波段操作与套利时机的核心逻辑
波段操作的核心在于捕捉价格的中期波动，而套利则利用不同市场或合约之间的价差。掌握套利时机需要将两者结合，通过技术指标和量价关系判断入场与出场点。期货市场的高杠杆特性放大了波段套利的潜力，股票市场则更适合日内或数日的波段套利。
识别价格偏离与均值回归
任何套利机会都源于价格偏离。期货跨期套利中，近月与远月合约的价差往往围绕合理区间波动。当价差突破历史区间上轨或下轨，均值回归概率增加。股票配对交易中，同行业两只股票的价差同样具有均值回归特性。使用布林带或标准差通道可以量化偏离程度。
import numpy as np
import pandas as pd
# 计算价差布林带
spread = df['near'] - df['far']
ma = spread.rolling(20).mean()
std = spread.rolling(20).std()
upper = ma + 2*std
lower = ma - 2*std
# 套利信号：价差突破上轨做空价差，突破下轨做多价差
signal = pd.Series(0, index=spread.index)
signal[spread > upper] = -1
signal[spread < lower] = 1
结合波动率与成交量确认时机
波动率放大往往预示套利机会来临。期货市场中，当隐含波动率快速上升，期权与期货之间的套利空间打开。成交量骤增验证价格偏离的有效性。股票波段套利中，放量突破关键价位后回踩确认，是较好的介入时机。
| 指标 | 套利信号 |
|------|----------|
| 价差突破2倍标准差 | 反向开仓 |
| 成交量突增50%以上 | 确认趋势 |
| 波动率指数上升 | 跨式套利 |
利用季节性规律与事件驱动
商品期货具有明显的季节性规律。农产品在播种和收获季节价差波动加剧，金属期货在消费旺季前后跨期价差扩大。股票市场中，财报发布、分红除权等事件会引发价差波动。提前布局这些时间窗口，套利胜率提升。
动态调整止损与止盈
套利并非无风险。价差可能持续偏离，导致浮亏。设置基于ATR的动态止损，当价差回归至均值附近逐步止盈。期货套利中，保证金管理至关重要，避免因短期波动被迫平仓。
# 基于ATR的止损
atr = df['spread'].rolling(14).apply(lambda x: np.max(x) - np.min(x))
stop_loss = ma + 2*atr
股票波段套利的实战要点
股票波段套利多用于配对交易或ETF与成分股之间的套利。选择相关性高于0.8的两只股票，计算价差Z-score。当Z-score超过2或低于-2时开仓。持仓周期通常为3至10个交易日。注意交易成本和流动性，避免冲击成本吞噬利润。
期货跨品种套利的时机把握
跨品种套利如螺纹钢与热卷、豆油与棕榈油。价差受供需关系、政策、汇率影响。当价差处于历史低位且基本面出现边际改善，做多价差。历史分位数低于10%或高于90%时，套利机会显著。
资金管理与心态控制
波段套利需要严格的资金管理。单次套利仓位不超过总资金的20%。分散多个不相关套利组合。避免在价差尚未回归时加仓，防止亏损扩大。保持耐心，等待高胜率信号。
量化辅助决策
编写简单脚本监控价差、波动率、成交量。设定阈值自动提醒。回测历史价差分布，确定最佳开平仓阈值。避免情绪干扰，严格执行信号。
# 价差分位数计算
def zscore(spread, window=60):
return (spread - spread.rolling(window).mean()) / spread.rolling(window).std()
z = zscore(spread)
entry_long = z < -2
entry_short = z > 2
exit = abs(z) < 0.5
价差偏离历史均值2倍标准差以上，成交量配合，波动率上升，季节性窗口临近，事件驱动明确。股票套利中，配对相关性稳定，Z-score极端。期货套利中，跨期或跨品种价差处于历史极值。满足这些条件时，波段套利胜率较高。
