跨品種價差套利簡介

套利原理

​ 通俗地講，就是兩個合約相關性很好，突然市場出了一個bug，破壞了兩個合約之間的平衡狀態，進場套利；等待市場回覆，平倉出場。即均值回覆思想。

價差套利

​ 價差套利的前提是做出商品期貨品種間同一月份的價格之間的價差，並且畫出價差的時間序列圖，分析價差，尋找合理的價差範圍，超出合理的價差變動範圍時如何進行操作。

套利標的的選取

​ 我們選取同為黑鋼產業的主要產品，熱軋卷板與螺紋鋼作為套利標的。

​ 首先，從價格走勢上來看，二者價格趨勢上一致性非常高，基本處於同漲同跌局面，如下圖所示，2014年至2017年熱軋卷板與螺紋鋼價格指數，相關性達到0.924。二者成本從鐵礦石到鋼坯這個階段幾乎一樣，只是在最終的軋製成材階段出現了分化。

​ 其次，二者價格的季節性也表現出較高的一致性。熱軋卷板和螺紋鋼的年內高點普遍出現在4月，次高點出現在7月，而10月不管是熱軋卷板還是螺紋鋼都傾向於出現年內低點。在較一致的季節性特點下，二者的價格強弱也有一定的規律可循。一般情況下，1、2月熱軋卷板的表現會略強於螺紋鋼，但是之後二者比價會逐步走低，也就是螺紋鋼相對於熱軋卷板會逐步變強。而這種強弱關係一般到10月會達到一個極致，之後熱軋卷板會再度重新變得相對強一點。

​ 為了防止未來函式的引入，在這裡我們選取“HC1701”與“RB1701”作為套利觀察合約

​ 圖示分為兩部分，上圖為2016-04-01至2016-12-31的兩標的合約日線收盤價的資料，經計算，相關性係數為0.988，下圖為兩者價差的走勢，上下界分別為均值加減兩倍標準差。

​ 可以看出價差在上下界之外會再次迴歸，這就成為了我們的交易機會，不過，均值週期需要縮短，以增加交易次數。另外，我們用2017-04-01至2017-12-31的“HC1801”與“RB1801”作為標的合約，進行回測。

跨品種價差套利策略實現（基於掘金量化平臺）

策略思想

• 獲取過去的30個交易日的bar的均值正負2個標準差得到上下界。

• 用最新價差來判斷開倉方向，上穿上軌來做空價差，下穿下軌來做多價差。

• 迴歸至上下軌水平內的時候平倉。

策略主要步驟實現

訂閱資料

subscribe(symbols=symbols, frequency='1d', count=31, wait_group
 
=True)(symbols=symbols, frequency='1d', count=31, wait_group=True)

​ 訂閱資料需要在定義init函式裡面設定，並呼叫subscribe函式，這裡注意，我們需要通過計算前三十根bars來作為開平倉的標準，並在當前bar上做出開平倉操作，所以需要獲取31根bar：

• symbols 需要設定訂閱的標的程式碼。

• frequency需設定訂閱資料的週期級別，這裡設定1d 表示以一天為週期。

• count需要設定獲取的bar的數量

資料獲取

data_rb = context.data(symbol=symbol, frequency='1d', count=31, fields='close') = context.data(symbol=symbol, frequency='1d', count=31, fields='close')

​ 訂閱資料之後，需要獲取已經訂閱的資料來進行操作，這時需呼叫context.data函式：

• symbols 需要設定訂閱的標的程式碼。

• frequency需設定訂閱資料的週期級別，這裡設定1d表示以一天為週期。

• count需要設定獲取的bar的數量

• fields需要設定返回值的種類

策略回測分析

回測報告

分析

​ 我們選取了2017年4月至2017年11月作為回測週期，“HC1801”與“RB1801”作為標的合約，價差均值週期設為30，可以看出：

• 勝率（具有盈利的平倉次數與總平倉次數之比）達到了56.25%。

• 卡瑪比率（年化收益率與歷史最大回撤之比）是使用最大回撤率來衡量風險。採用最大回撤率來衡量風險，關注的是最極端的情況。卡瑪比率越高表示策略承受每單位最大損失獲得的報酬越高。在這裡卡瑪比率超過了4。

• 夏普比率（年化收益率減無風險收益率的差收益波動率之比）超過1.5，也即承受1單位的風險，會有超過1.5個單位的收益回報

• 策略收益曲線相當穩定，最大回撤極小，缺點是交易次數少，很長時間無交易。

1. # coding=utf-8
2. from __future__ import print_function, absolute_import, unicode_literals
3. from gm.api import*
4. import numpy as np
5. '''
6. 本策略根據計算滾動的.過去的30個1min的bar的均值正負2個標準差得到布林線
7. 並在最新價差上穿上軌來做空價差,下穿下軌來做多價差
8. 並在迴歸至上下軌水平內的時候平倉
9. 回測資料為:SHFE.rb1801和SHFE.hc1801的1min資料
10. 回測時間為:2017-09-01 08:00:00到2017-10-01 16:00:00
11. '''
12. def init(context):
13. # 進行套利的品種
14. context.goods =['SHFE.rb1801','SHFE.hc1801']
15. # 訂閱行情
16. subscribe(symbols=context.goods, frequency='60s', count=31, wait_group=True)
17. def on_bar(context, bars):
18. # 獲取兩個品種的時間序列
19. data_rb = context.data(symbol=context.goods[0], frequency='60s', count=31, fields='close')
20. close_rb = data_rb.values
21. data_hc = context.data(symbol=context.goods[1], frequency='60s', count=31, fields='close')
22. close_hc = data_hc.values
23. # 計算價差
24. spread = close_rb[:-1]- close_hc[:-1]
25. # 計算布林帶的上下軌
26. up = np.mean(spread)+2* np.std(spread)
27. down = np.mean(spread)-2* np.std(spread)
28. # 計算最新價差
29. spread_now = close_rb[-1]- close_hc[-1]
30. # 無交易時若價差上(下)穿布林帶上(下)軌則做空(多)價差
31. position_rb_long = context.account().position(symbol=context.goods[0], side=PositionSide_Long)
32. position_rb_short = context.account().position(symbol=context.goods[0], side=PositionSide_Short)
33. ifnot position_rb_long andnot position_rb_short:
34. if spread_now > up:
35. order_target_volume(symbol=context.goods[0], volume=1, order_type=OrderType_Market,
36. position_side=PositionSide_Short)
37. print(context.goods[0],'以市價單開空倉一手')
38. order_target_volume(symbol=context.goods[1], volume=1, order_type=OrderType_Market,
39. position_side=PositionSide_Long)
40. print(context.goods[1],'以市價單開多倉一手')
41. if spread_now < down:
42. order_target_volume(symbol=context.goods[0], volume=1, order_type=OrderType_Market,
43. position_side=PositionSide_Long)
44. print(context.goods[0],'以市價單開多倉一手')
45. order_target_volume(symbol=context.goods[1], volume=1, order_type=OrderType_Market,
46. position_side=PositionSide_Short)
47. print(context.goods[1],'以市價單開空倉一手')
48. # 價差迴歸時平倉
49. elif position_rb_short:
50. if spread_now <= up:
51. order_close_all()
52. print('價格迴歸,平所有倉位')
53. # 跌破下軌反向開倉
54. if spread_now < down:
55. order_target_volume(symbol=context.goods[0], volume=1, order_type=OrderType_Market,
56. position_side=PositionSide_Long)
57. print(context.goods[0],'以市價單開多倉一手')
58. order_target_volume(symbol=context.goods[1], volume=1, order_type=OrderType_Market,
59. position_side=PositionSide_Short)
60. print(context.goods[1],'以市價單開空倉一手')
61. elif position_rb_long:
62. if spread_now >= down:
63. order_close_all()
64. print('價格迴歸,平所有倉位')
65. # 漲破上軌反向開倉
66. if spread_now > up:
67. order_target_volume(symbol=context.goods[0], volume=1, order_type=OrderType_Market,
68. position_side=PositionSide_Short)
69. print(context.goods[0],'以市價單開空倉一手')
70. order_target_volume(symbol=context.goods[1], volume=1, order_type=OrderType_Market,
71. position_side=PositionSide_Long)
72. print(context.goods[1],'以市價單開多倉一手')
73. if __name__ =='__main__':
74. '''
75. strategy_id策略ID,由系統生成
76. filename檔名,請與本檔名保持一致
77. mode實時模式:MODE_LIVE回測模式:MODE_BACKTEST
78. token繫結計算機的ID,可在系統設定-金鑰管理中生成
79. backtest_start_time回測開始時間
80. backtest_end_time回測結束時間
81. backtest_adjust股票復權方式不復權:ADJUST_NONE前復權:ADJUST_PREV後復權:ADJUST_POST
82. backtest_initial_cash回測初始資金
83. backtest_commission_ratio回測佣金比例
84. backtest_slippage_ratio回測滑點比例
85. '''
86. run(strategy_id='strategy_id',
87. filename='main.py',
88. mode=MODE_BACKTEST,
89. token='token_id',
90. backtest_start_time='2017-09-01 08:00:00',
91. backtest_end_time='2017-10-01 16:00:00',
92. backtest_adjust=ADJUST_PREV,
93. backtest_initial_cash=500000,
94. backtest_commission_ratio=0.0001,
95. backtest_slippage_ratio=0.0001)

文章來源：掘金量化交易平臺,轉載請註明出處！

----------------------------------------------------------------------------------------------------------------------------------------------------------

更多經典股票/期貨量化策略原始碼檢視：