--- title: "指标相关性与背离套利的方案分析" description: "两只跟踪同一个纳斯达克 100 指数的 ETF，场内溢价一个 17.5%、一个 11.0%。这种“绑定的东西走散了”的现象，市面上有没有平台能统一盯着、发现了就去做？本文先区分几类背离，再看现有的终端、期货软件、配对交易软件、开源库和自然语言智能体分别做到了哪一步；接着讲视角从哪里来：先由机器用公开数据把 ETF 与净值、期货与现货这类基础视角连成一张图，再推出高阶视角，并用 Polymarket 和联邦基金期货检验跨平台的视角；然后设计一个“机器扫描、人来判断”的系统：视角怎么描述，扫描器给出什么证据，人在哪里做决定。最后用 55 对指数的盲扫和十只纳指 ETF 的换仓实测检验它靠不靠谱，讨论为什么能从中赚到钱的人不多，以及怎样看清一个视角从出现到失效的生命周期。" pubDate: 2026-10-18 updatedDate: 2026-10-19 tags: ["量化", "统计套利", "配对交易", "ETF", "A股"] refs: - id: yahoo title: "十只纳指 ETF（513100、513110、513300、513390、513870、159941、159632、159660、159501、159696）的复权日线" url: "https://finance.yahoo.com/quote/513100.SS/" collect: "yahoo-quote-513100-ss" site: "Yahoo Finance" date: "2026-10-17" note: "2024-01-03 至 2026-10-16，十只共同交易日 672 天。" - id: sina title: "十只纳指 ETF 的单位净值" url: "https://finance.sina.com.cn/fund/" collect: "sina-fund" site: "新浪财经基金频道" date: "2026-10-17" note: "2024-01 起。溢价按“当日收盘价 / 前一日净值 − 1”近似计算，没有日内参考净值（IOPV）。" - id: csindex title: "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、可转债等指数日线" url: "https://www.csindex.com.cn/" site: "中证指数有限公司" date: "2026-10-17" note: "2005-01 至 2026-10-16，全收益指数；港股用盈富基金 2800.HK 复权价（Yahoo，2008-01 起）。数据沿用《量化策略篮子与市场风格的方案分析》一文。" - id: akshare title: "AKShare 文档：公募基金、指数、债券、股票、期货数据接口" url: "https://akshare.akfamily.xyz/" site: "AKShare" date: "2026-10-19" note: "fund_etf_spot_em、fund_etf_fund_info_em、fund_overview_em、fund_purchase_em、index_stock_cons_weight_csindex、futures_main_sina、bond_cb_jsl、stock_zh_ah_spot_em。" - id: nasdaq-post title: "纳指ETF的时差利差分析" url: "https://twwy.net/blog/nasdaq-etf-overnight/" collect: "twwy-nasdaq-etf-overnight" site: "twwy.net" date: "2026-10-18" - id: ggr title: "Pairs Trading: Performance of a Relative-Value Arbitrage Rule" url: "https://doi.org/10.1093/rfs/hhj020" site: "The Review of Financial Studies" author: "Evan Gatev, William N. Goetzmann, K. Geert Rouwenhorst" date: "2006" note: "19(3): 797–827。美股 1962–2002 年，按历史价格距离最近配对，背离超过两个标准差就开仓，自融资组合年化超额收益最高约 11%（扣成本前）。" - id: dofaff2010 title: "Does Simple Pairs Trading Still Work?" url: "https://doi.org/10.2469/faj.v66.n4.1" site: "Financial Analysts Journal" author: "Binh Do, Robert Faff" date: "2010" note: "66(4): 83–95。数据延长到 2009 年，配对交易的利润在 1970–80 年代最高，1990 年代以后持续下降，在市场动荡期表现较好。" - id: dofaff2012 title: "Are Pairs Trading Profits Robust to Trading Costs?" url: "https://doi.org/10.1111/j.1475-6803.2012.01317.x" site: "Journal of Financial Research" author: "Binh Do, Robert Faff" date: "2012" note: "35(2): 261–287。计入佣金、冲击成本和融券费用以后，原始版本基本不再盈利，只有少数改进版本还有小幅利润。" - id: krauss title: "Statistical Arbitrage Pairs Trading Strategies: Review and Outlook" url: "https://doi.org/10.1111/joes.12153" site: "Journal of Economic Surveys" author: "Christopher Krauss" date: "2017" note: "31(2): 513–545。把配对交易方法分成距离法、协整法、时间序列法、随机控制法和其他方法五类。" - id: mclean title: "Does Academic Research Destroy Stock Return Predictability?" url: "https://doi.org/10.1111/jofi.12365" site: "The Journal of Finance" author: "R. David McLean, Jeffrey Pontiff" date: "2016" note: "71(1): 5–32。97 个收益预测变量，样本外收益平均下降约 26%，论文发表后下降约 58%。" - id: khandani title: "What Happened to the Quants in August 2007? Evidence from Factors and Transactions Data" url: "https://doi.org/10.1016/j.finmar.2010.07.005" site: "Journal of Financial Markets" author: "Amir E. Khandani, Andrew W. Lo" date: "2011" note: "14(1): 1–46。2007 年 8 月第一周，大量做同类多空策略的量化基金同时平仓，几天内集中亏损。" - id: bloomberg title: "Index member correlation: visualizing index correlations with Plotly" url: "https://professional.content.cirrus.bloomberg.com/professional2023/insights/webinar/index-member-correlation-visualizing-index-correlations-with-plotly/" collect: "bloomberg-professional2023-insights-webinar-memb" site: "Bloomberg Professional" note: "用 BQuant 计算指数成分股的相关性矩阵，观察背离与收敛。" - id: quantdo title: "自定义套利" url: "https://flexitrader.quantdo.com.cn/docs/guide/customized_spread" collect: "quantdo-guide-customized-spread" site: "量投科技文档" note: "用四则运算公式把几个期货合约组合成一个价差，再对价差下单。" - id: shfe-spread title: "上期所、上期能源标准套利指令上线报道" url: "https://stock.10jqka.com.cn/20260821/c679161013.shtml" collect: "10jqka-20260821-c679161013-shtml" site: "同花顺财经" date: "2026-08-21" - id: ptf title: "15 Trading Tips for Trading Equities Pairs with Pairtrade Finder" url: "https://pairtradefinder.com/?p=1231" collect: "pairtradefinder-p-1231" site: "PairTrade Finder" note: "厂商自述：扫描历史数据找配对，实时或收盘后发出进出场信号。" - id: ptf-home title: "PairTrade Finder" url: "https://pairtradefinder.com/" collect: "pairtradefinder" site: "PairTrade Finder" note: "官网首页：信号可以接 Interactive Brokers 的 Trader Workstation 半自动下单（semi-autotrade）。" - id: tv-spread title: "Pair Cointegration & Static Beta Analyzer (v6)" url: "https://jp.tradingview.com/script/CE4mlQSf-Pair-Cointegration-Static-Beta-Analyzer-v6/" collect: "tradingview-script-ce4mlqsf-pair-cointegration-s" site: "TradingView" note: "社区脚本。作者说明 Pine Script 无法运行正式的协整检验，只能用多指标打分代替。" - id: arbitragelab title: "ArbitrageLab" url: "https://hudson-and-thames-arbitragelab.readthedocs-hosted.com/" site: "Hudson & Thames" note: "开源 Python 库，覆盖距离法、协整、copula、OU 过程最优进出场等配对交易方法。" - id: wencai title: "同花顺 i问财" url: "https://apps.apple.com/cn/app/id1222204519" collect: "apple-cn-app-id1222204519" site: "App Store" note: "自然语言选股：把一句话转成可执行的筛选条件。" - id: alphagpt title: "Alpha-GPT: Human-AI Interactive Alpha Mining for Quantitative Investment" url: "https://aclanthology.org/2025.emnlp-demos.14/" collect: "aclanthology-credits-2025-emnlp-demos-14" site: "EMNLP 2025 System Demonstrations" author: "Saizhuo Wang, Hang Yuan, Leon Zhou, Lionel Ni, Heung-Yeung Shum, Jian Guo" date: "2025" note: "研究者用自然语言描述想法，LLM 生成因子表达式并回测，研究者再根据结果修改想法。论文称在 WorldQuant IQC 2024 中进入前 10。" - id: rdagent title: "R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization" url: "https://arxiv.org/abs/2505.15155" collect: "arxiv-2505-15155" site: "arXiv" author: "Yuante Li 等" date: "2025" note: "微软的多智能体框架，自己提出因子假设、写代码、在 Qlib 上回测并迭代。" - id: brain title: "WorldQuant BRAIN Research Consultant Program" url: "https://platform.worldquantbrain.com/consultant-program" collect: "worldquantbrain-consultant-program" site: "WorldQuant BRAIN" note: "众包平台：参与者提交 alpha 表达式，平台统一回测、筛选，按质量付费。" - id: agonalpha title: "AgonAlpha: Autonomous Alpha Discovery via Prompt Economy and Scalable Agentic Search" url: "https://arxiv.org/abs/2608.11250" collect: "arxiv-abs-2608-11250" site: "arXiv" author: "Weicheng Ye 等" date: "2026" note: "在 BRAIN 上提交的 alpha 要通过 Fitness、夏普、换手率、权重集中度、子样本、自相关等平台检查。" - id: csrc-short title: "证监会：暂停转融券业务，上调融券保证金比例" url: "https://cs.com.cn/qs/202407/t20240711_6423865.html" collect: "cs-qs-202407-t20240711-6423865-html" site: "中国证券网" date: "2024-07-11" note: "转融券自 2024-07-11 起暂停；融券保证金比例自 2024-07-22 起由不低于 80% 上调至 100%，私募基金由 100% 上调至 120%。" - id: tonghuashun-h1 title: "同花顺 2026 中报点评" url: "https://m.gelonghui.com/news/5299000" collect: "gelonghui-5299000" site: "格隆汇" date: "2026-08" note: "2026 年上半年营收 26.5 亿元，归母净利润 9.5 亿元。" - id: msci-crowding title: "Eyeing the Crowds from Multiple Perspectives" url: "https://www.msci.com/research-and-insights/blog-post/eyeing-the-crowds-from-multiple-perspectives" site: "MSCI" note: "MSCI Integrated Factor Crowding Model：估值价差、做空比例价差、两两相关性、因子波动率、因子反转五个指标合成拥挤分数，±1 个标准差为阈值。" - id: comomentum title: "Comomentum: Inferring Arbitrage Activity from Return Correlations" url: "https://doi.org/10.1093/rfs/hhab117" site: "The Review of Financial Studies" author: "Dong Lou, Christopher Polk" date: "2022" note: "用动量策略涉及的股票之间的高频异常收益相关性度量套利拥挤程度；拥挤度低时动量有效，高时容易崩溃、反转。" - id: pm-cuts title: "How many Fed rate cuts in 2026?" url: "https://polymarket.com/event/how-many-fed-rate-cuts-in-2026" collect: "polymarket-event-how-many-fed-rate-cuts-in-2026" site: "Polymarket" date: "2026-10-18" note: "13 个选项（0 到 12 次以上）的日度历史价格，用 CLOB 接口 prices-history 取得，2025-12-01 至 2026-10-16。期望降息幅度 = Σ 25bp × 次数 × 概率（概率按合计归一）。" - id: pm-guide title: "从一个 87% 说起：Polymarket 是什么、怎么看、怎么下注" url: "https://twwy.net/blog/polymarket-guide/" collect: "twwy-polymarket-guide" site: "twwy.net" date: "2026-10-18" - id: zq title: "30 Day Federal Funds Futures, Jan-2027 (ZQF27.CBT)" url: "https://finance.yahoo.com/quote/ZQF27.CBT/" site: "Yahoo Finance" date: "2026-10-18" note: "日线收盘价，隐含利率 = 100 − 价格。美债期货 ZT=F、10 年期收益率 ^TNX、国内 513100、510300、511010 和 USD/CNY 也取自 Yahoo。" - id: saguillo title: "Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets" url: "https://arxiv.org/abs/2508.03474" collect: "arxiv-abs-2508-03474" site: "arXiv" author: "Oriol Saguillo, Vahid Ghafouri, Lucianna Kiffer, Guillermo Suarez-Tangil" date: "2025" note: "用链上订单簿和大模型识别市场之间的逻辑依赖，2024-04 至 2025-04 在 Polymarket 上估计约 4000 万美元已实现的套利利润。" --- 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%[^yahoo][^sina]。同一个东西，在同一个交易所，两个价格差了 6 个多点。
513100 与 513110 的场内溢价 2024 年初两只纳指 ETF 的溢价都在 1% 左右；2024 年 11 月 513100 暂停申购后溢价一路上升，到 2026-10-16 收盘 513100 为 17.5%，513110 为 11.0%。 场内溢价 · 收盘价 / 前一日净值 − 1 0% 5% 10% 15% 2024 2025 2026 2024-11-25 起 513100 暂停申购 513100 17.5% 513110 11.0% 两只都跟踪纳斯达克 100，净值几乎同步；价格上的差距从 0 拉开到 6 个点以上。
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[^ggr][^krauss]。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。
现有工具在看、找、判断、做四步上的覆盖 机构终端只覆盖“看”；期货软件覆盖“看”和“做”；零售配对软件覆盖“找”和半自动“做”；开源库覆盖“找”；自然语言和智能体工具覆盖“看”和“找”，Alpha-GPT 让人参与判断；众包平台覆盖“找”和按统计指标的“判断”；只有机构自营系统覆盖全部四步。“判断”这一列在现成产品里大多是空白。 工具类别 看 · 汇集画图 找 · 扫出候选 判断 · 该不该回 做 · 下单执行 机构终端 Bloomberg Wind iFinD 相关矩阵 价差图 条件报警 期货交易软件 快期 量投 文华 自定义价差合约 公式组合 价差条件单 标准套利指令 零售配对软件 PairTrade Finder TV 扫配对 发信号 比值 相关 RSI 半自动下单 接券商 API 开源库 ArbitrageLab 等 协整 距离法 OU 进出场 回测 自然语言 / 智能体 问财 Alpha-GPT RD-Agent 一句话 → 筛选条件 / 因子表达式 自动回测 人看结果改想法 Alpha-GPT 众包平台 WorldQuant BRAIN 很多人各写视角，平台统一评分 判断只看统计指标 机构自营系统 量化私募 做市商 全流程，而且有低成本、能做空、低延迟 不对外提供 虚线列：判断一个背离有没有理由回来，现成产品大多不做，留给使用者自己。 四步都做了的只有机构内部系统。
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[^bloomberg]；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[^quantdo]。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[^shfe-spread]。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[^ptf][^ptf-home]。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[^tv-spread]。 **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[^arbitragelab]。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[^wencai]，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 10[^alphagpt]。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[^rdagent]。 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[^brain]。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[^agonalpha]。 ### 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。**如果要把这一步补上，这个平台应该长什么样？** ## 三、视角：从基础视角到高阶视角 假设真有这样一个平台，我们打开它，面前是几千只股票、上千只 ETF、几百个期货合约和指数。前面说过，一个背离值不值得做，取决于用什么视角去看它。可是一个人刚进来，并不能凭空想出视角。视角从哪里来？ 我们的回答是分两层。底下一层是**基础视角**：规则或公开信息直接写明了“这两样东西应该一起动”的绑定，比如 ETF 和它的净值、期货和现货。它们不需要判断，机器可以从公开数据里把它们全部连出来。上面一层是**高阶视角**：在基础视角之上比较、换观察量、加条件、顺着链条往下推，得到的那些更具体、也更可能藏着机会的视角。本节先讲基础视角有哪些、怎么算、怎么看，再讲高阶视角是怎么推出来的。 ### 基础视角有哪些 基础视角大多就是表 1 里的规则绑定，再加上少数有明确对应关系的经济绑定。每一种都要回答三件事：两端是什么，观察什么量，数据从哪里来。
基础视角的数据和来源
基础视角观察量数据来源 · 更新
规则绑定
ETF 与净值溢价率；盘中用 IOPV（参考净值）交易所行情、基金公司净值 · 每日，QDII 净值晚一天
ETF 与跟踪指数跟踪误差基金合同的跟踪标的、中证或国证指数点位 · 关系每月同步，点位每日
指数与成分股成分和权重中证指数公司权重文件、交易所 ETF 申赎清单 · 调样时，清单每日
股指期货与现货基差中金所合约规则和期货行情 · 每日
期货近月与远月跨期价差各期货交易所合约列表和行情 · 每日
可转债与正股转股溢价率集思录的转股价和转股价值、交易所下修公告 · 每日，公告触发
经济绑定
A 股与 H 股AH 溢价东方财富 AH 比价、港元汇率 · 每日
附在边上的机制状态
申购赎回正常、限购或暂停，每日限额天天基金申购状态表、巨潮资讯网基金公告 · 每日，公告触发

这些数据都能免费拿到，开源库 AKShare 把它们整理成了统一的调用方式，但它本质上是抓网页，网站改版时会失效，集思录也要登录才能拿全。要稳定可以换成 Tushare Pro，或者 Wind、iFinD 这类付费终端，数据项是一样的。

表 2 · 基础视角用的都是公开数据，大部分每个交易日收盘后更新一次
表 2 里每一项在 AKShare 里都有对应的接口，比如 ETF 行情和 IOPV 是 `fund_etf_spot_em`，申购状态是 `fund_purchase_em`，转债是 `bond_cb_jsl`，接口清单见参考资料[^akshare]。 最后一行不是一条“边”，而是边的状态。同样是 ETF 和净值，申购畅通时是规则绑定，溢价高了会被申购压回去；暂停申购以后就退化成了经济绑定，溢价可以一直不回来。所以机器在连边的同时，必须把每条边的收敛机制当前是否畅通一起记下来。 ### 怎么跑、多久跑一次 基础视角的计算分三个节奏。 **建图：每周一次，遇到公告时补一次。** 从基金列表、跟踪标的、指数成分、合约列表、转债列表和 AH 对照表出发，把品种连成一张图：品种是节点，基础视角是节点之间的边。图的结构变化很慢，ETF 换跟踪指数、指数调样、新合约上市、转债发行或退市，都是低频的事。以纳斯达克 100 为例，国内挂在这个节点上的 QDII 有 41 只（2026 年 9 月）。 **算数：每个交易日收盘后。** 对每条边算当天的观察量，再算它相对自己过去 60 天常态的偏离，同时更新机制状态。A 股 15:00 收盘，国内 ETF 的净值当晚公布；QDII 的净值要等境外市场收盘，通常晚一天，所以纳指 ETF 的溢价只能用前一天的净值近似，图 1 就是这样算的。全市场的边在几千条这个量级，一台普通电脑几分钟就能算完，这是按数据量估算的，没有实测。 **盯事件：随时。** 抓基金公告和交易所公告里的几类关键词：暂停申购、恢复申购、调整限额、转股价下修、指数调样。这些事件会直接改变边的状态，比日常的价格波动更要紧。 盘中按分钟计算 IOPV 溢价，技术上也能做。但第六节会讲到，在这个速度上普通人拼不过做市商，所以默认按日计算。 ### 呈现和交互 基础视角以节点为单位呈现。打开一个节点，就能看到挂在它上面的所有边，每条边当天的观察量、相对常态的偏离和机制状态排在一起：
纳斯达克 100 节点的基础视角和从中推出的高阶视角 左边是机器从公开数据自动建立的基础视角：纳斯达克 100 指数这个节点下挂着 41 只境内 QDII，其中十只在 2026-10-16 的溢价从 +10.9% 到 +17.5%，以及各自相对 60 天常态的偏离。右边是在基础视角上推出来的四类高阶视角：同一父节点下互相比较、把观察量换成相对自身常态的偏离、加上申购状态这个条件、沿因果链传递到次日。513390 相对常态偏低 1.66 个百分点，是这些视角下的一个候选。 基础视角 · 机器从公开数据自动建立 高阶视角 · 在基础视角上推出来 节点 · 纳斯达克 100 指数 NDX 跟踪它的境内 QDII41 只（2026-09） 其中申购状态0 正常 · 30 限购 · 11 暂停 成分股100 家公司，每年 12 月调样 边 · ETF 与净值（2026-10-16） 溢价 偏离常态 159696 +16.1% +2.15% 513100 暂停申购 +17.5% +1.64% 159501 +17.1% +1.02% 159941 +15.8% +0.89% 159660 +12.6% −0.28% 513300 +12.7% −0.38% 513870 +12.3% −0.71% 159632 +11.5% −1.12% 513110 +11.0% −1.55% 513390 +10.9% −1.66% … 另外 31 只同理；指数与成分股、期货与现货是同样的边 兄弟 · 同一个父节点下互相比 十只的溢价各减去十只的平均 513100 +3.72%　513390 −2.82% 换观察量 · 相对自身 60 天常态 去掉“天生就贵”的那一部分 159696 +2.15%　513390 −1.66% 加条件 · 收敛机制是否畅通 513100 暂停申购，申赎压不回溢价 规则绑定退化为经济绑定 沿链传递 · 隔夜纳指 → 次日 ETF 纳指当晚涨跌与 513100 次日涨跌 相关系数 +0.56（2025-12 至 2026-10） 虚线框是机器推出的候选视角， 人确认之后才交给扫描器
图 3 · 基础视角由规则自动连出来，高阶视角在它上面推出来，再交给人确认
图 3 左边是 2026 年 10 月 16 日收盘后，打开“纳斯达克 100”这个节点看到的内容。上面是节点本身的信息，下面是挂在它上面的 ETF，按相对自身常态的偏离从高到低排列。点开其中一条边，可以看它的历史：溢价走势、机制状态变化的时间点（比如 513100 从 2024 年 11 月 25 日起暂停申购），以及过去同样程度的偏离有多少回来了。从一条边也能跳到另一端的节点，比如从指数跳到它的成分股，或者跳到它的期货。 到这里还只是“看”，还不是视角。图 3 右边才是关键：**在基础视角上，机器可以按几种固定的方式，推出高阶视角的候选。** ### 从基础视角推出高阶视角 推法有四种。 **兄弟：同一个父节点下互相比。** 十只 ETF 都和“纳斯达克 100”连着，它们彼此之间就有了一条间接的绑定。把每只的溢价减去十只的平均，得到“相对溢价”：513100 最贵，比平均高 3.72 个百分点；513390 最便宜，比平均低 2.82 个百分点。父节点不一定是指数，也可以是一件事，后面跨平台的例子就是两个合约挂在同一组议息结果下面。 **换观察量。** 直接比相对溢价有个问题：有的 ETF 天生就贵，有的天生就便宜，513100 常年在平均之上。把观察量换成“相对自己过去 60 天常态的偏离”，去掉天生的那部分，排序就变了：159696 比自己平时高 2.15 个百分点，513390 低 1.66 个百分点，这才是临时的错位。第五节的实验会看到，这一步换不换，结果差别很大。 **加条件。** 绑定只在收敛机制畅通的时候成立。513100 暂停申购以后，它和净值之间的规则绑定退化成了经济绑定。把机制状态作为条件加进视角，就得到“只看申购暂停期间”或“只看申购恢复以后”这样的视角，它们的历史统计要分开算，混在一起会互相干扰。 **沿链传递。** 边可以首尾相接：纳指连着纳指 ETF 的净值，净值又连着 ETF 的场内价格，中间隔着一个时区。美股夜里交易，国内 ETF 白天交易，于是有了“纳指当晚的涨跌，预示 513100 第二天的涨跌”这个视角，《纳指ETF的时差利差分析》一文用的就是它[^nasdaq-post]。在 2025 年 12 月到 2026 年 10 月之间，两者的相关系数是 0.56。不过链条越长，绑定越弱，后面跨平台的例子会看到它衰减得有多快。 这四种推法都是机械的，机器可以在整张图上自动枚举。问题在于数量：十只 ETF 两两比较就是 45 对，再乘上不同的观察量和条件，沿着链条多推几步，候选成倍增长。第五节的盲扫会说明，扫得越多，纯靠运气冒出来的“好”候选也越多。所以推出来的候选要交给人挑。 人在这里做两件事。一是**挑**：哪些推法有经济上的意义。“十只纳指 ETF 互相比”有意义，“纳指 ETF 和中证全债比”就没有，虽然两者在图上也能连起来。二是**补**：有些视角在图里根本没有对应的边，机器推不出来。比如“十只 ETF 的整体溢价什么时候塌下来”，要盯的是外汇额度和监管动向；再比如把一件事在不同平台上的价格放在一起，图里原本就没有“事件”这种节点。补进来的东西，又会成为图上新的节点和边。 ### 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 3 · 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 上面的基础视角都在国内的交易所里。视角里的两样东西，其实不一定在同一个市场交易。只要它们最后取决于同一件事，就可以挂在同一个“事件”节点下面，作为兄弟绑在一起看。 预测市场 Polymarket 上有一个“2026 年美联储会降息几次”的市场[^pm-cuts]，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》[^pm-guide]）。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[^zq]，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。
Polymarket 与联邦基金期货的预期降息幅度 2025 年 12 月到 2026 年 10 月，Polymarket“2026 年降息几次”市场换算的期望降息幅度，和联邦基金期货 2027 年 1 月合约换算的降息幅度，两条线几乎重合；下方是两者之差，大多在正负 25 个基点以内。 2026 年全年预期降息幅度（bp） -50 -25 0 25 50 75 100 125 Polymarket 联邦基金期货 分歧 = Polymarket − 期货（bp） -25 0 +25 2026-01 04 07 10 两条线由同一组议息结果决定，走势几乎重合（相关 −0.96） 9 月起期货开始计入加息，而这个市场最少只能是 0 次
图 4 · 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 4 · 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，它同时也是“沿链传递”会衰减的一个实例。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[^saguillo]，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
机器扫描、人来判断的系统结构 人用一句话提出视角，大模型把它翻译成视角卡，人确认后交给扫描器；扫描器每天收盘后对视角下的所有组合计算偏离、历史回归率、半衰期、扣成本收益和随机对照，排出候选队列；人对候选做判断，靠谱的进入深挖，判断结果和失效原因回写到视角卡。图中候选是 2026-10-16 收盘时同指数纳指 ETF 视角下的真实数据。 人 · 提出视角 机器 · 每个交易日收盘后 人 · 判断与深挖 “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” 视角卡 大模型翻译 · 人确认 绑定理由同一指数 NDX 标的10 只纳指 ETF 观察量溢价偏离 60 日常态 收敛机制无，申购受限 执行换仓，不做空 磨损6–20bp / 次 扫描器 视角内全部组合 当前偏离百分点 / z 历史同类事件次数 · 胜率 回归半衰期天 扣成本收益bp / 次 随机对照打乱后同规则 扫了多少组多重比较 候选 #1 2026-10-16 偏贵159696 +2.2 偏便宜513390 −1.7 同类事件30 次 · 77% 跑赢 20 天后便宜的多涨 0.67% 半衰期4 天 / 11 天 整体溢价11%–17%，不对冲 机器只回答“有没有偏离、历史上回不回来”， 不回答“为什么”。偏离单位：百分点，相对各自 60 日常态。 判断 人回答 有没有经济原因让它们一起动？ 偏离是不是新信息（公告、额度）？ 能不能执行，扣完还剩多少？ 深挖或否决 结论回写视角卡 靠谱：研究笔记、回测、写成分析 不靠谱：记下原因，以后同类降权 失效：收敛机制变了就停用
图 5 · 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。它有两个来源：一是从第三节的基础视角图谱里推出来的候选，人点一下确认；二是人直接用一句话描述想看什么，例如图 5 顶部那句。大模型把这句话翻译成表 3 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 5 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 3 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[^ggr]。 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[^dofaff2010]；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[^dofaff2012]。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%[^mclean]。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[^khandani]。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）[^csindex]，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。
55 对指数的盲扫结果（2005–2026）
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%−29bp26 / 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5019%+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 5 · 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[^yahoo][^sina]。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 6 · 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 6 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[^tonghuashun-h1]，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%[^csrc-short]。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 ETF2–4 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 7 · 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[^khandani]。 **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%[^mclean]。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[^msci-crowding]。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[^comomentum]。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”[^nasdaq-post]。
纳指 ETF 两个视角按季度的生命周期 上图：同指数 ETF 溢价换仓相对等权的季度超额，2024Q2 到 2026Q4 共 11 个季度中 9 个为正。中图：上午强、下午延续这一信号的信号日胜率，2024Q4 到 2026Q2 在 56% 到 88% 之间，明显高于全部日，2026Q3 降到 50%，2026Q4 只有 20%。下图：十只纳指 ETF 平均溢价从 2% 左右升到 13%，2024-11-25 起 513100 暂停申购。 视角 A · 同指数 ETF 溢价换仓：每季度相对等权的超额 -2% 0 +2% +4% +6% 11 个季度里 9 个为正 视角 B · 上午强、下午延续：信号日胜率与全部日胜率 0% 50% 100% 信号日 全部日 胜率明显高于全部日：有效 2026Q3 起与全部日无异，Q4 反转：失效 背景 · 十只纳指 ETF 平均溢价 0% 10% 13% 2024-11-25 513100 暂停申购 24Q2 24Q3 24Q4 25Q1 25Q2 25Q3 25Q4 26Q1 26Q2 26Q3 26Q4
图 6 · 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 5 里“判断结果回写视角卡”和表 3 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 6 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 1. 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。 2. 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。 3. 一个人进来，视角从哪里来？先由机器用公开数据把基础视角连成一张图：ETF 与净值、ETF 与指数、指数与成分股、期货与现货、可转债与正股、A 股与 H 股，每个交易日收盘后更新观察量和相对常态的偏离，公告触发时更新收敛机制的状态。在这张图上按兄弟比较、换观察量、加条件、沿链传递四种方式推出高阶视角的候选，人负责挑和补。 4. 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。 5. 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。 6. 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。 7. 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。 ## 参考资料