【量化】商品期货换月的处理思路（old）

商品期货存在换月的情况，即期货合约是有到期日的，如果不想实物交割就得将持仓转换到之后的合约上，而不同月份的价格是不一样的，也就是不连续的，在回测中需要处理换月带来的跳空：

比如上图中的PG是逐月换月的，鼠标标记处就有500点的价差，如果不处理，回测中做多则多了500点的利润、做空则多了500点的亏损，但这在实际换月中不会出现。

因此这和股票中的复权一样都是基础性问题，但是看到中文网络上很少有相关文章去讨论、处理这方面的问题，请教邢大说：

你可以自己定好规则，比如说次月的合约成交量比当月的高了。连续高三天，那你就换到次月的

紧接着问问chatGPT，经过一系列友好交流后：

用邢大的思路先自己拼接一个主连。

准备工作

分合约的商品期货数据。可在量化小讲堂这里下载：

持仓量主力换月

wind里面对自己主连设计的解释是：

由不同时期持仓量最大合约的行情数据拼接而成的拟合合约。因在换月期前后最大持仓量会在不同合约间来回摆动，所以Wind主连合约规则定为只向前切换不回退，每日收盘结算后判断是否切换。

由此可见他们是按持仓量来进行划分的，因此我们这里也用持仓量作为划分标准。

首先，我们把原始数据拼接起来，形成一个具有多个交易日期、但每个合约仅有一个交易日期的表格（以甲醇为例）：

from glob import glob
kline_path = r'path'
for i in ['symbol']:
    symbol_file_path = glob(kline_path + '/%s/*[0-9].csv' % i)  # 此处是寻找所有数字结尾的csv文件

df_list = []
for i in symbol_file_path:
    df_list.append(pd.read_csv(i, encoding='GBK', skiprows=1, parse_dates=['交易日期']))

all_coin_data = pd.concat(df_list, ignore_index=True)
data_need_to_prepare = all_coin_data.sort_values('交易日期')

接下来开始整理工作，按合约名字把持仓量铺平开来：

# 计算每个合约在每个交易日的持仓量
holdings = data_need_to_prepare.groupby(['交易日期', '合约代码'])['持仓量'].sum().unstack()

其次用rolling求出来过去滚动5日持仓量最大的值，获取每日横截面比较最大的合约名为一个series，最终用inner的方式把df和series给merge起来，得到的就是我们要的结果。

# 求出过去五日的最大值
rolling_max = holdings.rolling(window=5).max()
# 找到最大值所在的列名
max_columns = rolling_max.idxmax(axis=1)

series_df = max_columns.reset_index()
series_df.columns = ['交易日期', '合约代码']

result = pd.merge(data_need_to_prepare, series_df, on=['交易日期', '合约代码'], how='inner')

最后用股票的复权方式进行复权即可。这里的前收盘价就是单纯的上一个该合约上一日的收盘价，用这个算涨跌幅应该就是当根K线距离本合约上根K线的涨跌幅，以此避免了换月带来的价差。

另一种思路——换月日重新开平仓

上述用股票的复权思路进行了处理，但注意在开仓的时候如果涉及到开仓的具体数量，要用原本没复权的价格，因此处理起来也相对复杂。

有一个取巧的办法，上面不是我们自己做了主连嘛，也就是可以获得换月时间，那么直接把换月那天的仓位变为0即可达成换月前一日平仓、第二日开仓的结果，换月当日空仓：

# 在换月的时候仓位为0，然后第二天正常交易
df.loc[df['合约代码'] != df['合约代码'].shift(), 'pos'] = 0