跨市场套利——策略简介与风险因素

相对于常见的同市场不同品种套利交易而言，跨市场套利是一种更为复杂、也更为专业的套利方式。通常交易者会同时操作两个市场上品级相同或很相近的商品。本文将为大家简单介绍跨市场套利及跨市场套利的方法策略的相关知识。

一、跨市场套利的含义

跨市场套利中的“市”是指“市场”，它指的是同一商品在不同交易所的交易市场。跨市场套利是投资者通过观察品级相同或很相近的商品价格，对不同交易所市场的商品差价进行交易的行为。

当同一期货商品合约在两个或更多的交易所进行交易时，由于区域的地理、供需状况等因素的差别，各商品合约之间也会存在一定的价差关系。

例如，芝加哥商业交易所（CME）与上海国际能源交易中心同时进行原油期货合约交易，由于同品种合约的价格相关性较强，它们之间的价差会在某一范围内波动。假设CME原油合约价格远远低于上海国际能源交易中心原油合约时，投资者可以在CME买入原油合约的同时，在上海国际能源交易中心卖出原油合约。直到两个市场价格恢复正常关系时，再将两个市场所持的合约平仓并从中获利。

从贸易流向和套利方向一致性的角度出发，跨市场套利一般可以划分为正向套利和反向套利两种，具体如下图所示：

例如，国内铜以进口为主，在伦敦商品交易所做多头寸的同时，在上海期货交易所做空头寸，这样的开仓交易称之为正向套利，因为其与中国铜的贸易流方向一致。

跨市场套利相对应的平仓方式有两种，具体下图所示。一般而言，正向套利是一种比较常用的跨市场套利，对于已经有现货贸易经验的投资者来说更容易理解，而反向套利因为带有一定的风险性，所以不太建议投资新手使用。

二、跨市场套利的特点

每一种套利方法都有其自身的特点，而跨市场套利的特点具体如下：

（1）成本低廉。进行商品跨市场套利需要在内外盘两个交易所交易分别缴纳保证金，因为外盘的保证金率通常明显低于内盘，提供了更高的杠杆，总共所需的投资额也只占商品价格的很小一部分。

（2）商品相同或相近。为了确保价格相关性，投资者必须选择同一商品或品级足够接近的商品进行套利。

（3）交易所不同。跨市场套利是利用不同交易所的期货或期权合约进行对冲交易，必须在一个交易所买入，在另一个交易所卖出。

（4）价差获利。跨市场套利是利用不同交易所品种的价格变化来获取利润。

（5）风险较单边投机低。由于跨市场套利具有“对冲”特性，一个市场的损失可以在另一个市场得到弥补，所以风险较单边投机低。

三、跨市场套利的前提

一般情况下，跨市场套利交易风险相对较小，利润也相对稳定。所以，跨市场套利是一种适合于具有一定资金规模的机构投资者，或追求稳健收益的投资者的一种期货投资方式，不过跨市场套利有三个前提，如下图所示：

四、跨市场套利的方法

由于跨市场套利本身所具有的比较强复杂性和专业性（需要外盘交易），所以对投资者跨市场套利策略的制定、实施、监控和改进等有更高的要求，因此有效和规范的方法和步骤就显得尤为重要。

一套完整的跨市场套利策略，通常会涉及机会识别、数理统计验证、基本面因素分析、建仓成本计算、交易执行、风险控制等一系列复杂的环节，具体可以参照以下步骤执行。

1．扫描交易机会

从成本的角度来看，投资者应先对实物进出口费用进行比较，之后确定是否存在跨市场套利机会。从市场角度来看，可通过真格量化等自动化工具对一段时间国内外各品种的价格走势、成交量、持仓量等数据进行扫描、监控，从中识别出可能存在的套利机会。

其中主要是选取国内外各品种的价格指数，周期可分为1周、1个月、3个月、6个月、1年等，根据研究的具体需要进行选取。在对比分析历史数据表现及近期数据的基础上，挖掘出具有内外套利机会的品种。

2．数理统计

确认挑选的内外套利品种的比值或者价差，是否在某一区间内进行波动，也就是要观察假如进行相关套利操作，其风险是否可控。在可能的情况下，应统计出价差波动的极值，也就是风险的上界和下界。

对价格数据的分布及相关性进行确认。价格相关性确认，目的是确保两合约价格走势之间存在着一定的联系，有从极端值向均值回归的属性。

3．基本面分析

之前套利机会的识别都是从数据计算和分析的角度展开，但基本面也是不可忽视的决定性因素。在数据分析的基础上，应注意结合基本面分析，以便为跨市场套利机会的捕捉和选择提供更好的依据和支持。

4．基金持仓分析

由于跨市场套利中涉及国外品种，而外盘基本面的分析因为统计机构、资料来源不同也与内盘有所差别。投资者一般可以通过基金持仓与外盘品种价格趋势之间的关系，来判断相关国外品种的价格走势。由于国外期货市场较为成熟，机构投资结构也较为合理，因此CFTC、交易所等机构定期公布的持仓信息具有一定的参考价值。

5．交易计划

完整的交易计划不仅包括建仓、止盈的计划，还应包括在价差出现不利方向运动时的风险处理预案。

五、跨市场套利的风险

跨市场套利虽然与单边投机相比说是一种比较稳健的保值和投资方式，但是依旧会存在一定的风险因素，表现为以下几点。

1．价差极端值风险

价差（或比价）关系只在一定时间和空间内具备相对的稳定性，这种稳定性是建立在一定前提条件下的。当这种条件被打破，如税率、汇率、贸易政策、贸易配额、远洋运输费用等外部因素的变化等，将有可能导致价差或比价显著偏离均值。

2．交易执行风险

交易风险一般是指投资者在套利头寸的建仓或平仓过程中发生的意外情况，特别是在行情剧烈变化的情况下，价格起伏波动较快，一些原本空间不大的套利在开仓、平仓时，随时都可能出现价格或者持仓数量的失误，导致整个套利操作未达到计划预期，甚至出现瘸腿、计划外风险敞口等，直接影响和改变该次套利投资的结果。

3．交易成本风险

交易成本是套利者需要考虑的另一个重要因素。在套利中，交易成本包括买卖期货合约的手续费，如果涉及实物交割，还需要支付交割手续费。有时候交易成本会非常高，即使有时从价差上看套利成功了，但交易成本也会蚕食掉相当比重的获利，使得本次交易无利可图。

4．资信风险

由于国内禁止未经允许的境外期货交易，许多投资者实际通过注册地在香港等地的小规模代理机构进行外盘操作，这种途径存在一定的资信风险。

5．时间敞口风险

由于内外盘交易时间存在一定差异，合约存续时间、假日安排、流动性水平并不同步，因此较难实现同时大规模下单的操作，不可避免地存在着时间敞口问题，加大了跨市场套利的操作性风险。

6．政策风险

政策性风险又叫作系统性风险，指不同国家对有关商品进出口政策的调整、关税及其他税收政策的大幅变动等，这些都可能导致跨市场套利的条件发生重大改变，导致套利交易无法按原有逻辑执行，并提前进入风险控制阶段。

— — — — — — 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

[h1]一个Call搅动市场？让我们温习一下波动率策略[/h1][h1]如何用真格量化设计持仓排名跟踪策略[/h1][h1]还不理解真格量化API设计？我们不妨参考一下CTP平台[/h1][h1]理解同步、异步、阻塞与非阻塞[/h1][h1]隐波相关系数和偏度——高维风险的守望者[/h1]Delta中性还不够？——看看如何设计Gamma中性期权策略

[h1]Python的多线程和多进程——从一个爬虫任务谈起[/h1]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"之外的更多选择——几种常见的路径依赖奇异期权
什么是CTP？——了解上期所CTP快速交易系统
了解季节性——以谷物和油籽为例
是前因还是后果?——在真格量化中进行格兰杰因果检验

Python导入模块的技巧
Python程序员常犯的十个错误

搜索数据泄露天机？——舆情指数与期货行情关联性分析思路

机器学习常见算法分类汇总

如何使用Data Pipeline 自动化数据处理工作？
CTP API的委托介绍和在真格量化中的订单流控制
高频交易对市场的影响
期货行情及其组织形式——以上期所为例
理解并行与并发
郑商所和大商所套利指令及在真格量化的实现
机器学习用于金融市场预测面临的挑战
高频交易中风险控制的常用措施
查询结果偏离预期？来了解CTP的报单函数及委托状态查询
Python中的ftplib模块

理解真格量化的Python编程范式
需要处理大量市场数据？来了解一下MySQL、HBase、ES的特点和应用场景

NumPy中的ndarray与Pandas的Series和DataFrame之间的区别与转换
Python中的scikit-learn机器学习功能库
什么是程序设计中的高内聚、低耦合？
Python的内存管理与垃圾回收机制
云服务中的容器技术
什么是“面向对象”程序设计-以Python为例
波动率介绍及其在资产定价中的应用
发现策略中的孪生兄弟——期权交易中的等价或相似策略解析

如何利用期权改进指数投资表现——借鉴海外市场经验
如何用期权进行“哑铃型”资产配置——“90/10”策略介绍
国外著名商品指数编制方法比较
FPGA技术在金融行业的应用——以沪深行情加速为例
美国市场对部分高频交易行为的监管

报价驱动制度与指令驱动制度比较
理解动量投资策略和逆向投资策略——通过行为金融学视角

期权做市商面临的风险及其对做市业务的影响

商品期权在现货企业中的应用
期权进行套期保值的优势与策略分类

COT报告揭秘——如何解读CFTC的持仓报告