格雷厄姆的证券分析如何用在期货和量化交易中赚钱？

摘要： 格雷厄姆的安全边际思想在期货与量化交易中同样适用，用程序化策略寻找价格错配机会。严守纪律、分散风险，长期坚持才能在市场波动中稳定获利。

格雷厄姆的老办法，怎么用在期货和股票上

本杰明·格雷厄姆写的证券分析，很多人觉得是股票投资的老黄历。他讲的核心就一件事：别被市场情绪牵着走，用一套冷静的计算方法，找到价格低于真实价值的资产，然后耐心等它涨回来。这套逻辑放在今天的股票、期货甚至量化交易里，一点都不过时。

股票和期货，表面看差别很大。股票是买公司的一小块所有权，期货是赌未来某个时间点的价格。但底层赚钱逻辑相通：你付出一个价格，得到某个东西，将来这东西值更多钱，你就赚了。格雷厄姆把这叫“安全边际”。翻译成大白话：你花五毛钱买一块钱的东西，哪怕看走眼了，亏也亏得少。

格雷厄姆的证券分析如何用在期货和量化交易中赚钱？

期货里的安全边际长什么样

期货带杠杆，很多人觉得跟安全边际不沾边。其实安全边际在期货里更关键。假设你判断螺纹钢未来三个月需求会回升，当前盘面价格已经跌到很多钢厂现金成本以下。这个“成本线”就是你的参考锚。价格远低于成本，意味着继续下跌空间有限，向上修复概率大。你在低于成本的位置轻仓做多，设置好止损，这就是期货版的安全边际。

格雷厄姆强调“净流动资产”概念。放到期货里，可以看一个品种的库存、仓单、基差、交割成本。当期货价格大幅低于现货，且仓单持续注销，说明空头交货困难。这种结构性错配，就是程序化策略可以捕捉的信号。

量化交易怎么翻译格雷厄姆的思想

量化交易是用代码把投资逻辑写成规则，让计算机自动执行。格雷厄姆那套“低估值买入、高估值卖出”完全可以用程序实现。

拿股票来说，你可以写一个简单策略：

筛选市盈率低于行业平均30%的股票
同时要求资产负债率低于50%
最近三年净利润为正
每月调仓一次，持有20只等权

这个策略的本质就是格雷厄姆的“定量筛选”。不需要预测未来，只需要在便宜的时候买入一篮子股票。

期货量化可以更直接。用基差因子、库存因子、动量因子组合。基差就是现货减期货。基差为正且持续扩大，说明现货紧张，期货被低估。程序自动在基差超过历史80%分位时做多期货，低于20%分位时做空。

下面是一个简化的Python示例，用pandas计算基差信号：


import pandas as pd

import numpy as np

# 假设df有日期、现货价、期货价

df['basis'] = df['spot'] - df['futures']

df['basis_pct'] = df['basis'] / df['futures']

# 滚动252个交易日计算分位数

df['basis_rank'] = df['basis_pct'].rolling(252).apply(

    lambda x: pd.Series(x).rank(pct=True).iloc[-1]

)

# 生成信号：基差百分位大于0.8做多，小于0.2做空

df['signal'] = 0

df.loc[df['basis_rank'] > 0.8, 'signal'] = 1

df.loc[df['basis_rank'] < 0.2, 'signal'] = -1

# 计算持仓盈亏

df['ret'] = df['futures'].pct_change()

df['strategy_ret'] = df['signal'].shift(1) * df['ret']

cumulative = (1 + df['strategy_ret']).cumprod()

print(cumulative.tail())

这段代码不讲复杂模型，就是把格雷厄姆“买便宜货”的思路变成可执行的数字规则。