企业官网建设流程全解析

gs-quant 实战：3 行核心代码跑通商品期货跨期价差回归套利回测

【免费下载链接】gs-quantPython toolkit for quantitative finance项目地址: https://gitcode.com/GitHub_Trending/gs/gs-quant

2024 年 3 月，某商品近月合约被现货抢购推高，对远月的溢价从 1% 拉到 5% 后迅速回落。价差回归策略赚的就是这段弹回的钱。这篇用 gs-quant 做一个商品期货套利的均值回归量化回测：价差信号、触发器、回测引擎，核心只有三行。

概念拆解：价差为什么倾向于回中

跨期价差可以想象成一根橡皮筋。近月和远月合约底层是同一件商品，季节性供需、交割成本变化会把两根价格"拉开"，但只要两边基本面没有永久分叉，价差迟早缩回去。水位回中也是同一个道理：偏离足够远的时候进场，赌的是回归而不是方向。

策略逻辑不依赖代码就能说清楚，信号到动作的映射如下：

z 分数：价差偏离滚动均值多少个标准差。超过 ±2 就视为"橡皮筋拉过头"。

拿到近远月合约数据：安装、认证、拉价格三步走

Step 1：安装

一条命令装好依赖：

pip install gs-quant --upgrade

Step 2：认证

gs-quant 的数据和计算都走远程 API，需要先初始化一个会话（凭据在 Marquee 开发者平台申请）：

from gs_quant.session import GsSession # 替换为你自己的凭据 GsSession.use(client_id='your_client_id', client_secret='your_client_secret', scopes=('run_analytics',))

Step 3：构造合约对象并拉历史价格

用FutureContract声明近月、远月两个合约，再从DAILY_BASIS数据集取日线收盘：

from gs_quant.markets.securities import FutureContract from gs_quant.data import Dataset # 合约 ID 以证券主数据实际为准，这里以黄金近月/远月为例 near_leg = FutureContract('GD-12-25', 'COMMODITIES', '黄金近月') far_leg = FutureContract('GD-06-26', 'COMMODITIES', '黄金远月') ds = Dataset('DAILY_BASIS') start, end = '2024-01-01', '2024-12-31' near_px = ds.get_data(start, end, assetId=(near_leg,))['close'] far_px = ds.get_data(start, end, assetId=(far_leg,))['close']

合约对象的字段定义见 gs_quant/markets/securities.py。

构造价差 Z 分数信号，一条命令跑通回测

价差序列与 Z 分数

先算价差比率，再用 60 日滚动均值和标准差归一化。窗口长度决定"均值"代表什么：60 约等于一个季度，太长会迟钝，太短会把正常波动也当异常：

from gs_quant.timeseries.statistics import mean, std spread = near_px / far_px - 1 w = 60 z = (spread - mean(spread, w)) / std(spread, w) # Z 分数序列

mean、std的实现见 gs_quant/timeseries/econometrics.py 所在的统计模块。

触发器：把规则交给内置的均值回归组件

gs-quant 自带MeanReversionTrigger：把价差序列喂给它，它按 z 的正负自动决定方向——z 高于阈值进空价差，低于阈值进多价差，价差回到均值时自动平仓。这就是那"三行核心"中的关键一行：

from gs_quant.backtests.triggers import MeanReversionTrigger, MeanReversionTriggerRequirements from gs_quant.backtests.data_sources import GenericDataSource from gs_quant.backtests.actions import AddTradeAction, ExitAllPositionsAction src = GenericDataSource(spread) trigger = MeanReversionTrigger( # 核心 1 MeanReversionTriggerRequirements(src, 2.0, 60, 60), # z 阈值 2，均值/标准差窗口 60 [AddTradeAction([near_leg, far_leg], name='gold_spread'), ExitAllPositionsAction()] )

阈值2.0是进场的"橡皮筋拉伸上限"；2.0偏保守、信号少而稳，1.5更激进、容易被震荡打脸。触发与动作定义见 gs_quant/backtests/triggers.py 和 gs_quant/backtests/actions.py。

回测：把策略丢给引擎按日推进

Strategy= 初始组合 + 触发器；初始组合传None表示空仓起步：

import datetime as dt from gs_quant.backtests.strategy import Strategy from gs_quant.backtests.generic_engine import GenericEngine strategy = Strategy(None, trigger) backtest = GenericEngine().run_backtest( # 核心 2 strategy, start=dt.date(2024, 1, 1), end=dt.date(2024, 12, 31), frequency='1d', show_progress=True ) summary = backtest.result_summary # 核心 3: dict[str, DataFrame]

GenericEngine走 gs-quant 的风险 API 做逐日计算，是覆盖面最广的引擎，见 gs_quant/backtests/generic_engine.py。

读懂回测结果：年化、夏普、最大回撤该看什么

result_summary是按列名组织的 DataFrame 集合，累计现金列可以近似当组合净值。把三个最关键的指标一次打出来：

from gs_quant.timeseries.econometrics import sharpe_ratio, max_drawdown cash = summary['Cumulative Cash'] ret = cash.pct_change() print(f"年化 {ret.mean()*252:.1%} 夏普 {sharpe_ratio(ret).iloc[-1]:.2f} " f"最大回撤 {max_drawdown(cash).iloc[-1]:.1%}")

📊 单看数字没意义，给个对照系：

如果夏普不低但回撤大，多半是阈值太紧、进场太频繁；反过来收益回撤都不动，说明 2σ 对这个品种太保守。

净值曲线一行代码就能画出来：

cash.plot(legend=False, title='价差回归策略净值曲线')

避坑与调优：让均值回归 量化策略 更接近实盘

⚠️ 教学示例跑通不等于能上实盘，四个最常见的坑：

另外把窗口长度 30/60/120 各跑一遍做敏感性分析：参数在合理范围内结论稳定，策略才值得继续打磨；换个窗口就变号，说明赚的是噪音。

策略价值与边界

三行核心代码背后，gs-quant 把数据、信号、触发器、引擎拆成了可替换的组件：改阈值、换窗口、加新品种都是改参数而不是重写代码，这是均值回归这类策略快速迭代的正确姿势。

风险提示：本文策略仅作教学示例，不构成投资建议，实盘需自行承担风险。商品期货还有流动性、保证金和交割制度等现实约束，回测结果不代表未来表现。

想继续深入，建议看仓库内这两处：

• 回测入门教程：gs_quant/documentation/04_backtesting/tutorials/
• 文档总览：docs/index.rst

【免费下载链接】gs-quantPython toolkit for quantitative finance项目地址: https://gitcode.com/GitHub_Trending/gs/gs-quant