期现套利策略：期货套利的“原点”，从基差、无套利区间到正向/反向套利

📘 本章重点

理解期现套利的核心逻辑：利用期货与现货之间基差的均值回归与到期收敛特性获利
掌握期现套利的两种基本方向——正向套利（买现货卖期货）与反向套利（卖现货买期货）
学会基差的计算方法及其在套利决策中的应用
理解“无套利区间”的概念及其对套利机会判断的重要意义
认识期现套利与跨期套利（第二.07）、跨品种套利（第二.08）的本质区别

⚠️ 本章难点

理解“基差”而非“价格”是期现套利的交易标的——基差 = 现货价格 – 期货价格
掌握无套利区间的计算方法——套利需要覆盖交易成本、资金成本、仓储成本等
区分正向套利与反向套利的适用条件——反向套利涉及卖空现货，实操难度远大于正向套利
理解期现套利与跨期套利的本质区别：前者是“期货与现货”的价差，后者是“期货与期货”的价差
认识期现套利的“天花板”——套利空间被成本吃掉后，策略无利可图

⏱️ 预估学习时间

45～60分钟

一、策略简述与一句话定性

一句话定性：期现套利策略是一种利用期货与现货之间基差偏离的套利方法——当期货价格与现货价格之间的价差（基差）偏离正常范围时，同时在期货市场和现货市场进行相反方向的操作，待基差回归或到期收敛时平仓获利。

期现套利（Cash-and-Carry Arbitrage / Index Arbitrage）是期货市场中最基础的套利策略之一，也是套利交易的“原点”。它的交易标的是基差——即期货价格与现货价格之间的差值。

一个直观的比喻：两种渠道买同一件商品

想象同一款手机，在官方商城卖5000元（现货价格），在京东预售卖5050元（期货价格）。如果你在官方商城花5000元买入，同时在京东以5050元卖出（预售），等手机到货后交付给京东买家，你就锁定了50元的差价——这就是期现套利。

反过来，如果预售价格比官方商城便宜，你可以在京东以4950元买入预售券（相当于买入期货），同时借一台手机在官方商城以5000元卖出（相当于做空现货），等预售券到期后拿到手机、还给借方。你锁定的同样是50元差价，但方向相反。

你不需要判断手机未来会涨价还是跌价，你只需要判断两个渠道的价格差是否足够覆盖你的操作成本。如果价差大于成本，你就锁定了一笔无风险利润。

在深入期现套利之前，先用一张表看清它在整个套利家族中的位置。

维度	跨期套利	跨品种套利	期现套利	配对交易
交易标的	同一品种、不同月份	不同品种、相同月份	同一品种、期货与现货	两只同行业股票
价差驱动力	持有成本理论	产业逻辑	基差收敛（到期必然）	经济逻辑/协整
价差确定性	高	中	最高（制度必然）	较低
价差波动范围	窄	宽	中等	宽
利润空间	薄	中等	薄（被成本压缩）	中等
资金门槛	低	中等	高（需现货头寸）	高
是否需要现货	否	否	是	否
做空工具	期货天然支持	期货天然支持	需融券或借现货	A股融券受限
主要风险	展期成本、流动性	相关性破裂、产业逻辑变化	成本估算错误、融券难	协整破裂、融券成本

一句话区分：跨期套利赌的是“远近价差”会收敛，跨品种套利赌的是“强弱关系”会回归，期现套利赌的是“期货终究会变成现货”——这是确定性最高的套利。

老陈点评：
期现套利是套利策略中确定性最高的一种——它的价差收敛不是“大概率”，而是“必然”。期货合约到期时，期货价格必然收敛于现货价格，这是期货市场的制度设计决定的。但确定性高不代表容易赚钱。 期现套利需要同时操作期货和现货两个市场，涉及资金成本、仓储成本、运输成本等，利润空间往往被各种成本压缩得很薄。这是一个“确定性高、利润薄、门槛高”的策略。

老王补充：
期现套利听起来很美好——“无风险套利”。但我在期货市场上见过太多人做期现套利亏钱。原因很简单：你以为的无风险，其实处处是风险。 现货的仓储成本算了吗？资金占用成本算了吗？交割流程顺利吗？反向套利你能借到现货吗？期现套利不是“无风险”，而是“低风险”——前提是你把所有成本都算清楚了。 算不清楚成本，期现套利就是“确定性亏钱”。

二、策略的使用范围与条件

维度	适用范围与条件	说明
适用市场	股指期货、商品期货、国债期货等	需要有对应的现货市场（股票、ETF、实物商品、债券）
品种要求	流动性好、有活跃的现货市场、有明确的交割机制	流动性差的品种无法有效执行
交易机制	期货做多做空 + 现货买入/卖出（或融券做空）	反向套利需要做空现货，实操难度大
适用周期	日线、周线（持有至到期或基差回归）	通常持仓数天至数周
资金门槛	高（需同时操作期货和现货）	需要较大的资金体量才能覆盖成本
不适合的市场状态	基差在无套利区间内、流动性枯竭	无套利空间或无法有效执行

期现套利的两大方向

方向	触发条件	操作	盈利逻辑
正向套利	期货价格 > 现货价格 + 持有成本（期货被高估）	买入现货，卖出期货	持有至到期，期货收敛于现货，价差回归
反向套利	期货价格 < 现货价格 – 持有成本（期货被低估）	卖出现货（融券），买入期货	持有至到期，期货收敛于现货，价差回归

适用品种举例：

股指期货：沪深300（IF）、中证500（IC）、中证1000（IM）与对应的ETF或一篮子股票
商品期货：黄金、铜、螺纹钢等与对应的现货或ETF
国债期货：2年期、5年期、10年期国债期货与对应的现货债券

不适用品种：

没有现货市场的品种（无法执行期现套利）
流动性极差的期货品种（滑点大、无法有效平仓）
融券成本过高的品种（反向套利无利可图）

本文统一采用基差 = 现货 – 期货的定义。 基差为正表示现货价格高于期货价格（贴水），基差为负表示现货价格低于期货价格（升水）。

商品期现套利的特殊条件：商品期现套利涉及现货仓储、运输、质检等实物交割成本，套利区间比金融期货更宽。此外，商品ETF（如有色ETF、黄金ETF）的跟踪误差通常比股指ETF更大，需要额外考虑这一因素。本文以股指期现套利为核心案例，商品期现套利需要额外考虑仓储和物流成本。

失效案例：2015年A股股灾期间，股指期货一度出现深度贴水（期货价格远低于现货价格），反向套利的理论空间巨大。但实际上，由于监管层在股灾期间对融券业务实施了严格限制（禁止裸卖空、提高融券保证金等），融券渠道实质性关闭，投资者无法有效做空现货，反向套利无法执行。期现套利最大的风险不是“价差不回归”，而是“你根本做不了反向套利”。

三、因子拆解与原理

3.1 基差——期现套利的交易标的

期现套利不交易价格，交易的是基差（Basis） 。

基差的定义：

基差 = 现货价格 - 期货价格

基差的正负含义：

基差状态	含义	市场状态
基差 > 0	现货价格 > 期货价格	贴水（Backwardation） ——期货被低估
基差 < 0	现货价格 < 期货价格	升水（Contango） ——期货被高估
基差 ≈ 0	现货价格 ≈ 期货价格	正常状态——无套利空间

关键认知：基差在期货合约到期日必然收敛于0。这是期货市场的制度设计决定的——到期时期货价格必须等于现货价格，否则存在无风险套利机会。这个“必然收敛”的特性，是期现套利策略确定性的根本来源。

3.2 持有成本理论——基差的理论锚点

期现套利的理论基础是持有成本理论（Cost of Carry Theory） 。期货的理论价格应该等于：

期货理论价格 = 现货价格 + 持有成本

其中持有成本包括：

成本项	说明	适用品种
资金成本	买入现货占用的资金的利息（无风险利率）	所有品种
仓储成本	存储现货的费用	商品期货
运输成本	将现货运至交割库的费用	商品期货
保险成本	存储期间的保险费用	商品期货
便利收益	持有现货带来的额外收益（如紧急使用）	商品期货（负成本）
股息收益	持有股票获得的股息	股指期货（负成本）

股指期货的简化定价公式：

F = S × e^((r - q) × T)

其中：

F：期货价格
S：现货价格
r：无风险利率
q：股息收益率
T：到期时间

理论基差：

理论基差 = S - F = S × (1 - e^((r - q) × T))

当实际基差偏离理论基差超过交易成本时，就产生了期现套利机会。

3.3 无套利区间——套利机会的判断标准

期现套利并非“基差偏离0就能赚钱”。套利需要覆盖交易成本，因此存在一个无套利区间——在这个区间内，即使基差偏离0，套利也无法盈利。

无套利区间的计算：

上边界 = 现货价格 + 正向套利成本（买入现货 + 卖出期货的交易成本、资金成本、仓储成本等）
下边界 = 现货价格 - 反向套利成本（卖出现货 + 买入期货的交易成本、融券成本等）

判断规则：

期货价格位置	判断	操作
期货价格 > 上边界	期货被高估	正向套利：买现货、卖期货
期货价格在上下边界之间	无套利机会	观望
期货价格 < 下边界	期货被低估	反向套利：卖现货、买期货

计算示例：

假设沪深300指数为4000点，股指期货合约还有一个月到期。资金成本（年化3%，一个月约0.25%）折合10个点（4000 × 0.25% = 10），交易成本折合5个点，总计正向套利成本15个点，反向套利成本（含融券成本）25个点。

上边界 = 4000 + 15 = 4015点
下边界 = 4000 – 25 = 3975点
无套利区间 = [3975, 4015]

无套利区间示意图：

上边界 = 4015  ← 期货被高估 → 正向套利（买现货、卖期货）
无套利区间 [3975, 4015]  ← 观望
下边界 = 3975  ← 期货被低估 → 反向套利（卖现货、买期货）

如果期货价格在3975-4015之间，没有套利机会；如果期货价格超过4015，可以做正向套利；如果期货价格低于3975，可以做反向套利。

基差均值回归策略的入场信号基于统计偏离（Z-Score），而非无套利区间的成本边界。它赚的是基差波动的钱，而不是到期收敛的钱——因此它的交易频率更高，但也面临基差不回归的风险。

老陈点评：
无套利区间的概念非常关键。很多初学者看到基差偏离0就激动，以为发现了套利机会。但实际上，基差偏离0是常态，基差偏离超过套利成本才是机会。 在计算套利成本时，一定要把所有成本都算进去——资金成本、交易成本、冲击成本、滑点——否则你算出来的“利润”会被成本全部吃掉。

3.4 两种基差套利策略

根据东证期货的研究，期现套利可以分为两种策略框架：

策略一：基差收敛策略（持有至到期）

维度	说明
逻辑	利用基差到期必然收敛的规律，持有升水合约空头与现货多头
交易频率	较低（持仓约40天至到期）
适用品种	年化升水较高的IH和IF
收益来源	基差收敛的确定性收益

策略二：基差均值回归策略

维度	说明
逻辑	根据基差均值回复的规律进行交易，在基差偏离时开仓、回归时平仓
交易频率	较高（基差频繁围绕0波动时信号多）
适用品种	基差频繁围绕0波动的IC和IM
收益来源	基差波动的价差收益

老陈点评：
基差收敛策略赚的是“时间确定性的钱”——你只需要持有到到期，价差必然收敛。基差均值回归策略赚的是“波动不确定性的钱”——你赌基差会回归均值，但不一定等到到期。前者更稳健但利润更薄，后者交易频率更高但面临基差不回归的风险。选择哪种策略，取决于你的风险偏好和资金占用成本。

3.5 期现套利的优缺点

优点	缺点
确定性最高（到期必然收敛）	资金门槛高（需现货头寸）
收益相对稳定（基差收敛的确定性收益）	利润空间薄（被各种成本压缩）
市场中性，不依赖方向判断	反向套利需要融券，实操难度大
有坚实的理论支撑（持有成本理论）	需要现货渠道（商品现货、融券等）
适合大资金配置（容量大）	持仓周期长，资金占用时间长

四、仓位、买卖点与风险管理

4.1 入场信号（开仓规则）

期现套利的入场信号基于基差偏离无套利区间的程度。

正向套利入场：

条件	操作
期货价格 > 现货价格 + 正向套利成本	买入现货，卖出期货

反向套利入场：

条件	操作
期货价格 < 现货价格 – 反向套利成本	卖出现货（融券），买入期货

进阶入场过滤：

过滤条件	作用	说明
流动性过滤	确保可执行	期货和现货的成交量均大于阈值
时间过滤	确保有足够时间收敛	合约剩余时间大于N个交易日
成本安全边际	防止成本估算偏差	价差空间大于估算成本的1.2倍

4.2 平仓信号（出场规则）

平仓方式	触发条件	说明
到期平仓	合约到期日	最常用的平仓方式，确定性最高
基差回归平仓	基差回归至无套利区间内	提前锁定利润，释放资金
提前平仓	价差利润达到目标	提前平仓，提高资金周转率
止损平仓	基差持续扩大超过阈值	防止亏损扩大

4.3 仓位管理

期现套利的仓位管理需要同时考虑期货和现货两个市场：

等市值配比：确保期货空头与现货多头的市值匹配
合约配比：期货手数 = 现货市值 /（期货价格 × 合约乘数）
资金占用：需同时准备现货买入资金和期货保证金

现货替代方案：

对于股指期货的期现套利，买入现货可以用以下方式替代：

直接买入ETF（最推荐）：流动性好、操作简单、门槛低、跟踪误差小。沪深300ETF的年化跟踪误差通常在0.5%-1%之间。对于持仓1个月的期现套利，跟踪误差可能达到0.05%-0.1%——虽然不大，但在利润空间本就微薄的期现套利中，这可能足以将“微利”变成“微亏”。对于散户来说，这是最可行的现货替代方案。
买入一篮子成分股：更精确地复制指数，但操作复杂、资金门槛高，适合机构投资者。
动态选择ETF：根据折溢价和流动性动态选择最优ETF，适合对成本敏感的专业投资者。

4.4 期现套利的特有风险

风险一：成本估算错误

期现套利的利润空间 = 基差 – 成本。如果成本估算偏低，实际利润可能为负。

如何防范：在成本估算中加入安全边际（如按估算成本的1.2倍计算），预留缓冲空间。

风险二：反向套利的融券难题

反向套利需要卖出现货（融券），但在A股市场融券成本高、券源紧张，实际操作难度大。

如何防范：优先考虑正向套利（买现货、卖期货），反向套利需提前确认融券渠道和成本。

风险三：流动性风险

期货或现货市场流动性不足时，无法按理想价格成交，滑点可能侵蚀利润。

如何防范：只在流动性好的品种和主力合约上操作，避开交易清淡的合约。

风险四：交割风险

商品期货的交割涉及仓储、运输、质检等环节，流程复杂，存在交割失败的风险。

如何防范：散户应避免进入交割月，在到期前平仓了结，不参与实物交割。

风险五：跟踪误差

对于股指期货的期现套利，如果使用ETF替代一篮子股票，ETF与指数的跟踪误差可能导致套利利润被侵蚀。

如何防范：选择跟踪误差小、流动性好的ETF，或直接买入一篮子成分股。

风险六：套利空间的“天花板”效应

期现套利的利润 = 基差 – 成本。随着市场效率提高，基差很少会偏离无套利区间太远。当价差空间小于成本时，套利无利可图。期现套利不是“无限容量”的策略——当越来越多的资金涌入，价差会被迅速抹平，套利空间消失。 这就是期现套利的“天花板”。

如何防范：关注市场套利资金的规模和价差的变化趋势，在价差空间被压缩前及时退出。

风险七：ETF折溢价风险

ETF本身存在折溢价——当ETF的市价偏离其净值（NAV）时，用ETF替代现货会产生额外的跟踪偏差。

如何防范：选择折溢价稳定、流动性好的ETF，避免在折溢价过大时进行期现套利。

老王补充：
期现套利最大的坑是你以为你算清楚了成本，其实你没有。 资金成本是按什么利率算的？仓储成本真的准确吗？交割流程中会不会有额外费用？融券能借到吗？借券成本是多少？ETF的折溢价考虑了吗？所有这些不确定因素加起来，可能把你的“无风险利润”全部吃掉。 我的建议是：把成本估算得比你想象的更保守一点。 如果按保守估算还有利润，这笔套利才值得做。

五、策略的来历、设计者与趣闻

期现套利的理论基础可以追溯到持有成本理论（Cost of Carry Theory） ，这是期货定价理论中最基础的框架之一。持有成本理论认为，期货价格 = 现货价格 + 持有成本，这一理论在20世纪初期随着商品期货市场的发展而逐步形成。

现代期现套利的发展与股指期货的诞生密切相关。1982年，芝加哥商品交易所（CME）推出了标普500股指期货，期现套利从商品期货领域扩展到了金融领域。股指期货的期现套利（Index Arbitrage）很快成为对冲基金和机构投资者的标准策略。

在国内市场，期现套利随着股指期货（2010年4月16日）的推出而进入中国投资者的视野。沪深300股指期货上市后，期现套利成为首批量化策略之一。2015年股灾期间，股指期货一度出现深度贴水，期现套利空间巨大，但融券渠道枯竭导致反向套利无法执行——这个案例深刻揭示了期现套利的“制度性天花板”。

趣闻：2010年股指期货上市初期，由于市场参与者对定价机制不熟悉，期现价差一度达到异常水平，期现套利的年化收益可达20%以上。随着市场参与者增加和套利资金涌入，价差迅速收窄，套利空间被压缩至个位数百分比。一个策略的利润空间，往往在市场发现它之后迅速消失——这就是套利策略的“宿命”。

另一个有趣的现象：股指期货的升贴水本身就是市场情绪的“温度计” 。在牛市中，股指期货往往升水（期货 > 现货），反映市场乐观情绪；在熊市中，股指期货往往贴水（期货 < 现货），反映市场悲观情绪。实战应用：当股指期货出现深度贴水时，往往意味着市场极度悲观——但这恰恰可能是反向套利（做多期货、做空现货）的理论机会。期现套利者在某种程度上是在“收割”市场的悲观情绪溢价。

老陈点评：
期现套利的发展史告诉我们一个重要的道理：套利策略的利润空间是有限的，而且会随着参与者增加而迅速消失。 2010年股指期货上市初期20%以上的年化套利收益，在今天已经很难重现。套利不是“印钞机”，而是“拾荒者”——捡的是市场上别人遗漏的价差。 当越来越多的人开始捡，价差就越来越小。

六、Python回测示例

⚠️ 数据拼接问题：回测期现套利时，期货数据必须使用当月连续合约（逐月滚动），而非主力连续。主力连续在换月时的跳空会严重扭曲基差计算。建议使用Wind、聚宽等平台提供的“合约连续”数据进行回测。

以下代码演示股指期货期现套利策略的回测框架。采用基差均值回归方法，使用ETF作为现货替代。

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# 注意：
# 1. 本代码为期现套利策略框架，需要获取期货和现货（ETF）的价格数据
# 2. 期货数据建议使用聚宽、天勤（TqSdk）或万得（Wind）获取
# 3. 现货数据可以使用ETF的日频数据（如510300.SS对应沪深300）
# 4. 以下代码展示策略逻辑，使用模拟数据演示
# 5. 本代码为简化版，未包含完整的成本模型，实盘需详细计算各项成本
# 6. 期现套利的价差收敛是制度必然（到期交割），协整检验仅用于数据验证，
#    并非策略的必要前提——这与配对交易（第二.02）中的协整检验有本质区别。


def cash_futures_arbitrage_strategy(
    futures_price,        # 期货价格序列（近月合约）
    spot_price,           # 现货/ETF价格序列
    lookback_days=20,     # 计算基差均值和标准差的历史窗口
    entry_zscore=1.5,     # 开仓阈值（基差偏离均值）
    exit_zscore=0.5,      # 平仓阈值（基差回归）
    cost_rate=0.01,       # 套利成本率（含资金成本、交易成本等，建议1%）
    contract_multiplier=300  # 股指期货合约乘数（IF为300）
):
    """
    期现套利策略（基差均值回归）
    参数：
        futures_price: 期货价格序列
        spot_price: 现货/ETF价格序列
        lookback_days: 计算基差均值和标准差的历史窗口
        entry_zscore: 开仓阈值
        exit_zscore: 平仓阈值
        cost_rate: 套利成本率（占现货价格的比例，建议根据实际成本测算）
        contract_multiplier: 合约乘数
    返回：添加了持仓和净值的DataFrame

    注：cost_rate默认1%（0.01）为保守估算，实盘需根据资金成本、
        持仓周期、交易费用等因素重新计算。如果基差空间小于成本，
        则不应开仓。
    """
    # 1. 合并数据
    df = pd.DataFrame({
        'futures': futures_price,
        'spot': spot_price
    }).dropna()

    # 2. 计算基差（基差 = 现货 - 期货）
    df['basis'] = df['spot'] - df['futures']

    # 3. 计算基差的均值和标准差
    df['basis_mean'] = df['basis'].rolling(lookback_days).mean()
    df['basis_std'] = df['basis'].rolling(lookback_days).std()
    df['zscore'] = (df['basis'] - df['basis_mean']) / df['basis_std']

    # 4. 计算套利成本（以点数为单位）
    df['cost'] = df['spot'] * cost_rate

    # 5. 生成交易信号
    df['signal'] = 0  # 0=空仓, 1=正向套利(买现货卖期货), -1=反向套利(卖现货买期货)
    df['position_spot'] = 0
    df['position_futures'] = 0

    position = 0
    open_count = 0
    close_count = 0

    for i in range(lookback_days, len(df)):
        zscore = df['zscore'].iloc[i]
        basis = df['basis'].iloc[i]
        cost = df['cost'].iloc[i]

        if pd.isna(zscore):
            continue

        if position == 0:
            # 开仓信号：基差偏离均值超过阈值，且大于成本
            # 注：如果基差长期偏离，策略可能在整个回测期间只开一次仓
            # 实盘可考虑加入"平仓后冷却期"逻辑来捕捉多次机会
            if zscore > entry_zscore and basis > cost:
                # 正向套利：基差过大（期货被高估），买现货、卖期货
                position = 1
                open_count += 1
                df.loc[df.index[i], 'position_spot'] = 1
                df.loc[df.index[i], 'position_futures'] = -1
            elif zscore < -entry_zscore and basis < -cost:
                # 反向套利：基差过小（期货被低估），卖现货、买期货
                position = -1
                open_count += 1
                df.loc[df.index[i], 'position_spot'] = -1
                df.loc[df.index[i], 'position_futures'] = 1
        else:
            # 平仓信号：基差回归
            if abs(zscore) < exit_zscore:
                position = 0
                close_count += 1
                df.loc[df.index[i], 'position_spot'] = 0
                df.loc[df.index[i], 'position_futures'] = 0

        df.loc[df.index[i], 'signal'] = position

    # 6. 计算每日收益率（等市值配比）
    df['daily_return'] = 0.0
    for i in range(1, len(df)):
        pos_spot = df['position_spot'].iloc[i-1]
        pos_futures = df['position_futures'].iloc[i-1]

        if pos_spot == 0 and pos_futures == 0:
            daily_ret = 0
        else:
            ret_spot = (df['spot'].iloc[i] - df['spot'].iloc[i-1]) / df['spot'].iloc[i-1]
            ret_futures = (df['futures'].iloc[i] - df['futures'].iloc[i-1]) / df['futures'].iloc[i-1]

            # 等市值配比：现货和期货的头寸价值相等（方向相反）
            daily_ret = pos_spot * ret_spot + pos_futures * ret_futures

        # 扣除交易成本（调仓时：开仓扣一次、平仓扣一次）
        if df['signal'].iloc[i] != df['signal'].iloc[i-1]:
            daily_ret -= cost_rate

        df.loc[df.index[i], 'daily_return'] = daily_ret

    df['net_value'] = (1 + df['daily_return']).cumprod()

    total_return = (df['net_value'].iloc[-1] - 1) * 100
    max_drawdown = ((df['net_value'].cummax() - df['net_value']) / df['net_value'].cummax()).max() * 100

    print(f"总收益率：{total_return:.2f}%")
    print(f"最大回撤：{max_drawdown:.2f}%")
    print(f"开仓次数：{open_count}")
    print(f"平仓次数：{close_count}")

    return df


# ==================== 协整检验（可选的数据验证） ====================

def check_cointegration(futures_price, spot_price):
    """
    检验期货与现货是否存在协整关系
    注：期现套利的价差收敛是制度必然（到期交割），协整检验仅用于数据验证，
    并非策略的必要前提。这与配对交易（第二.02）中的协整检验有本质区别。
    """
    try:
        from statsmodels.tsa.stattools import coint
        p_value = coint(futures_price, spot_price)[1]
        print(f"协整检验 p值 = {p_value:.4f}")
        if p_value < 0.05:
            print("✓ 期货与现货存在协整关系（符合预期）")
        else:
            print("⚠️ 协整关系不显著，请检查数据")
        return p_value
    except ImportError:
        print("⚠️ statsmodels未安装，跳过协整检验")
        return 0.0


# ==================== 使用示例 ====================

# 使用示例（伪代码）：
#
# from tqsdk import TqApi, TqAuth
# import yfinance as yf
#
# # 获取股指期货和ETF数据
# futures_data = yf.download('000300.SS', start='2023-01-01', end='2024-12-31')
# etf_data = yf.download('510300.SS', start='2023-01-01', end='2024-12-31')
#
# # 运行策略
# result = cash_futures_arbitrage_strategy(
#     futures_data['Close'],
#     etf_data['Close'],
#     lookback_days=20,
#     entry_zscore=1.5,
#     cost_rate=0.01
# )
# print(result[['basis', 'zscore', 'signal', 'net_value']].tail(10))

回测结果参考（基于公开数据，不同品种和时段结果存在显著差异）：

策略类型	品种	年化收益	最大回撤	胜率
基差收敛策略	IF	3.8%-5.8%	-0.4% ~ -0.6%	~100%
基差收敛策略	IC	4.7%	-0.5%	~100%
均值回归策略	IF	9.2%	—	—
均值回归策略	IC	10.5%	—	—

注：以上数据来自东证期货研究报告（2018年以来回测）。基差收敛策略胜率接近100%，持仓周期约40天。均值回归策略交易频率更高，收益空间更大，但面临基差不回归的风险。基差收敛策略赚的是“确定性的钱”，均值回归策略赚的是“波动的钱”。

代码说明：
本代码为期现套利策略框架，核心逻辑是基差均值回归。实际应用中，需要获取期货和现货（ETF）的价格数据，并详细计算各项套利成本（资金成本、交易成本、冲击成本等）。期货数据建议使用聚宽、天勤（TqSdk）或万得（Wind）等专业数据源。cost_rate默认1%（0.01）为保守估算，实盘需根据资金成本、持仓周期等因素重新计算。

老陈点评：
回测时要注意：期现套利的回测结果对成本假设极其敏感。 如果成本假设偏低了0.1%，回测收益可能虚增很多。建议在回测中做成本敏感性测试——把成本率从0.5%到1.5%分别测试，观察策略是否在所有成本假设下都能盈利。

老王补充：
实盘中最大的问题是资金占用。期现套利需要同时占用期货保证金和现货买入资金，资金占用时间长（通常要持有到到期），资金周转率低。如果你的资金成本高于套利收益，这笔套利就是亏钱的。 建议在计算套利收益时，把资金占用成本按年化折算进去，看看年化收益率是否跑得赢你的资金成本。

七、本章小结与思考题

小结

项目	核心要点
策略类型	期现套利 / 基差套利
核心逻辑	期货与现货的基差均值回归 + 到期必然收敛
两种方向	正向套利（买现货卖期货）和反向套利（卖现货买期货）
核心公式	基差 = 现货 – 期货；无套利区间 = [S – 成本_反, S + 成本_正]
理论基础	持有成本理论、基差收敛（制度必然）
核心优势	确定性最高（到期必然收敛），市场中性
最大风险	成本估算错误、反向套利融券难、流动性风险
资金门槛	高（需现货头寸）

四种套利策略的终极对比

维度	跨期套利	跨品种套利	期现套利	配对交易
交易标的	同一品种、不同月份	不同品种、相同月份	同一品种、期货与现货	两只同行业股票
价差驱动力	持有成本理论	产业逻辑	基差收敛（到期必然）	经济逻辑/协整
价差确定性	高	中	最高（制度必然）	较低
价差波动范围	窄	宽	中等	宽
利润空间	薄	中等	薄	中等
资金门槛	低	中等	高	高
是否需要现货	否	否	是	否
做空工具	期货天然支持	期货天然支持	需融券或借现货	A股融券受限
主要风险	展期成本、流动性	相关性破裂、产业逻辑变化	成本估算错误、融券难	协整破裂、融券成本

期现套利策略是套利策略中确定性最高的一种——期货合约到期时必然收敛于现货价格，这是期货市场的制度设计决定的。但“确定性高”不等于“容易赚钱”——期现套利需要同时操作期货和现货两个市场，涉及资金成本、仓储成本、交易成本等，利润空间被各种成本压缩得很薄。

老陈总结：
期现套利的价值在于它的确定性。在四种套利策略中，期现套利的价差收敛是最“硬”的——不是因为统计大概率，而是因为制度必然。但确定性的代价是：你需要现货渠道、需要计算所有成本、需要忍受薄利润和长持仓周期。 期现套利不适合小资金，也不适合追求高收益的投资者。它适合的是大资金、低风险偏好的机构投资者——对他们来说，确定性比收益率更重要。

老王总结：
期现套利是我在期货市场上最早接触的策略之一。它的优点是稳——基差收敛是必然的。但它的缺点是慢和贵——持仓周期长、资金占用大、利润薄。如果你想做期现套利，先问自己三个问题：我有足够的资金吗？我能借到现货做反向套利吗？我的资金成本足够低吗？ 三个问题有一个答不上来，就别碰期现套利。

💡 思考题

期现套利和跨期套利（第二.07）的核心区别是什么？为什么期现套利的价差确定性比跨期套利更高？
期现套利中，“正向套利”和“反向套利”分别指的是什么操作？在A股市场中，哪一种更容易执行？为什么？
无套利区间是什么？为什么基差偏离0不一定代表有套利机会？请用具体数字说明。
从跨期套利（第二.07）到跨品种套利（第二.08）到期现套利（第二.09），价差的“确定性”在依次上升，但“资金门槛”也在依次上升。你认为这种“确定性换门槛”的权衡是否值得？在什么情况下你更倾向于选择期现套利？
东证期货的研究显示，基差收敛策略的胜率接近100%，但年化收益只有3.8%-5.8%；均值回归策略的收益更高（9.2%-10.5%），但面临基差不回归的风险。你会选择哪种策略？为什么？
假设沪深300指数为4200点，股指期货价格为4250点，资金成本和交易成本合计为30个点。此时存在套利机会吗？如果有，应该做什么方向的套利？如果没有，为什么？
期现套利策略中，ETF跟踪误差和ETF折溢价是如何影响套利收益的？在选择ETF作为现货替代时，你会重点关注哪些指标？
（展望题） 随着股指期货市场参与者增加和定价效率提升，期现套利的利润空间正在不断缩小。你认为期现套利最终会消失吗？如果不会，它的利润来源会变成什么？

八、引用/参考出处

网上内容：

东证期货《股指期货套利策略系列一：股指期货与ETF的基差套利策略》（2023-10-11）：https://stock.finance.sina.com.cn/stock/go.php/vReport_Show/kind/lastest/rptid/750375611159/index.phtml
百度百科期现套利：https://baike.baidu.com/item/期现套利
百度百科套利交易：https://baike.baidu.com/item/套利交易
CSDN博客《Python量化中如何实现跨期现套利？》（2025-06-06）：https://blog.csdn.net/wencaitouzi/article/details/148478253
期货日报网《期货套利的底层逻辑及实操要点》（2026-04-26）：http://www.qhrb.com.cn/articles/344817

学术论文与图书（元信息）：

Hull, J. C. (2018). Options, Futures, and Other Derivatives. Pearson.（期货定价与套利理论的经典教材）
中国金融期货交易所，《股指期货期现套利策略研究》

文章版权归作者所有，未经允许请勿转载。

THE END

一起看看那些量化策略给自己的书一起看看那些量化策略
# 给自己写的书 # 一人公司 # 量化策略 # 《一起看看哪些量化策略》# 期现套利

第二.09 期现套利策略

一、策略简述与一句话定性

二、策略的使用范围与条件

期现套利的两大方向

三、因子拆解与原理

3.1 基差——期现套利的交易标的

3.2 持有成本理论——基差的理论锚点

3.3 无套利区间——套利机会的判断标准

3.4 两种基差套利策略

3.5 期现套利的优缺点

四、仓位、买卖点与风险管理

4.1 入场信号（开仓规则）

4.2 平仓信号（出场规则）

4.3 仓位管理

4.4 期现套利的特有风险

五、策略的来历、设计者与趣闻

六、Python回测示例

七、本章小结与思考题

小结

💡 思考题

八、引用/参考出处

请登录后发表评论

欢迎注册，发表评论

第25章迷你实战：从零搭建双均线策略Agent系统

梧桐树下的一个下午

《香樟树旁的龙虾公司》深度.技术解读之十二上篇

第二.08 跨品种套利策略

Ollama 也上云了，普通电脑玩转千亿大模型的“限量版”试吃

《香樟树旁的龙虾公司》深度.技术解读之四

总论第4章怎么用这套书——策略目录、星级评定与阅读指南

第2章部署与基础配置

第四.13 动量轮动策略

第14章协作架构设计与ACP协议安装配置

第11章 Hermes工具集与子Agent委托

《一起看看哪些量化策略》完整目录

盘后成交量异动：新规打开的全新观察窗口

第一.06 MACD策略