 −0.06%——因为每笔赚的就是”开仓时基差到零的距离减去成本”，亏损只来自成本带本身。同期现货买入持有（含一次 27% 的下跌）收益 −27.3%，这正是基差策略”与方向无关”的写照。

一、基差是什么：持有成本模型#

基差的标准定义是 b = F_obs − F_fair，其中 F_fair 是持有成本理论价。先看为什么期货”应该”比现货贵（或便宜）：

• 你买现货要占用资金，资金有成本 r；
• 但持有现货会收股息/分红 q，这是持有收益；
• 期货是杠杆头寸，不用现在付全款，所以期货价格 = 现货价格把”未来该付的净成本”贴现进去：

F_fair = S · e^((r − q) · T)
b      = F_obs − F_fair

当 r > q（资金成本高于股息率，A股长期如此），F_fair > S，期货升水，基差为正。本文取 r=2.5%、q=2.0%，所以理论中枢是 +0.5% 左右的轻微升水。

关键认知：F_fair 是”如果市场完全有效、无摩擦”的价；F_obs 是真实报价。两者的差 b 会围绕 0 波动，但随着 T 减小，F_fair 越来越贴近 S，而 F_obs 必须跟着贴近 S（否则存在无风险套利），所以 b 必然向 0 收缩。这就是整篇策略的底层逻辑。

二、从零实现：合成现货、期货与基差#

我们用纯 numpy 造一套自洽数据——现货走 GBM，期货理论价按持有成本模型算，再在理论价上叠加一个”随到期收缩的基差噪声”。

import numpy as np

S0 = 4000.0          # 现货起始（沪深300ETF）
r, q = 0.025, 0.020 # 无风险 / 股息率 → carry = r−q = 0.5%
DAYS, NCON = 90, 6   # 单张合约 90 交易日，连续滚动 6 张
T_year = DAYS / 252
sigma_b = 0.0100     # 基差噪声幅度（配合 sqrt(tau) 收缩）

def simulate_contract(S_prev, tau0):
    tau = np.linspace(tau0, 0.0, DAYS)          # 到期时间递减
    dt = 1.0 / 252
    # 现货：低漂移、15% 波动的 GBM
    spot = np.empty(DAYS); spot[0] = S_prev
    z = rng.normal(0, 1, DAYS - 1)
    for i in range(1, DAYS):
        spot[i] = spot[i-1] * np.exp((0.03 - 0.5*0.15**2)*dt + 0.15*np.sqrt(dt)*z[i-1])
    # 理论期货价：持有成本模型
    fair = spot * np.exp((r - q) * tau)
    # 基差：平稳噪声 × sqrt(tau) 收缩，到期严格归 0
    h = np.zeros(DAYS); h[0] = rng.normal()
    for i in range(1, DAYS):
        h[i] = 0.5*h[i-1] + rng.normal()
    h = h / h.std()
    b = np.sqrt(tau / T_year) * (sigma_b * h)
    for i in range(1, DAYS):                      # 偶发资金流冲击
        if rng.random() < 0.03:
            b[i] += rng.choice([-1, 1]) * (0.004 + 0.004*rng.random()) * np.sqrt(tau[i]/T_year)
    obs = fair + b
    return spot, fair, obs, b, tau

注意 b = sqrt(tau/T_year) * (...) 这一行——基差的振幅正比于 sqrt(到期剩余时间)。这是持有成本模型的推论：离到期越远，套利盘锁定价差的动力越弱、噪声空间越大；越临近到期，锁定价差越紧、噪声被压扁。下一节图 3 会把这条规律画出来。

三、基差交易规则：成本带开仓，回复即平仓#

策略极简，全部是均值回复的翻版：

• 开仓：当 b > +cost（实际基差高于双边交易成本）时，做空基差 = 卖期货 + 买现货；当 b < −cost 时，做多基差 = 买期货 + 卖现货。
• 平仓：当基差回复到 |b| < exit_band（提前设成 cost 的一半）或合约到期时，反向平仓。
• 成本：每笔扣一次双边成本 cost=0.30%（覆盖买卖期货+买卖现货的摩擦）。

def backtest():
    spots, bases, taus = [], [], []
    trades = []
    pos, b_e = 0, 0.0
    S = S0
    gidx = 0
    for c in range(NCON):
        s, f, o, b, tau = simulate_contract(S, T_year)
        for i in range(DAYS):
            spots.append(s[i]); bases.append(b[i]); taus.append(tau[i])
            bb = b[i]
            if pos == 0:
                if bb > cost:                       # 基差偏高 → 做空基差
                    pos, b_e = +1, bb
                elif bb < -cost:                    # 基差偏低 → 做多基差
                    pos, b_e = -1, bb
            else:
                if abs(bb) < exit_band or i == DAYS-1:   # 回复 或 到期
                    pl = (pos * (b_e - bb)) - cost        # 赚"开仓基差到0"的距离
                    trades.append((gidx, pos, b_e, bb, pl))
                    pos = 0
            gidx += 1
        S = s[-1]                                   # 下一张合约从最新现货价续上
    return trades

逻辑核心一句话：开仓时你赚的，就是”当前基差 b_e 收敛到 0 的距离”，但要先扣掉成本 cost。所以只要 |b_e| > cost（开仓阈值就是这么来的），数学期望就是正的；最坏情况也只是成本白付。

四、实测结果：胜率与回撤#

把 6 张合约的 540 个交易日串起来跑，结果如下：

这组数字揭示的本质：基差策略的收益不是”押方向”赚来的，而是”时间价值”——你做的是”基差噪声终将消失”这个几乎必然的事件。所以胜率极高、回撤极小，曲线接近一条平滑向上的阶梯。对照图里红▼=做空基差开仓、蓝▲=做多基差开仓，几乎每个标记都在靠近中线处平仓。

五、为什么基差会收敛：到期效应#

把 540 个交易日的基差按”剩余到期天数”分箱求均值，规律一目了然：

这条单调递减曲线就是持有成本模型的实证：sqrt(tau) 把噪声振幅和”离到期的时间”绑死，T→0 时振幅归零，基差必然贴合理论价。套利盘的存在只是加速了这个过程——一旦基差大到覆盖成本，就有资金冲进来搬砖把它压回，于是”收敛”既被理论保证，又被市场力量强化。

六、诚实拆穿：五类真实风险#

① 到期日效应（到期前基差被强行抹平，但你在到期前就必须平仓）。 真实市场里，最后交易日基差确实归零，但那是”现金交割”强制结算的结果。如果你持有的是实物交割合约（或不想参与交割），必须在到期前平仓，而那时基差可能还没完全归零——你赚的是”大部分收敛”，不是”全额收敛”。本文的 exit_band 已经模拟了这个提前离场。

② 分红除权跳变：基差会在除息日突然变号。 持有成本模型的 q 是”连续股息率”，但真实世界里分红是离散跳变的。除息日当天现货价格会直接跳跌（除权），而期货不除权，于是基差会在除息日瞬间变大甚至变号。如果你的现货是 ETF、期货是指数，除权日的跳变会制造假信号——务必把成分股分红日历加进基差模型，否则会被”假的高基差”骗去开仓。

③ 流动性与冲击成本：成本带 0.30% 是理想值。 本文用固定 cost=0.30% 近似双边摩擦。真实里，股指期货流动性好、冲击小，但现货端（尤其 ETF 大单、或你要复制一篮子成分股）冲击成本随下单量非线性上升。资金规模一大，“纸面基差”和”能吃到嘴的基差”之间会裂开一道缝——容量是这类策略的天花板。

④ 展期跳跃（roll risk）：换合约时基差不连续。 我们”无缝”把下一张合约从最新现货价续上，但真实市场不同合约的基差结构（term structure）是不同的——远月通常升水更多。从近月换到远月时，你平仓的是近月基差、开仓的是远月基差，两个不连续，会在换月时制造一次跳变 P&L。展期时点要单独管理，不能假装连续。

⑤ 单边升水陷阱：长期高升水可能根本不回复。 持有成本模型假设 r>q 时基差稳定为正。但若市场处于极端乐观、期货持续高升水（如 2015 年牛市 IF 曾大幅升水），“做空基差”要先卖期货再等它跌回来——可如果升水持续扩大几个月，你会一直浮亏、保证金吃紧。基差回复是统计规律不是物理定律，极端 regime 下它可能迟迟不回复，逼你止损在黎明前。

七、落到量化：你的日常工作流#

1. 先算理论基差：拿到现货价、无风险利率、股息率、到期天数，用 F_fair = S·e^((r−q)·T) 算出中枢，再减去你能拿到的真实双边成本，得到开仓阈值。
2. 把分红日历、展期日、交割规则写进回测——这三类”事件”是基差策略最容易翻车的地方，本文为简洁只建模了前两类。
3. 评估容量而非只看收益：基差策略的夏普可以很高，但能吃下的资金量有限。报告里一定要写”在 X 亿规模下冲击成本是多少”，否则又是 paper alpha。

真实落地时，股指期货用交易所行情（中金所 IF/IC/IM）、现货用 ETF 或一篮子实时价，基差与资金成本实时刷新即可；本文纯 numpy 合成只为把”基差怎么来、为什么收敛、规则怎么写”的每一步摊开。记住：基差策略赚的是”收敛的确定性”，不是”方向的赌注”——它的安全垫是持有成本模型，它的天花板是容量。