套保压力假说：商品期货的风险溢价，是生产商付给投机者的过路费

问题：商品期货多头的钱，到底是谁付的？#

买入并长期持有商品期货多头，历史上能赚到正收益。但这笔钱从哪来？商品本身不像股票有分红、不像债券有票息，一桶原油放十年不会自己生出钱来。那么期货多头的正收益，必然来自别人愿意付给你的一笔钱。

凯恩斯（Keynes）在 1930 年代给出了一个至今仍是商品定价基石的答案——正常现货溢价（normal backwardation），其背后的机制叫套保压力假说（hedging pressure hypothesis）：

• 生产商天然是净空头：一个种玉米的农民、一家开采原油的公司，最怕的是收获/开采时价格暴跌。他们会卖出期货锁定未来售价——这是天然的套保需求，方向是做空。
• 投机者被迫接盘做多：期货是零和的，有人卖就得有人买。生产商大量做空对冲，市场就需要投机者来做多接盘。
• 投机者要溢价才肯来：投机者承担价格风险，不是做慈善。他们要求期货价格系统性地低于预期的未来现货价，这样等期货到期收敛到现货时，多头就赚到了这段差价。

结论就是凯恩斯的洞见：期货价格 < 预期现货价，多头长期获得正的风险溢价。这笔溢价，本质上是生产商为了转移价格风险，付给投机者的”过路费”。

这个假说有个漂亮的可检验推论：套保压力越大的品种（生产商套保越重），多头风险溢价应该越高。 本文用固定种子 20260801 造一个 24 个商品品种、10 年月度数据的世界，检验：套保压力能不能横截面预测商品期货收益？它和展期收益什么关系？做成多空因子稳不稳？以及——如果偷看未来，这个因子会变成什么样的怪物？

一、套保压力越大，多头溢价越高#

我给每个品种设一个结构性套保压力：净空头对冲比例（生产商套保减去消费者套保）。这个值越大，说明生产商的套保需求越占主导，市场越需要投机者做多接盘——按凯恩斯理论，这个品种的多头风险溢价就该越高。能源和农产品的生产商套保通常很重（净空头压力大），工业金属相对轻一些。

真实的月度风险溢价我设成正比于套保压力（$\text{溢价} = \kappa \times \text{套保压力}$），然后在此之上叠加商品大盘共同因子和品种特异波动。注意：投机者观测到的套保压力不是真值——现实里我们用 CFTC 的 COT（持仓报告）来代理套保压力，它是带噪声的、时变的。

左图是核心证据：横轴是结构性套保压力，纵轴是各品种 10 年的年化实现收益，散点清晰地向右上方倾斜（拟合斜率 0.11）。套保压力越大的品种，多头确实赚得越多——这正是套保压力假说的横截面预言。

右图揭示了一个连接现货市场和期货曲线的关键事实：套保压力与展期收益（roll yield）强正相关（斜率 0.50）。展期收益是持有期货、不断把近月合约展期到远月时赚（或亏）的钱。当生产商大量做空、把近月压低，期货曲线呈现 backwardation（近高远低），此时展期是正收益——你不断卖出较贵的近月、买入较便宜的远月，赚取价差。套保压力、backwardation、正展期收益，是同一枚硬币的三个面。 这也是为什么商品因子研究里，“套保压力”和”展期收益/期限结构”两个信号高度相关——它们测的是同一个底层经济学。

二、做成多空因子：Sharpe 1.21，对大盘近乎中性#

有了横截面信号，构造因子就很直接：每月末按可观测的套保压力代理排序，做多套保压力最高的 6 个品种、做空最低的 6 个，等权，下月持有。信号严格用上月末的数据（因果，不偷看未来）。

import numpy as np

def long_short_portfolio(signal_t, returns, q=6):
    """每月按套保压力信号分组，做多高组、做空低组，等权
    signal_t: (M, N) 因果信号（用上月末）；returns: (M, N) 月度收益"""
    M = returns.shape[0]
    pnl = np.zeros(M)
    for t in range(1, M):
        order = np.argsort(signal_t[t-1])   # 关键：用上月末信号，不偷看当月
        short_idx, long_idx = order[:q], order[-q:]
        pnl[t] = returns[t, long_idx].mean() - returns[t, short_idx].mean()
    return pnl

def sharpe_m(pnl):
    p = pnl[1:]
    return p.mean() / p.std() * np.sqrt(12) if p.std() > 0 else 0.0

# 陷阱对照：把 signal_t[t-1] 换成 returns[t]（当月收益）就是 look-ahead，
# Sharpe 会从 1.21 飙到 22——任何这种数字都是偷看未来的铁证。

左图对比套保压力多空因子和商品大盘等权买入持有：因子 Sharpe 1.21，远超大盘的 0.56。而且因子净值曲线明显更稳、回撤更浅——因为它是多空对冲的，剥离了商品大盘的方向性风险。

右图证实了这一点：因子月收益对大盘月收益的散点几乎是一团云，相关系数只有 0.24、β 仅 0.19。这个因子赚的不是”商品涨”的钱，而是”高套保压力品种相对跑赢低套保压力品种”的钱——一个真正的横截面 alpha，而非伪装成 alpha 的商品 beta。这个区分很重要：如果一个”商品因子”其实和大盘高度相关，那它在商品熊市里会和大盘一起趴下，根本不是分散化的收益源。

三、单调性与稳定性：因子的两块试金石#

一个横截面因子可信不可信，先看两件事：分组是否单调、收益是否稳定。

左图把品种按套保压力分成五组，看各组的年化实现收益：Q1（最低套保压力）-0.3%、Q2 4.7%、Q3 11.9%、Q4 12.3%、Q5（最高）16.0%——几乎完美单调递增。单调性是因子真实性的强证据：如果只有最高组和最低组有差异、中间乱成一团，那多半是尾部的少数极端品种在驱动，因子很脆。这里的干净单调说明套保压力和溢价之间是稳定的、连续的关系。

右图是因子的年度收益：10 年里 10 年为正。没有靠某一两年的暴利撑起整段业绩，收益分散在各个年份——这是一个健康因子该有的样子。当然，这是模拟世界里套保压力结构相对稳定的结果，真实市场的套保压力会随产业格局、投机者结构变化而波动，不会这么整齐。

四、对抗式检验：这 1.21 经得起拷问吗？#

一个 Sharpe 1.21、对大盘中性、单调、年年为正的因子，太完美了，完美到必须往死里查。四个对抗式检验直击要害。

图4a：关掉套保压力，因子还赚钱吗？ 这是最根本的检验。我把风险溢价的来源彻底关掉（$\kappa=0$，即套保压力不再产生任何溢价，收益纯由大盘因子和噪声构成），重跑因子。为避免单次抽样的运气（单条 null 世界可能凑巧刷出高 Sharpe），我跑 50 次独立抽样取均值：因子 Sharpe 0.03，紧贴零。这证明因子的收益完全来自套保压力这个真实机制，而不是数据挖掘或排序本身的某种统计假象。注意：这个”多次取均值”的细节很关键——如果只跑一次 null 世界，你可能撞上一个 Sharpe 0.6 的幸运样本，误以为因子有问题；对抗式检验本身也需要防过拟合。

图4b：look-ahead 会造出什么怪物？ 我把排序信号从”上月套保压力”换成”当月收益本身”（直接偷看本月哪些品种涨得好，做多它们、做空跌得差的），Sharpe 飙到 22。这是一个荒诞到一眼假的数字——任何回测里出现 Sharpe 十几、二十几，第一反应必须是”我一定在某处偷看了未来”，而不是”我发现了圣杯”。 这个对照的价值在于给你一把标尺：真因子的 Sharpe 是 1.21，look-ahead 版本是 22，两者差了一个数量级。当你的回测结果异常漂亮时，拿它和”故意 look-ahead”的版本比一比，就知道自己离作弊有多近。

图4c：置换检验。 我把品种的套保压力标签随机打乱（保留收益数据，只破坏”哪个品种对应哪个套保压力”的映射），跑 300 次，得到零假设下的 Sharpe 分布：95 分位 0.71，最大 1.09。真实因子的 1.21 超过了全部置换的 95 分位、也超过最大值——说明因子收益来自套保压力和收益之间真实的对应关系，而不是随便贴个标签也能刷出来的运气。

图4d：COT 代理噪声敏感性——因子的现实软肋。 现实里我们观测不到真实套保压力，只能用 COT 持仓报告来代理，而这个代理是带噪声的。我给套保压力信号叠加不同强度的观测噪声，看因子怎么衰减：噪声 std=0 时 Sharpe 1.16，std=1.0 时 0.64，std=3.0 时只剩 0.25——单调下降。这条曲线是套保压力因子在实盘里的命门：你的信号有多好，取决于你的 COT 代理有多干净。 COT 数据分类粗糙（商业 vs 非商业的划分并不完美对应真实套保 vs 投机）、公布有滞后、频率是周度，这些都是给信号注入噪声的渠道。因子理论上成立，实盘能吃到多少，取决于你能把套保压力测得多准。

三段式总结#

A. 实现细节#

• 数据生成：24 个商品品种、120 个月（10 年）月度收益。每个品种设一个结构性套保压力（净空头对冲比例），真实月度风险溢价正比于套保压力（$\kappa=0.01$），在此之上叠加商品大盘共同因子和品种特异波动（月度 4%~7%）。固定种子 20260801。
• 信号构造：投机者观测的是带噪声、时变的套保压力代理（模拟 COT 报告），严格用上月末信号排序（因果）。
• 因子构造：每月做多套保压力最高 6 个品种、做空最低 6 个，等权，多空对冲。收益与商品大盘等权买入持有对比。
• 对抗式检验：(1) 关掉套保压力（$\kappa=0$）跑 50 次取均值；(2) 用当月收益 look-ahead 排序；(3) 打乱套保压力标签置换 300 次；(4) 给信号叠加不同强度观测噪声的敏感性扫描（每档 40 次取均值）。

B. 已知偏差#

• 套保压力是外生设定的：本文直接把”套保压力→溢价”的线性关系写进数据生成，而没有从生产商/投机者的最优对冲决策里内生推导。真实世界这个关系的强度、稳定性是经验问题，会随产业集中度、投机资本流入（商品指数化投资的兴起就显著改变了套保压力结构）而变化。
• COT 代理的现实缺陷未完全建模：本文用”真值+高斯噪声”近似 COT 代理，但真实 COT 的问题更复杂——商业/非商业分类不完美、掉期交易商归类模糊、周度公布且有滞后、部分品种持仓集中。图4d 的噪声敏感性只是一个方向性提示。
• 无交易成本与展期成本：商品期货多空、每月调仓、频繁展期都有真实成本（买卖价差、展期滑点、保证金占用），本文未建模。商品期货流动性差异大（原油 vs 小品种），冲击成本可能吃掉相当一部分因子收益。
• 品种同质假设：模拟里品种的特异波动同质、无极端跳跃。真实商品有剧烈的供给冲击（天气、地缘、减产），天然气这类品种的波动和肥尾远超模型设定，因子在这些冲击下的表现会更颠簸。
• 纯多头/纯空头的现实约束：做空部分商品期货在某些市场/合约上流动性不足或成本高，纯多空因子的空头腿实盘可能打折。

C. 结果解读#

• 商品期货溢价有坚实的经济学根基：套保压力假说不是数据挖掘出来的经验规律，而是有清晰因果机制的理论——生产商付过路费、投机者收过路费。本文在一个套保压力严格驱动溢价的世界里复现了它的全部预言（横截面单调、与展期收益正相关、多空 Sharpe 1.21），图4a 关掉机制后因子归零更是直接证明了收益来源。这种”机制可解释”的因子，比纯统计挖出来的因子稳健得多。
• 套保压力和展期收益是同一个东西的两面：斜率 0.50 的正相关说明，做商品因子时你不需要在”套保压力”和”期限结构/展期收益”之间纠结——它们高度相关，都在捕捉 backwardation 这个底层结构。实盘里展期收益（期货曲线斜率）通常比 COT 更容易、更及时地观测，可能是更实用的信号载体。
• look-ahead 的标尺价值：图4b 里 Sharpe 22 的怪物不是笑话，是工具。它告诉你”如果我偷看未来，这个策略能好到什么程度”，从而给真实结果一个上界参照。真因子 1.21 vs look-ahead 22，差一个数量级——当你的回测 Sharpe 逼近这个 look-ahead 上界时，几乎可以肯定你的因果性出了问题。
• 因子的实盘上限由信号质量决定：图4d 是这篇文章给实盘最重要的提醒。套保压力因子理论上成立，但你能吃到多少完全取决于 COT 代理有多干净——噪声从 0 加到 3，Sharpe 从 1.16 掉到 0.25。在商品因子上，胜负往往不在”用不用套保压力”，而在”你的套保压力测得比别人准多少”。 这也解释了为什么同样做商品 carry/套保压力的机构，业绩能差出一大截。
• 适用边界：套保压力因子适合能交易多品种商品期货、能承受展期成本、能获取并清洗 COT 数据的机构。它在套保压力结构稳定的常态市场里是稳健的横截面收益源，但在商品指数化资金大进大出、或供给端剧烈冲击（如能源危机）时，套保压力结构会被打乱，因子会失灵甚至反向。先确认你的信号源（COT/期限结构）的质量，再决定这个因子在你的组合里配多重。