套利到底在赚什么钱
很多人觉得套利就是低买高卖，这话只对了一半。真正的套利赚的是“定价错误”的钱。同一个东西在两个地方卖不同的价格，或者两个高度相关的资产价格差距拉得远超过正常水平，这种偏离就是套利的机会。量化交易把这套逻辑变成数学模型，用程序自动扫描全市场，找出那些价格暂时“迷路”的资产。
估值洼地不是靠肉眼翻财报能翻出来的。人脑处理几十个品种就极限了，量化系统可以同时监控几千个股票、几十个期货合约的价差关系。系统会计算历史价差的均值和标准差，当实时价差跑到均值两倍标准差之外，就触发预警——这就像给市场装了一个体温计，烧过头了系统就知道。
统计套利怎么挖出低估的品种
统计套利的核心是配对。找两个基本面相似、历史价格走势高度同步的股票或期货合约，比如同行业的两家龙头公司，或者螺纹钢和热卷期货。正常情况下它们的价差在一个区间内波动。程序持续跟踪这个价差，一旦价差扩大到历史极端区域，系统就判断其中一个被高估、另一个被低估。
做多低估的、做空高估的，等价差回归正常水平再平仓。这里面的关键不是预测方向，而是赌“偏离不可持续”。估值洼地就是那个被压得最狠的品种，程序不会管它为什么跌，只认价差数字。
实际操作中，量化系统会用协整检验来确认两个品种之间是否存在长期均衡关系。没有协整关系的配对是伪套利，价差可能一去不回头。协整检验好比给两个品种做DNA匹配，匹配上了才敢下注。
跨期套利和跨品种套利里的洼地信号
期货市场有天然的多合约结构。同一品种不同交割月的合约，价格理论上应该反映持仓成本。当近月合约和远月合约的价差偏离持仓成本太多，套利窗口就出现了。系统会计算无套利区间，价格跑出区间上沿或下沿就自动报警。
跨品种套利的逻辑更接地气。产业链上下游的期货品种之间存在加工利润的约束。比如大豆和豆粕豆油之间，压榨利润长期围绕一个均值波动。当利润被压缩到历史低位，程序会识别出大豆相对豆粕豆油被低估，或者反过来。这种估值洼地不是看K线能看出来的，得算产业利润的平衡点。
量化系统还会监控跨市场的同一资产。比如A股和港股的同一家公司，或者国内期货和国外期货的同一品种。汇率折算后价差超过正常范围，系统就会标记出哪个市场更便宜。
程序怎么执行套利信号
下面是一段简化版的配对价差监控代码，用Python展示核心逻辑。
import numpy as np
import pandas as pd
# 假设已获取两个配对品种的收盘价序列 price_a, price_b
# 计算价差序列
spread = price_a - price_b
# 滚动窗口计算均值和标准差
window = 60
spread_mean = spread.rolling(window).mean()
spread_std = spread.rolling(window).std()
# 定义开仓阈值：价差偏离均值2倍标准差
z_score = (spread - spread_mean) / spread_std
# 生成信号：z_score > 2 做空价差（空A多B），z_score < -2 做多价差（多A空B）
signal = pd.Series(0, index=spread.index)
signal[z_score > 2] = -1
signal[z_score < -2] = 1
这段代码不复杂，但背后是完整的套利思想。实际系统还要加上交易成本过滤、止损逻辑和仓位管理。价差扩大三倍标准差还不回归，就得强制平仓，承认这次配对关系失效。
避开伪洼地的几个硬约束
估值洼地最怕的是“价值陷阱”。量化系统识别出的低估品种，有时候是基本面已经发生质变，历史价差关系彻底断裂。程序必须设置协整关系的滚动检验，一旦发现配对关系失效，立即停止该策略。
流动性是第二个硬约束。价差再诱人，如果合约日均成交额太小，进去容易出来难，滑点会吃掉全部利润。量化系统会计算冲击成本，把流动性差的品种直接过滤掉。
交易成本必须算进模型。手续费、过户费、冲击成本加在一起，很多纸面上的套利机会实际是亏钱的。程序里设置的最小利润门槛要覆盖所有显性隐性成本。
套利思想给量化交易提供的是一套寻找定价偏差的框架。估值洼地不是靠感觉找出来的，是靠系统化扫描价差、验证配对关系、计算成本收益之后筛选出来的。机器比人强的地方在于纪律性——它不会因为某个品种跌得多就天然觉得便宜，它只认价差数字和统计显著性。这套逻辑用在股票配对、期货跨期跨品种上，都能帮投资者绕开情绪干扰，找到真正被错误定价的机会。
