指标相关性与背离套利的方案分析

2026 年 10 月 16 日收盘，国内有多只跟踪纳斯达克 100 指数的 ETF。它们买的是同一篮子美股，每天的净值涨跌几乎一模一样，但场内价格相对净值的溢价各不相同：513100 是 17.5%，513110 是 11.0%¹²。同一个东西，在同一个交易所，两个价格差了 6 个多点。

图 1 · 跟踪同一个指数的两只 ETF，溢价差从几乎为零拉开到 6 个点以上

两年前，这两只的溢价几乎一样。是什么让它们走散的？更进一步，市场里这类“本该绑在一起、却走散了”的东西还有很多：同一家公司的 A 股和 H 股，同一个品种的近月和远月期货，大盘和小盘指数，股票和债券。如果有一个平台能把市面上的指数和指标都盯着，给它们建立相关性的绑定，一旦出现背离就提示出来，是不是就能找到套利空间？这样的平台有没有？如果有，为什么用它赚到钱的人并不多？

本文从这两只 ETF 出发，一层一层往下看。

一、背离与套利

几个基本概念

先把后文反复用到的几个词说清楚。

溢价是 ETF 场内价格高出净值的比例。ETF 的净值由它持有的股票决定，场内价格由买卖双方报价决定，两者可以不一样。

相关系数衡量两个序列的涨跌是否同步，取值在 −1 到 1 之间。两个指数日收益的相关系数是 0.9，意思是它们大多数日子同涨同跌。

价差是两个价格之间的距离，通常取对数价格之差（ $\ln A - \ln B$ ）或比值。“背离”指价差偏离了它平常的水平。

z 分数是度量偏离程度的方法：用价差减去过去一段时间（比如 250 个交易日）的平均值，再除以这段时间的标准差。z = 2 表示价差比平常高出两个标准差。

协整比相关更进一步：两个价格各自可以漫无目的地涨跌，但它们的价差会围绕一个固定水平来回波动，跑远了会被拉回来。半衰期衡量拉回的速度，指偏离缩小一半平均需要多少天。

这里有一个容易混淆的地方：相关不等于收敛。两个指数每天涨跌高度同步，价差也可以一年比一年大。比如一个每天涨 0.10%，一个每天涨 0.08%，相关系数可以接近 1，价差却会一直扩大。真正决定“背离之后会不会回来”的，是协整，以及背后有没有让它回来的力量。

两类背离

让价差回来的力量，大致有两种来源，对应两类性质不同的背离。

第一类背离背后有强制收敛的机制。ETF 价格高于净值时，有资格的机构可以按净值申购新份额，然后在场内高价卖出，这个动作会把溢价压回去；股指期货到期按现货指数交割，期货和现货的价差到期必然归零；可转债可以按约定价格换成股票，转债价格不会长期远低于转股价值。这类背离的收敛是由规则保证的，赚取其中的价差才叫严格意义上的套利。

第二类背离背后没有这样的机制，只有历史上的统计规律：两只同行业的股票过去十年走势很像，最近其中一只跌多了。押注它们会恢复原来的关系，学术上叫统计套利，配对交易是其中最经典的形式³⁴。它本质上是一种预测，历史关系可能恢复，也可能就此断掉。

两类之间还有一层：有经济原因、但没有强制机制的绑定。同一家公司的 A 股和 H 股，代表同一份利润，但两地资金不能自由流动，AH 溢价可以多年不收敛。

三类绑定

绑定方式	例子	背离后靠什么回来	是否保证收敛
规则绑定	ETF 价格与净值；期货与现货；可转债与正股	申购赎回、到期交割、转股	保证（机制畅通时）
经济绑定	同指数的几只 ETF；A 股与 H 股；同一产业链上下游	资金在两边之间移动	不保证，可能多年不回来
统计绑定	历史走势相似的两只股票或两个指数	只有历史规律	不保证，关系可能断裂

开头那两只纳指 ETF 本来属于第一类，但 513100 自 2024-11-25 起暂停申购，机制被关掉了，就退化成了第二类。

表 1 · 同样叫“背离”，背后让它回来的力量完全不同

回到开头的问题。513100 和 513110 的溢价差，在 2024 年初几乎为零，是因为两只都能正常申购，任何一只溢价高了都会被申购套利压回去。2024 年 11 月以后，QDII 外汇额度紧张，这些 ETF 先后限购、暂停申购，规则绑定失效，溢价就由场内资金的情绪决定了，哪只更受追捧，哪只就更贵。

所以一个“发现背离”的平台，首先要回答的不是“哪里背离了”，而是这个背离背后有没有让它回来的力量。带着这个区分，再看市面上的工具做到了哪一步。

二、现有的平台和工具

有没有这样的产品

有，但没有一个产品把整件事做完。把“发现背离并据此交易”拆成四步：把数据汇集起来看（看），在大量组合里扫出候选（找），判断候选是不是真机会（判断），下单执行（做）。现有工具分别覆盖其中的一部分。

图 2 · 现成工具覆盖了“看”“找”“做”，中间的“判断”大多留给使用者

机构终端解决“看”。Bloomberg 可以画任意两个序列的价差，也可以用 BQuant 计算指数成分股之间的相关性矩阵，观察背离与收敛⁵；国内的 Wind、同花顺 iFinD 能把各类指数、宏观指标放在一起比较，设置条件报警。它们把所有数据集中到一个地方，但不判断哪个背离值得做，也不替你下单。

期货交易软件在“绑定 + 背离 + 下单”上走得最远，因为期货天然有跨期、跨品种和期现这些价差。快期、量投这类软件支持自定义套利合约：用四则运算公式把几个合约组成一个价差，再对这个价差设条件单⁶。交易所也提供标准套利指令，同时买一个、卖一个，由交易所撮合，上期所和上期能源计划在 2026 年 8 月 24 日上线这类指令⁷。这是国内个人投资者最接近“设定好绑定关系，背离了就自动下单”的现成工具，但只限期货，而且绑定关系要自己设。

零售配对交易软件解决“找”。海外的 PairTrade Finder 扫描历史数据寻找走势相近的股票对，在价差偏离时发出进出场信号，还能接 Interactive Brokers 半自动下单⁸⁹。TradingView 可以在代码栏直接输入 QQQ/SPY 这样的公式画出价差，再对它设报警；社区里有协整打分脚本，不过作者也说明，Pine Script 跑不了正式的协整检验，只能用几个指标打分代替¹⁰。

开源库适合自己搭。Hudson & Thames 的 ArbitrageLab 把文献里的主要配对方法都实现了一遍，包括距离法、协整法、copula 和 OU 过程的最优进出场¹¹。技术上，用这些库搭一个“全市场指数两两配对、算 z 分数、超阈值报警”的扫描器，并不难。

自然语言和“视角”

还有一类工具更接近“用相对抽象的方式描述想看什么”。

同花顺的问财可以把“近 5 年 ROE 大于 15%、市盈率低于 30 的股票”这样一句话翻译成筛选条件¹²，但它做的是选股，不做关系和背离。Alpha-GPT 更进一步：研究者用自然语言描述一个交易想法，大模型把它翻译成因子表达式并回测，研究者看结果再修改想法，人和机器来回迭代。论文称这套系统在 WorldQuant 2024 年的量化竞赛里进入了前 10¹³。微软的 RD-Agent 让多个智能体自己提出因子假设、写代码、在 Qlib 上回测，根据结果改进假设，人参与得更少¹⁴。

WorldQuant BRAIN 则是把“不同的人带着不同的视角”直接做成了产品：大量参与者在平台上提交自己写的信号表达式，平台用统一的数据回测、筛选，挑出好的组合进自己的投资组合，按质量给参与者付费¹⁵。不过它的“判断”只看统计指标，比如夏普比率、换手率、和已有信号的相关性¹⁶。

共同点和空白

把这些工具放在一起看，“看”和“找”已经很便宜了，“做”在期货上也有现成的工具。空着的是中间那一步：一个背离被扫出来以后，它背后有没有让它回来的力量。现有工具把这一步留给了使用者，或者只用历史统计来回答。

这一步恰恰决定了背离是机会还是陷阱。下一节先看看，为什么这一步需要人。

三、视角：为什么需要人

同一组数据，不同的视角

开头那两只 ETF 的走散，可以从很多角度去看，每个角度关心的东西不同。

《纳指ETF的时差利差分析》一文用的是一个视角：同一个指数在两个时区定价¹⁷。美股夜里交易，国内 ETF 白天交易，那篇文章关心的是 ETF 价格怎么消化隔夜的涨跌，上午和下午的走势有没有规律。换一个人，可能关心的是同一个指数的几只 ETF 谁贵谁便宜，持有纳指的人能不能换到更便宜的那只。再换一个人，可能关心的是整体溢价什么时候塌下来，盯的是外汇额度和申购公告。

这些视角用的是同一批价格和净值数据，提出的问题却完全不同。一个“全自动扫描所有相关性”的平台，不会自己想到“时区”这个角度，也不知道“申购暂停”意味着收敛机制失效了。

把视角写下来

视角可以用几个字段描述。下面把三个例子并排写出来：

视角卡

字段	同指数的几只 ETF	同一家公司的 A 股与 H 股	股指期货与现货
为什么应该绑定	持有同一篮子美股，净值同步	代表同一份利润	到期按现货指数交割
观察什么	各自溢价相对自己平时水平的偏离	H 股折价相对历史区间的位置	基差（期货减现货）
收敛机制	申购受限，只靠场内资金	无，两地资金不自由流动	到期交割，必然归零
怎么执行	持有一只，偏贵时换到便宜的，不用做空	只买便宜的一边	买现货 ETF、卖期货
一次的磨损	6–20bp	港股印花税 0.1% 起	期货手续费 + ETF 价差
什么情况下失效	申购恢复，整体溢价塌陷	政策改变两地资金流动	贴水长期存在，展期吃亏

“为什么应该绑定”和“收敛机制”这两行，决定了这个视角下的背离是不是机会；其余几行决定能不能做、做了能剩多少。

表 2 · 一个视角就是对“为什么这些东西应该一起动”的一个具体说法

这张卡里，相关系数一次都没出现。它当然有用，可以帮我们找到候选，但真正决定一个背离值不值得往下挖的，是前三行：它们为什么应该绑在一起，背离了靠什么回来。这些问题需要对市场规则、资金流向和政策的理解，正是人擅长、而纯统计扫描做不到的。

反过来，人也有不擅长的事：同时盯着几百个组合，记住每一对的历史回归率，在出现偏离的那一天及时发现。这部分适合交给机器。

跨平台的视角

视角里的两样东西，不一定在同一个市场里交易。只要它们最后取决于同一件事，就可以绑在一起看。

预测市场 Polymarket 上有一个“2026 年美联储会降息几次”的市场¹⁸，0 次、1 次……12 次以上，每个选项都有一个价格，可以读成概率（预测市场的机制见《从一个 87% 说起：Polymarket 是什么、怎么看、怎么下注》¹⁹）。把每个选项的次数乘以 25 个基点、按概率加权，就得到市场预期的全年降息幅度。另一边，芝加哥商品交易所的联邦基金期货 2027 年 1 月合约，价格等于 100 减去市场预期的那时的利率²⁰，它反映的也是 2026 年全年几次议息会议的结果。两边的参与者完全不同，一边是预测市场的用户，一边是做利率交易的机构，但最终由同一组议息结果结算。

图 3 · 两个平台上的同一件事：预测市场和利率期货给出的降息预期几乎重合

从 2025 年 12 月到 2026 年 10 月的 201 个交易日里，两条线的相关系数是 −0.96（期货隐含利率越低，降息越多，所以是负号），换算成降息幅度后几乎重合，两者之差大多在一次降息（25 个基点）以内。这个跨平台的绑定是真实存在的。

分歧也看得到，而且有两种来源。一种是规则不同：2026 年 9 月以后，期货开始计入加息的可能，隐含的“降息幅度”变成了负数，而 Polymarket 这个市场的选项最少只有“0 次”，表达不了加息，两边就出现了一段结构性的差距。这不是错误定价，是两个合约的定义不一样，正是视角卡里“收敛机制”那一栏要先核对的东西。另一种是短期的看法不同：分歧出现以后，接下来几天往往是期货向 Polymarket 靠拢，但按分歧超过 10 个基点、不重叠地数，只有 10 次，其中 7 次期货往 Polymarket 的方向走，平均幅度主要来自 2 月底的一次，去掉它就接近于零。样本太少，还不能说哪一边领先。

这个绑定能不能再往下传，传到国内能交易的品种上？ 降息预期变了，会影响美股，再影响国内的纳指 ETF；也可能影响中美利差，再影响国债和汇率。我们用同一段时间检验了美国当天 Polymarket 降息预期的变化，和国内下一个交易日几个品种的涨跌：

Polymarket 降息预期的变化与其他品种的相关系数（2025-12 至 2026-10）

品种	和 Polymarket 的关系	相关系数
同一件事、不同平台
联邦基金期货（水平）	同一组议息结果结算	−0.96
联邦基金期货（每日变化）	同上	−0.31
同一天的美国利率品种
2 年期美债期货	受同一预期影响	+0.23
10 年期美债收益率	受同一预期影响	−0.22
国内下一个交易日
513100 纳指 ETF	经过美股传导	+0.11（去掉纳指后 +0.07）
510300 沪深300 ETF	经过风险偏好传导	+0.07
511010 5 年国债 ETF	经过中美利差传导	−0.08
美元兑人民币	经过中美利差传导	−0.02
对照
纳指当晚涨跌 → 513100 次日	直接传导	+0.56

Polymarket 的价格时间戳是 00:00 UTC（美东前一晚 8 点），已归到前一个美国交易日。国内品种约 190 个样本，相关系数绝对值小于 0.14 在 5% 水平上不显著。

表 3 · 绑定强度随链条变长迅速衰减：同一件事上几乎一致，传到国内品种时已经看不出来

到了国内品种这一层，相关系数都在 ±0.1 左右，统计上不显著。原因不难理解：Polymarket 降息预期里能影响纳指 ETF 的那部分信息，当晚美股的涨跌已经带过来了，对照组里纳指当晚涨跌和 513100 次日收益的相关是 0.56。

所以跨平台的视角是成立的，但它的强度和表 1 的分类是同一个结构：同一件事、不同平台几乎完全绑定，同一预期下的不同工具只是松散同步，顺着因果链传到下游品种就弱到没有用了。对国内的读者还有一点要说明：Polymarket 在大陆无法访问，按国内法律也不应参与交易，这里只是通过它的公开接口读取价格，把它当作一个观察指标。预测市场内部，互斥选项、相互蕴含的市场之间也会出现背离，有研究用大模型识别这类关联、再用程序扫描，估计 2024 年 4 月到 2025 年 4 月之间有约 4000 万美元的此类套利被实现²¹，那是另一个、由规则绑定的视角。

那么，机器和人应该怎么分工？

四、系统设计：机器扫描、人来判断

设计目标

系统要做到三件事。第一，视角可以用一句话提出来，不需要写代码，也不要求是精确的配对表。第二，机器对每个视角下的所有组合自动扫描，给出候选，并附上足够判断用的证据，包括和随机对照的比较。第三，人对候选做判断，判断结果要能沉淀下来，让下一次扫描更准。

总体架构

图 4 · 视角由人提出、机器展开扫描，候选回到人手里判断，判断结果再沉淀回视角

整个系统分成三层，上下两层是人，中间一层是机器。

视角卡是系统的输入。人用一句话描述想看什么，例如图 4 顶部那句。大模型把这句话翻译成表 2 那样的字段：标的有哪些（从基金列表里找出所有跟踪纳斯达克 100 的 ETF）、观察什么量（溢价，而且是相对每只自己平时水平的偏离，因为有的 ETF 天生就贵）、怎么执行、磨损多少。翻译的结果要给人确认，因为“绑定理由”和“收敛机制”这两栏，大模型可能写错，而它们最要紧。

扫描器对视角下的所有组合，每天收盘后计算一遍。它输出的不只是“当前偏离多少”，还包括历史上同样程度的偏离出现过几次、之后有多大比例回来了、回来要多久、扣掉磨损以后平均每次赚多少。最后两行最容易被忽略：同样的规则在打乱顺序的随机数据上跑出什么结果，以及这次一共扫了多少组。扫的组合越多，纯靠运气冒出来的“好”候选就越多，没有对照，就分不清哪些是规律、哪些是噪音。

候选队列按证据排序，交给人。图 4 右边是 2026 年 10 月 16 日收盘时这个视角下的第一个候选：159696 的溢价比它自己 60 天的常态高出 2.2 个百分点，513390 低了 1.7 个百分点。两只之间的偏离差是 3.8 个百分点。过去两年半，十只里偏离最高和最低的两只相差超过 1 个百分点的情况出现过 30 次（每次之后隔 20 天才计下一次），之后 20 天里，便宜的那只平均比贵的那只多涨 0.67%，77% 的情况是便宜的跑赢。

判断这一步由人来做，回答的是机器回答不了的问题：这两只 ETF 有没有理由一起动（有，持有同一篮子股票）；这次偏离是不是新信息，比如某只刚刚宣布恢复申购，那它的溢价下降就不会回来；能不能执行，扣完磨损还剩多少。判断为靠谱的候选进入深挖，写成研究笔记、做更细的回测，像纳指 ETF 那篇文章一样。判断为不靠谱的，记下原因。

前后联动

人的判断要回写到视角卡上，这是这个设计和“全自动扫描”的主要区别。

被否决的候选，原因会累积成视角的“失效条件”。比如“某只 ETF 发了恢复申购公告”这一类原因出现过一次以后，扫描器就可以在下次看到同样的公告时自动给这只 ETF 降权。视角本身也有生命周期：表 2 里每个视角都写了“什么情况下失效”，一旦收敛机制变了，比如 QDII 额度放开、申购恢复，这个视角下的历史统计就不再适用，应该停用重新评估，而不是继续按历史规律发信号。

反过来，深挖后证实靠谱的视角，可以提高扫描频率，或者把阈值、持有期这些参数用走查的方式固定下来。

设计看起来是合理的，但这种模式真能找到机会吗？下面用数据检验。

五、这种模式靠不靠谱

研究怎么说

先看统计套利在学术上的表现。Gatev、Goetzmann 和 Rouwenhorst 在 2006 年发表的研究是配对交易的经典文献：在美股 1962 年到 2002 年的数据上，按历史价格走势找出最接近的股票对，价差偏离超过两个标准差就开仓，自融资组合的年化超额收益最高约 11%，这是扣成本以前的数字³。

后续研究发现这份收益在变小。Do 和 Faff 把数据延长到 2009 年，配对交易的利润在 1970 到 80 年代最高，1990 年代以后持续下降²²；他们后来又把佣金、冲击成本和融券费用算进去，原始版本基本不再盈利，只剩少数改进版本还有小幅利润²³。更一般的研究也有类似结论：McLean 和 Pontiff 统计了 97 个学术上发表过的收益预测变量，论文发表以后，这些变量的收益平均下降了约 58%²⁴。一个规律被知道的人越多，它就越弱。

另一个风险是集中亏损。2007 年 8 月的第一周，大量做同类多空策略的量化基金几乎同时平仓，彼此的卖出推着价差继续扩大，几天之内集中亏损²⁵。统计套利的收益分布通常是“大多数时候赚小钱，偶尔一次亏大钱”。

实验一：不带视角的盲扫

先模拟一个“全自动”的平台：不提任何视角，把手头的指数两两配对，按统一规则扫描。

数据是 2005 年到 2026 年 10 月的 11 个指数：沪深300、中证500、中证1000、上证50、300价值、300成长、中证红利、红利低波、中证全债、可转债和盈富基金（恒生指数）²⁶，两两配对共 55 对。规则是：对每一对计算对数价比的 250 日 z 分数，绝对值超过 2 就开仓（买相对便宜的、卖相对贵的），z 回到 0.5 以内或持有满 60 天就平仓，每次扣 20bp 成本。对照组是把真实日收益的顺序打乱，造出没有任何关系的随机价格，用同样的规则跑一遍。

组别	回到 z<0.5 的比例	每次扣成本后	赚钱的配对
随机对照（打乱顺序）	24%	−96bp	—
55 对真实配对（中位数）	25%	−29bp	26 / 55
当前背离最大的三对（2026-10-16）
沪深300 / 中证全债（z −3.8）	11%	−701bp	—
中证全债 / 可转债（z +3.5）	13%	−297bp	—
中证红利 / 可转债（z +3.3）	24%	−193bp	—
历史上每次收益最高的三对
上证50 / 中证红利	29%	+212bp	—
中证500 / 上证50	19%	+157bp	—
上证50 / 盈富基金	48%	+141bp	—

每一对历史上出现 30–42 次背离。“历史上收益最高”是从 55 对里事后挑出来的，不能直接当作未来的预期。

表 4 · 不带视角盲扫，回归比例和随机对照几乎一样；背离最大的几对恰恰是最不该做的

结果有三点。

整体上和随机差不多。 55 对真实配对的回归比例中位数是 25%，随机对照是 24%。按这个规则，大多数指数之间的背离并不比随机游走更容易回来。

背离最大的候选，恰恰是最不该做的。 当前排在前面的全是股票对债券，比如沪深300 和中证全债。股票和债券本来就没有绑定关系，过去一年股市涨得多，价比自然“偏离”了常态，这不是错误定价。这几对在历史上每次平均亏 2 到 7 个百分点。一个只看 z 分数的平台，会把它们排在第一位。

历史上最好的几对，有经济上的解释。 上证50 和中证红利、上证50 和盈富基金，都是大盘蓝筹之间的配对，成分股有大量重叠或同属一类资产。但这是从 55 对里事后挑出来的前几名，而且执行时需要卖出其中一边，在 A 股做空并不容易（见第六节）。

实验二：带视角的扫描

再用第三节的视角“同一个指数的几只 ETF，谁比自己平时更贵，就换到更便宜的那只”。这个视角有明确的绑定理由（同一篮子股票），执行时不需要做空，只需要在几只 ETF 之间换仓，ETF 买卖也不交印花税。

数据是十只纳指 ETF 2024 年 1 月到 2026 年 10 月的复权日线和净值¹²。每只 ETF 的“相对溢价”定义为它的溢价减去十只的平均溢价，“偏离”是相对溢价减去它自己过去 60 天的平均值。始终持有一只；当持有的这只的偏离比偏离最低的那只高出一个阈值时，第二天收盘换过去。比较对象是同期十只等权持有。

十只纳指 ETF 按溢价偏离换仓（2024-03 至 2026-10，年化）

换仓阈值	每次成本 6bp	每次成本 20bp	每年换仓
0.5 个百分点	33.1%	30.3%	15 次
1 个百分点	33.1%	31.5%	9 次
2 个百分点	29.0%	28.4%	4 次
比较
十只等权持有	24.2%		0
直接比绝对溢价换仓	26%–30%（阈值 1%–5%，2024-01 起）		不到 1 次

信号在第 t 天收盘计算，第 t+1 天收盘换仓。阈值和 60 天窗口是直接选定的，没有做走查。

表 5 · 带视角的扫描，扣完成本每年比等权持有多 4 到 9 个百分点

扣完成本，换仓比等权持有每年多 4 到 9 个百分点。每只 ETF 的相对溢价确实会回归，半衰期在 3 到 25 天之间。

表 5 最后一行也说明了视角里“观察什么”这一栏为什么要写清楚。如果直接比较绝对溢价，系统会一直持有天生便宜的那只（513110 的溢价平均比十只均值低 0.7 个百分点），一年都换不了一次，和持有不动没有区别。只有比较“相对自己平时的偏离”，才能抓到真正的临时错位。

这个结果有几个限制。数据只有两年半，阈值和窗口是我直接选的，没有像风格轮动那篇文章一样做走查；成交按收盘价算，小规模 ETF 的实际价差可能更大，20bp 那一列是较保守的情形。更重要的是，这个策略赚的是“相对便宜”，没有对冲“整体太贵”：十只 ETF 都背着 11% 到 17% 的溢价，一旦外汇额度放开、申购恢复，溢价会整体下降，换仓换得再好也会一起亏掉一截。

检验结论

两个实验放在一起看，结论是：相关性扫描本身产生不了机会，视角才是关键。不带视角的盲扫，结果和随机差不多，排在前面的往往是本来就不绑定的组合；带着一个有经济理由、能执行的视角去扫，扣完成本仍然有可观的超额，至少在这段数据里是这样。

这支持“机器扫描、人来判断”的分工：机器负责在视角之内把所有组合都算清楚，人负责提出视角、判断哪些绑定有理由成立。

既然如此，为什么做成这件事、赚到钱的人并不多？

六、为什么赚到钱的人不多

先要分清两种“赚钱”。卖这类工具的平台本身是赚钱的，同花顺 2026 年上半年的归母净利润是 9.5 亿元²⁷，但它赚的是“让你看到”的钱，不是套利的钱。用工具的人能不能赚到，取决于下面几道门槛。

第一道是速度和成本。 有强制收敛机制的背离，比如能正常申赎的 ETF 的折溢价、期现基差，做市商和量化机构用接近零的佣金、专线和可以做空的账户，在秒级到分钟级就会抹平。留到普通投资者手里的，扣完成本通常是负的。普通人能碰到的，往往是机制失灵的时候，比如 513100 暂停申购，而这时它也就不再是严格意义上的套利了。

第二道是做空。 经典的配对交易要同时买一个、卖一个。A 股的融券在 2024 年持续收紧，转融券从 2024 年 7 月 11 日起暂停，融券保证金比例从 7 月 22 日起提高到 100%，私募基金提高到 120%²⁸。个人能用的做空工具基本只剩股指期货和期权，开户门槛是 50 万元，而且只覆盖几个宽基指数。所以在 A 股，能做的主要是不需要做空的版本，比如实验二那种换仓。

第三道是磨损。 背离回来的幅度，经常和一次往返的成本是同一个量级。

一次往返的大致磨损（按单边名义金额）

做法	交易笔数	主要成本	合计
A 股股票配对	4 笔（开仓买、卖，平仓卖、买）	佣金 4 次、卖出印花税 0.05% 两次、买卖价差、融券利息	约 25–40bp，另加融券费
同指数 ETF 换仓	2 笔（卖一只、买一只）	佣金 2 次、买卖价差，不交印花税	约 6–20bp
股指期货对 ETF	2–4 笔	期货手续费很低，ETF 价差、保证金占用	约 5–15bp，门槛 50 万

佣金按万分之一到万分之二点五估算，价差按每笔 1–5bp 估算，是量级而不是精确值。

表 6 · 同样一次背离，股票配对的磨损是 ETF 换仓的两到三倍

第四道是统计上的辨别力。 盯的组合越多，假信号越多。实验一里 55 对指数的整体结果和随机对照几乎一样，但仍然能“找到”几对历史收益很高的配对。分不清哪些是规律、哪些是从大量组合里凑出来的，就会把噪音当成机会。

第五道是承受力。 统计套利大多数时候赚小钱，偶尔一次亏大钱。背离继续扩大的时候，要判断是暂时的还是关系已经断了，还要有资金和心理扛得住。2007 年那次量化踩踏，亏损的正是最专业的机构²⁵。

第六道是容量和公开性。 一个真正有效的背离，知道的人多了就会被做掉。这也是为什么真正赚钱的人不卖工具，卖工具的人不需要自己去赚。

把这六道门槛放在一起，能看出普通投资者的位置：前两道（速度、做空）基本跨不过去，所以要避开机构的主战场；第三道（磨损）决定了要选 ETF、期货这类成本低的品种；第四、五道（辨别力、承受力）正是“视角 + 随机对照 + 人来判断”想要解决的。

第六道门槛提出了一个新问题：既然一个视角会随着知道的人变多而失效，能不能看清它现在处在哪个阶段？

七、视角的生命周期

视角会经历哪些阶段

一个视角从出现到失效，大致会经过几个阶段。萌芽时，绑定关系由机制维持着，背离很小，没有机会，比如 2024 年上半年纳指 ETF 都能正常申购的时候。出现是机制失效或有了新信息，背离开始变大，513100 在 2024 年 11 月暂停申购就是这样一个时点。有效期里，按这个视角操作的效果明显好于随机对照，知道的人还不多。拥挤期，做同一件事的人越来越多，机会变小或者波动变大。最后是失效：效果回到对照水平，甚至反过来亏钱。

McLean 和 Pontiff 的统计给出过一个整体的轮廓：学术上发现的收益预测变量，到了样本外收益平均下降约 26%，论文发表、知道的人变多以后，下降约 58%²⁴。这个数字说明的是平均水平，具体到一个视角，它处在哪一段，需要单独去看。

现有的工具能看到什么

还没有一个产品能把单个视角的生命周期完整画出来，不过有几样东西各自看到了其中一段。

因子拥挤度模型看的是“拥挤”这一段。MSCI 的模型用五个指标合成每个因子的拥挤分数，包括估值价差、做空比例价差、成分股两两之间的相关性、因子波动率和过去 36 个月的因子收益，高于一个标准差就算拥挤²⁹。它只覆盖动量、价值这类标准因子，不覆盖个人自定义的视角。

学术上的拥挤度量给出了“知道的人多了”的一种测量方法。Lou 和 Polk 提出的 comomentum，用动量策略会买卖的那批股票之间的异常收益相关性，推断有多少套利资金在做同一件事：这个值低时，动量策略有效；这个值高时，动量策略容易崩溃、反转³⁰。道理是，很多人同时买入、卖出同一批股票，这批股票就会被一起推动，相关性随之上升。

因子研究工具看的是“效果”这一段，比如按时间滚动计算信号的预测能力，但只能看到收益在衰减，看不到衰减的原因。

把生命周期画出来

对单个视角，可以把四类信息放在同一条时间轴上：机会有多大（背离的幅度），效果比对照好多少（胜率或超额收益），做的人多不多（成交额、份额变化、同类信号之间的相关性），以及机制事件（申购暂停或恢复、额度、规则变化）。前两条线说明现在处在哪一段，后两条线说明为什么。

下面用同一批纳指 ETF 数据上的两个视角试一下，一个是本文的“同指数 ETF 溢价换仓”，一个是《纳指ETF的时差利差分析》里的“上午相对纳指强，下午延续”¹⁷。

图 5 · 同一批数据上的两个视角：一个还在有效期，一个已经失效

上图是换仓视角：11 个季度里 9 个季度跑赢等权持有，2026 年第四季度十只 ETF 之间的溢价差异是两年来最大的，机会还在。但下图的平均溢价已经到了 13%，整体溢价塌陷的风险也是最大的。可以判断它仍在有效期，风险在上升。

中图是日内视角：2024 年第四季度到 2026 年第二季度，信号日下午上涨的比例在 56% 到 88% 之间，明显高于全部交易日；2026 年第三季度降到 50%，和普通日子没有区别；第四季度到目前只有 5 个信号日，赢了 1 天。它已经进入失效期。同一时期平均溢价从 5% 左右升到 9% 以上，溢价越高，下午追涨的空间越小，这和纳指 ETF 那篇文章里按溢价分组的结果一致。

两个视角用的是同一批价格和净值，走到了生命周期的不同阶段。这就是图 4 里“判断结果回写视角卡”和表 2 里“什么情况下失效”这两处设计要做的事：把每个视角现在处在哪一段持续画出来，让使用者对这个关联有直观的感觉，而不是只在出现背离的那一天看到一条信号。

八、存在的问题与改进

检验中暴露的问题

样本短。 纳指 ETF 的换仓只有两年半的数据，而且这段时间正好是溢价从 1% 涨到 17% 的特殊时期。溢价整体上升时，各只之间的错位更大，换仓的机会也更多，这个结果未必能推广到溢价平稳的时期。

参数没有走查。 阈值和 60 天窗口是直接选的，表 5 里不同阈值的结果在 28% 到 33% 之间，说明结果对参数不算敏感，但更严谨的做法是滚动地只用过去的数据选参数。

视角卡的翻译可能出错。 大模型把一句话翻译成标的列表和观察量时，可能漏掉某只 ETF，也可能把“收敛机制”写错。这一栏写错，后面的统计再漂亮也没有意义，所以必须由人确认。

人的判断本身也会过拟合。 人看到一个候选的历史曲线很好看，容易事后给它编一个“经济原因”。判断的理由最好在看到回测结果之前写下来。

改进方向

扫描器加上滚动协整检验和失效监控。 除了 z 分数，持续检查一对组合是否仍然协整；收敛机制相关的公告（申购暂停或恢复、指数调整、交易规则变化）作为事件接入，触发视角的重新评估。

把整体风险也写进视角。 换仓视角的最大风险是整体溢价塌陷，视角卡里可以加一栏“这个视角不对冲什么”，并在整体溢价超过某个水平时提示。

记录每一次人的判断。 否决和通过的理由都存下来，过一段时间回头看，哪些理由事后被证明是对的，逐步把人的经验沉淀成扫描器的过滤条件。

九、小结

两只跟踪同一指数的 ETF 溢价相差 6 个多点，算不算套利空间？要看背离背后有没有让它回来的力量。有规则保证收敛的才是套利，只有历史统计的是统计套利，本质上是预测。
有没有平台能盯着所有指标、发现背离？有，但分散在几类工具里：终端负责看，配对软件和开源库负责找，期货软件负责做，自然语言和智能体工具可以把一句话变成筛选条件。中间“判断该不该回来”的那一步，大多留给使用者。
能不能用相对模糊的方式描述想看什么？可以。用一张视角卡写下“为什么应该绑定、观察什么、靠什么收敛、怎么执行、磨损多少”，由人提出、大模型翻译、人确认，再交给机器扫描。视角也可以跨平台：Polymarket 和联邦基金期货对降息的预期几乎重合，但传到国内品种上就看不出关联了。
这种模式靠不靠谱？不带视角盲扫 55 对指数，结果和随机对照几乎一样；带着“同指数 ETF 换仓”这个视角，扣完成本每年比等权持有多 4 到 9 个百分点，但样本只有两年半，而且不对冲整体溢价。
为什么赚到钱的人不多？速度、做空、磨损、统计辨别力、承受力和容量六道门槛。普通投资者能做的，是避开机构的主战场，选不需要做空、成本低的品种，用视角和随机对照提高辨别力。
一个视角会不会失效，现在处在哪个阶段？视角会经历萌芽、出现、有效、拥挤、失效几个阶段。把机会、效果、参与者和机制事件放在同一条时间轴上就能看出来：纳指 ETF 的换仓视角仍然有效，日内视角从 2026 年第三季度起已经失效。