常见的价差交易策略介绍

算法交易策略是通过对标的历史数据、交易模式的分析，采用明确的、数量化的交易模型来发掘投资机会并实现盈利的方法。算法交易策略一般通过计算机系统化的手段来实现对交易策略的实施。通常算法交易策略模型的开发包括下面几个部分：

下面我们对一些常见的价差算法交易策略模型进行简单介绍。

价差套利交易模型

价差套利的主要想法是通过不同交易产品合同之间的价格差异来获得回报。以期货交易为例，价差套利交易策略过程是卖出一个或多个期货合约，同时买入一个或多个期货合约来对其价差进行交易。常见的是价差模型有牛市价差、熊市价差和蝶形价差。

牛市价差：当价格差异缩小时，持有短期的合约多头以及较长期合约的空头，期待价差能扩大。

熊市差价：当价格差异扩大时，持有近期的合约空头以及较长期合约的多头，期待价差能缩小。

蝶形差价：涉及三个不同合约，例如，持有近期和较长期的合约多头，以及双倍的中期合约的空头。

除了上述三种典型的价差交易，通常还有三种市场交易状态会出现价差套利机会，包括跨市场价差，跨期价差和跨商品价差。投资者选择的出现价差套利机会的合约之间往往具有非常强的相关关系。

跨市场价差

跨市场价差套利是通过持有一个交易市场的期货合约多头，以及另外一个市场的同一月份期货合约空头实现的。不同的出价/询价因素或时区会导致固有的或者内在的短期的价格差异。不同市场的供需差异、政策变化和交易监管也会导致较长期的价格差异。

在商品交易领域，中国市场间价差套利常见的组合包括和中国期货合约价格相关性较高的伦敦金属交易所（LME）交易的金属，以及芝加哥CBOT交易的大豆，豆油和棉花等农产品。跨市场交易需要考虑的合约相关的成本包括汇率、税收、运输和存储等。

跨期价差

跨期价差通过对同一产品建立不同月份合约来实现的。由于季节因素，供需和资本偏好逐月不同，造成不同期货合约的价格差异。合约量的额度也会导致价格波差异，通常价格在额度内波动，提供了我们窥看形成牛市或熊市价差的机理。当价格差异到达顶部，通过牛市价差策略我们能够获得正回报，而价格差异到达底部，通过熊市价差策略我们也能获得正回报。

例如，白糖期货价差套利交易

白糖期货有6个交易月份合约，其中一月、五月和九月一般是交易量较大的月份，往往作为主力合约。跨期价差策略可以选择两个临近的主力月份进行配对交易，例如，一月和五月，五月和九月，九月和次年一月。当两个交易月份因为各种因素出现大幅偏离历史价差区间的价格差异时就出现价差交易机会。

跨商品价差

跨商品价差策略通过建立某个标的合约的多头，同时持有相同交付期限,相关但是不同商品合约的空头来实现。这两种不同但是相关的商品反映了彼此之间的经济关系。

比较常见的价差套利是压榨价差（crush spread）和裂解价差（crack spread）。压榨价差是油脂油料原材料和成品之间的价差，例如在大豆期货市场，投资者可以同时买入大豆期货以及卖出大豆产品（豆粕、豆油）的期货。

裂解价差是化工原料（一般是原油）和成品之间的价差，如购买原油期货，同时卖出汽油和燃料油对头寸进行对冲。原油和汽油之间的裂解差价，反映了原油提炼成汽油的溢价。因此将石油裂解为汽油和燃料油，炼油厂商能够采用这些套利交易对盘面裂解利润进行交易。其他相关的产品类包括金和银、大豆油、菜籽油和棕榈油、螺纹钢和热轧卷板、豆粕和菜粕等。

期货/现货价差

现货价格与其对应的期货价格一般有较高的相关性。现货价格和期货价格还存在着不断变动的领先关系。以LLDPE期货五月、九月合约作为例子：临近的价格往往反映了当前市场的供求关系，而较远月的价格反映了市场预期的未来的供需关系以及持有商品的成本。在市场交易供求正常情况下，由于持货时间较长，远月合约价格一般要高于较近期的合约价格，但当时市场的供需因素可能使这种价差结构不断变化，有现货资源的厂商可以监控期现价差，当出现价差足以覆盖交易成本的时候，进行买现货卖期货或卖现货买期货的价差交易。

期货/股票价差交易模型

常见的股票和期货套利策略为Alpha策略，例如，投资者构造出具备Alpha收益的股票组合，预期该组合在投资期内涨幅要大于大盘指数。然后，根据投资期限选择合适的股指期货合约。接下来，根据该组合和指数的相关系数以及β值，计算出要把β值调整为零，需要卖空的指数期货合约数量，并在买入股票组合的同时建立期货合约空头。最后，在投资期结束时，对股指期货合约空头平仓，并卖出股票组合，获取Alpha收益。

— — — — — — E N D — — — — — —

真格量化可访问：

https://quant.pobo.net.cn

真格量化微信公众号，长按关注：

遇到了技术问题？欢迎加入真格量化Python技术交流QQ群 726895887

往期文章：

Numpy处理tick级别数据技巧

真正赚钱的期权策略曲线是这样的

多品种历史波动率计算

如何实现全市场自动盯盘

AI是怎样看懂研报的

真格量化策略debug秘籍

真格量化对接实盘交易

常见高频交易策略简介

如何用撤单函数改进套利成交

Deque提高处理队列效率

策略编程选Python还是C++

如何用Python继承机制节约代码量

十大机器学习算法

如何调用策略附件数据

如何使用智能单

如何扫描全市场跨月价差

如何筛选策略最适合的品种

活用订单类型规避频繁撤单风险

真格量化回测撮合机制简介

如何调用外部数据

如何处理回测与实盘差别

如何利用趋势必然终结获利

常见量化策略介绍

期权交易“七宗罪”

波动率交易介绍

推高波动率的因素

波动率的预测之道

趋势交易面临挑战

如何构建知识图谱

机器学习就是现代统计学

AI技术在金融行业的应用

如何避免模型过拟合

低延迟交易介绍

架构设计中的编程范式

交易所视角下的套利指令撮合

距离概念与特征识别

气象风险与天气衍生品

设计量化策略的七个“大坑”

云计算在金融行业的应用

机器学习模型评估方法

真格量化制作期权HV-IV价差

另类数据介绍

TensorFlow中的Tensor是什么？

机器学习的经验之谈

用yfinance调用雅虎财经数据

容器技术如何改进交易系统

Python调用C++

如何选择数据库代理

统计套利揭秘

一个Call搅动市场？让我们温习一下波动率策略

如何用真格量化设计持仓排名跟踪策略

还不理解真格量化API设计？我们不妨参考一下CTP平台

理解同步、异步、阻塞与非阻塞

隐波相关系数和偏度——高维风险的守望者

Delta中性还不够？——看看如何设计Gamma中性期权策略

Python的多线程和多进程——从一个爬虫任务谈起

线程与进程的区别皮尔逊相关系数与历史K线匹配

Python2和Python3的兼容写法Python代码优化技巧

理解Python的上下文管理器

如何写出更好的Python代码？这是Python软件基金会的建议

评估程序化模型时我们容易忽视的指标

看看如何定位Python程序性能瓶颈

什么是Python的GIL

投资研究中的大数据分析趋势及应用

理解CTP中的回调函数

如何围绕隐含波动率设计期权交易策略

看看如何用Python进行英文文本的情感分析

算法交易的分类

Python编码的最佳实践总结

什么是波动率锥？如何用波动率锥设计期权策略？

期权的波动率策略与时间价值收集策略对比

期权用于套期保值和无风险套利

隐含波动率对期权策略的影响

卖出期权交易的风险管理原则和技巧

期权交易中的“大头针”风险

期权做市商策略简介

精细化您的交易——交易成本评估与交易执行策略

海外市场交易执行策略的实践

设计期权套期保值方案时应注意的问题

美式期权、欧式期权比较分析——定价与风险管理

构建您的AI时代武器库——常用的机器学习相关Python库

期权波动率“微笑曲线”之谜

运算任务愈发繁重，如何加速Python程序运行？

证券市场微观结构理论模型是什么

是瞬间成交还是漫长等待？——如何衡量市场流动性

波动率指数及其衍生品介绍

Python的异常处理技巧

Python中的阻塞、异步与协程

"香草"之外的