分享一种有效的量化择时方式 RSRS指标及其源码

由polll创建，最终由polll更新于2022-03-01 09:07 被浏览 210 用户

阻力支撑相对强度指标（Resistance Support Relative Strength，简称 RSRS）

光大证券最早提出这一择时方法，并认为阻力和支撑位是变化（动态）的，这也就打破了支撑阻力划线分析的静态方法，研究认为每日最高价high与最低价low能很好满足这个需求。

对high和low价格做线性回归

那么既然要定量化研究，可以直接用一个值来表示强度，比如用今日的H / L，得到一个比率Ratio，但是你会发现噪音格外的高。实际上delta（high）/delta（low）是连接高低价格平面上的两点（low[0],high[0]）与（low[1],high[1]）的斜率，所以用最近N个（low，high）的数据点做线性回归是个降噪的好办法。

回归斜率beta，是低噪音的，然后即可用此值表示强度，这就是原始RSRS，进行择时交易。

归一化前

归一化后

为了方便将这个值归一化到一个区间，对其进行Z-score处理，RSRS_Z = (RSRS - Average(RSRS,ZLength)) / StandardDev (RSRS, ZLength, 1);

归一化前后的RSRS

我也观察了一下RSRS值的分布，的确，为了确定交易逻辑，做一下Z更好。做完Z处理后，按照研报建议，既然均值为0，可以用+-0.7作为交易开仓阈值。

如果标准分大于 S（参数 S=0.7），则买入持有。

如果标准分小于-S，则卖出平仓。

实际上测试了0.5~1，都有一定稳健性，当然在日频数据上，0.7~0.8是建议值。既然引入Z归一化，也就潜在引入了一个窗口期参数，建议使用过去2年的值，比如440个交易日即可，研报上推荐的参数是600。

线性回归因为送入回归函数的是两个序列，所以也有一个序列长度，一般使用10日或者20日，研报推荐18日。

核心逻辑相信熟悉python的朋友能看懂：

    # RSRS斜率指标定义

    prices = attribute_history(security, g.N, '1d', \['high', 'low'\])

    highs = prices.high

    lows = prices.low

    X = sm.add_constant(lows)

    model = sm.OLS(highs, X)

    beta = model.fit().params\[1\]

    g.ans.append(beta)



# 计算标准化的RSRS指标

# 计算均值序列    

section = g.ans\[-g.M:\]

# 计算均值序列

mu = np.mean(section)

# 计算标准化RSRS指标序列

sigma = np.std(section)

zscore = (section\[-1\]-mu)/sigma

我测试的结果是：

可以说这套择时系统，跑赢指数是没有问题的，而且这是在千2手续费下，只做多的收益。针对不同的指数，在日频上，参数都是完全统一的（600归一化，18个近期高低点，+-0.7开仓阈值）。

我们在TB软件编写这一程序，并对参数稳健性做了测试，测试样本是000300沪深300指数，日线，双边千分之2手续费，结果是这样的：

Z处理回溯期（非常稳健）

开仓阈值0.8附近稳健

送入回归的高低点数量18~30范围稳健

这个结果和券商测试差不多，为什么分享这一择时指标，因为它简单清晰，而且没有引用收盘价，而是引用最高最低价，一定程度上和布林带，均线类模型不同源，可以混用。

用TB系统实现该逻辑，需要自己撰写一个线性回归函数，我想读者们应该能通过网上的资料，计算出两个序列的beta值，然后将其编译为一个函数：series_beta

这个beta的概念可以借鉴CAPM模型，资产和市场的协方差Cov，除以市场的方差Var。将其换成两个A和B序列的协方差，除以A序列的方差。

// 该函数内部结构是这样

xa = Summation(price1,length)/length;
ya = Summation(price2,length)/length;
for i = 0 to length-1
{
Lxx = Lxx + sqr(price1[i] - Xa)/length;  // Lxx = Sum((X - Xa)平方)/length，A品种方差
Lxy = Lxy + (price1[i]-Xa)*(price2[i]-Ya)/length;  // Lxy = Sum((X - Xa)(Y - Ya))/length，A和B品种协方差
}
beta= Lxy / Lxx;
// 函数结束
series_beta(low, high, LRLength, 0, beta);
该函数设定一个出参beta，本行是在模型正文里的引用方法。
RSRS = beta;
RSRS_Z = (RSRS - Average(RSRS,ZLength)) / StandardDev (RSRS, ZLength, 1);
PlotNumeric("OverSell",-1);
PlotNumeric("OverBuy",1);
PlotNumeric("RSRS_Z",RSRS_Z,0,yellow);
// 买入卖出条件
buycon = RSRS_Z[1] > buyrange;
sellcon = RSRS_Z[1] < -1*buyrange;
if ( MarketPosition <> 1 and buycon )
// 做多1
{
buy(lots0, open);
PlotString ("posit=-1","posit=-1",RSRS_Z*1.01,White);
}
// 平仓
else if (MarketPosition == 1 and sellcon )
// 平多
{
sell(0, open);
}
我们同时做多中证500，沪深300，上证50，30分钟和日线，得到以上组合回测结果。我有两个地方想说明：
1、30分钟测试显著增加了交易次数，绩效可信度上升，但是各品种参数无法统一，这是一大遗憾。
2、日线虽然可以使用一样的参数，但是交易次数较少，3个指数5年交易了22~24次。希望之后可以逐渐改进增加交易次数。

分享一种有效的量化择时方式 RSRS指标及其源码

标签