RSRS 择时:回顾与改进——技术指标系列报告之六
创建于 更新于
摘要
本报告回顾了RSRS择时模型近3年样本外表现,确认其在沪深300等大盘指数上表现优异,但震荡市信号稳定性较差。报告尝试通过加权线性回归与指标钝化等改进方法优化策略,发现基于成交额加权回归能提升部分中小盘指数的择时效果,指标钝化显著提升震荡行情稳定性,最终推荐结合成交额加权与钝化的改进模型应用于中证500及创业板指 [page::0][page::4][page::5][page::11][page::15][page::16][page::18][page::21]
速读内容
RSRS择时模型原理回顾与构建方法 [page::4]
- 利用最高价与最低价序列,滚动OLS回归计算斜率β值,结合β的z-score和拟合决定系数R²构建RSRS指标。
- 指标反映市场对支撑位与阻力位的共识程度,作为择时信号产生开平仓操作。
样本外择时表现总体回顾与指数表现差异 [page::5-10]

- 沪深300 RSRS策略年化收益10.9%,最大回撤13.7%,最佳表现。
- 上证50、上证综指、创业板指均跑赢指数且回撤较小。
- 中证500择时效果一般,净值回撤控制尚可但收益不理想。
- 震荡市场时,信号开平仓频繁且胜率显著下降,尤其2019年信号稳定性急剧降低。
加权线性回归改进尝试与效果分析 [page::11-14]

- 采用线性加权与指数加权尝试突出近期样本权重,但均降低择时性能。
- 基于成交额的加权回归提升了中证500与创业板指的择时效果,对大盘股指提升有限。

融入收益率波动波动率进行指标钝化改进 [page::15-18]
- 新构造钝化RSRS指标,通过将收益率波动率的分位数引入指标,增强震荡市场下的指标稳定性减少误判。
- 钝化指标在多指数均提升择时效果,特别是在中证500和创业板指表现显著优于原始指标。

成交额加权回归结合钝化策略表现及推荐 [page::18-20]

- 将成交额加权回归与钝化指标结合,在中证500与创业板上显著提升择时效果。
- 该改进在沪深300表现收益略低但稳定性提升明显。
- 推荐沪深300与上证50采用钝化RSRS,农证500与创业板指采用成交额加权回归钝化RSRS。
近年主要RSRS策略择时效果对比 [page::20]

- 近2年,钝化和成交额加权回归钝化策略多数时间优于原始RSRS策略,整体提升择时鲁棒性和胜率。
- 不同指数策略表现差异,体现改进方法的适用性。
总结与风险提示 [page::21-22]
- RSRS择时对大盘指数长期有效,震荡期信号波动大仍需改进。
- 加权回归改进效果有限,成交额加权与指标钝化方法提升信号稳定性。
- 风险提示:历史表现不代表未来,模型可能失效,策略需谨慎应用。
深度阅读
RSRS 择时:回顾与改进——技术指标系列报告之六详尽解读与分析
---
一、元数据与报告概览
报告标题:《RSRS 择时:回顾与改进——技术指标系列报告之六》
作者及联系方式:胡骥聪(执业证书编号:S0930519060002)、刘均伟(执业证书编号:S0930517040001)
发布机构:光大证券研究所
发布日期:2019年(具体未标注,但研报覆盖时间至2019年11月)
研究主题:基于阻力支撑相对强度(RSRS)指标的宽基指数择时模型回顾与优化
报告核心观点:RSRS择时模型自2017年起应用于沪深300、上证50、上证综指、中证500及创业板指的不同市场阶段,整体表现良好,尤其是沪深300指数表现最佳。报告详细回顾了样本外近3年择时实际表现,同时针对择时策略在震荡市适应性不足的问题,尝试采用加权回归与钝化机制对RSRS指标进行改进,取得较为明显的效果提升。
主要结论:
- RSRS择时策略在样本外区间整体胜率高,特别对沪深300的年化收益和最大回撤控制表现优异。
- 震荡行情中RSRS信号稳定性下降,诚如2019年震荡市表现所示,信号胜率下降明显。
- 加权回归中基于时间距离的调整效果不佳,而基于成交额的加权回归部分指数有改善。
- 指标“钝化”处理,即融合收益波动率调整指标敏感度,有效提升震荡市择时准确性和整体表现。
- 结合成交额加权回归与钝化的组合模型,特别适用于中证500和创业板指。
---
二、逐节深度解读
1. RSRS 择时模型回顾
1.1 RSRS 指标原理及构建方式
报告详细回顾了RSRS指标的理论基础和计算方法。关键点在于:
- 核心思想:利用最高价(阻力位)、最低价(支撑位)间的关系动态判断市场当前支撑与阻力强度,反映市场情绪一致性和预期稳定性。
- 指标逻辑:
- 当支撑强度显著高于阻力强度,市场倾向上涨(涨势加速、震荡市向上突破、跌势见底)。
- 反之,当阻力强度大于支撑强度,市场多表现为下跌或调整。
- 构建步骤:
1. 取前N日最高价和最低价序列。
2. 对最高价与最低价做滚动OLS线性回归,得到回归斜率\(\beta\)。
3. 计算最近M日\(\beta\)的z-score标准分。
4. RSRS指标等于z-score乘以回归决定系数\(R^2\),以强调回归解释力。
此指标依赖最高价和最低价的即时市场反映功能,不直接使用价格阈值,而侧重态度一致性。[page::4]
1.2 RSRS 策略函数及近期表现
以沪深300为例,样本外时间段(2017/3/31–2019/11/13)期内:
- 指数本身年化收益率:4.6%,最大回撤32.5%。
- RSRS择时策略年化收益率:10.9%,最大回撤13.7%。
- 策略成功捕获2017和2019年初上涨,规避2018年下跌风险,震荡行情中的平仓策略避免了大幅回撤,但有轻微踏空部分收益(具体信号见图表1和表2)。
同理,上证50、上证综指、中证500和创业板指的表现:
- 上证50指数:RSRS策略年化收益9.6%,最大回撤12.3%,效果在收益上不及沪深300,但回撤控制较好。[page::5,6]
- 上证综指:RSRS策略表现较一般,年化收益-0.8%,最大回撤16.9%。特别是在震荡期踏空较多。[page::7,8]
- 中证500:策略未体现出明显择时优势,批判性信号多为右侧入场导致频繁误判。[page::8,9]
- 创业板指:震荡市期信号有效性低,胜率仅约2成多,回撤未能有效控制。[page::9,10]
总结,RSRS择时适合趋势明显的单边行情,而在震荡期出现信号频繁、胜率下降的问题。[page::10]
---
2. RSRS择时策略改进尝试
2.1 样本点加权回归
- 传统RSRS采用简单OLS回归,假设每个样本点等权重。
- 新增尝试使用线性加权回归(权重随距离越近越大,线性递减)和指数加权回归(权重随距离指数衰减)来凸显更“接近当前”的样本信息。
- 权重矩阵\(W\)被引入,回归的标准解变为\(\hat\beta = (X^T W X)^{-1} X^T W Y\circ\)。
- 图6展示两种加权方式权重曲线,权重较大集中过去更近期数据。[page::11,12]
实证结果(沪深300为例):
- 等权回归年化收益13.54%,夏普0.82,最大回撤-41.98%。
- 线性和指数加权后,年化收益降至7.22%、7.23%,夏普显著下降,最大回撤反而加大。
- 表7和图7直观显示加权回归未带来择时效果提升,甚至劣于等权回归。
- 各宽基指数普遍表现同样趋势,尤其是全样本范围内,等权回归表现最佳,近期线性加权略占上风。[page::12,13]
- 基于成交额加权回归的尝试:
- 逻辑在于成交量较大日的价格信息更具代表性。
- 权重设为样本期每日至成交额占总成交额比。
- 结果显示相比时间权重,成交额加权对沪深300策略提升边际明显:胜率和最大回撤有所改善,收益略微下降。
- 在中证500和创业板指上,有一定程度提升;上证50效果欠佳。[page::13-15]
此部分结论:基于时间距离的加权回归效果不佳,基于成交额加权对部分指数有效微提升,尤其非一线大盘股指数。
2.2 市场波动融入及指标钝化处理(较优改进)
核心思想
- 原RSRS指标定义: \(RSRS = z\score(\hat{\beta}) \times R^2\),后面乘以\(R^2\)本身是对回归可靠性的钝化处理。
- 在震荡无趋势市场,指标易产生误判,导致策略信号频繁且准确度低。
- 依据收益波动率的历史分位数作为“市场震荡强度”指标,对RSRS进一步钝化(即靠近零)处理。
- 通俗理解是在高波动(震荡市)市场中降低信号灵敏度,减少误判。
- 仍保持参数\(N,M\)一致,减少复杂度。
实证表现
- 表9对比了钝化RSRS策略与原RSRS策略各指数参数差异。
- 钝化策略在沪深300表现略优,年化收益小幅增至13.62%,最大回撤稍降至-41.54%,胜率明显从52.38%提升至59.52%。
- 钝化策略还提升了中证500、创业板指等波动更剧烈指数的择时表现。
- 图17-21清晰展示出了指标钝化处理后的策略净值明显改善,收益曲线更平稳,回撤更低。[page::15-18]
2.2.2 成交额加权回归与钝化方法结合
- 基于成交额加权与钝化策略复合模型继续调整参数(见表11)。
- 对沪深300而言,年化收益12.03%,略低于钝化RSRS,但最大回撤进一步降低,同时胜率显著提升至65.71%,交易次数减少,平均持仓时间略增加,体现交易信号更精炼、风险控制更强。
- 对于其它指数,复合模型对中证500和创业板指择时能力改善明显,但对上证综指及上证50效果有限,甚至不及单纯钝化RSRS。
- 图22-26对应展示了复合模型在各主要宽基指数的净值表现及相较其它模型的优势。
- 综上,报告最终推荐:
- 对沪深300、上证50等大盘股指使用钝化RSRS指标策略;
- 对中证500、创业板指采用成交额加权回归钝化RSRS指标策略。
分时间段短期对比
- 各指标在近2年内择时效果保持一致趋势:
- 大盘股(如沪深300)多策略表现相近,均优秀;
- 中证500与上证综指成交额加权钝化表现最优;
- 上证50和创业板指钝化及成交额加权钝化两策略效果接近,均优于原RSRS。
- 详见图27-31。[page::19-20]
---
3. 总结
- RSRS择时模型经过样本外3年跟踪测试,整体效果稳健,尤其沪深300表现最佳。
- 震荡行情显著影响指标发挥,导致信号频繁且有效性下降,尤其2019年震荡期表现较弱。
- 加权回归尝试中基于时间的加权未带来改进,成交额加权具有选定市场特征的潜在价值。
- 融入市场波动率信息,构造钝化指标,有效提升策略抗震荡能力和整体表现。
- 综合成交额加权和钝化策略,对中小盘指数择时效果有较大改善。
- 结果推动实际应用时区分市场特性,针对不同指数采用相匹配的指标优化方案。
- 风险提示:历史数据与模型结果具有不确定性,策略表现可能随未来市场环境变动而差异,存在失效风险。[page::21]
---
三、图表深度解析
- 图1-5(页5-10)——不同行情下RSRS择时策略净值表现
- 这些图展现RSRS策略净值(紫色线)与各指数价格走势(橙色线)的对比,反映策略的择时能力。
- 例如图1(沪深300)显示策略能规避2018年跌幅并盈利,且震荡市期间退场保护资本。
- 创业板指图(图5)显示震荡时策略净值波动,相较指数更平稳,体现择时缓冲风险效果。
- 表2-6(页6-11)——样本外信号逐笔数据
- 具体开平仓时间点及对应指数涨跌,为策略评估提供细粒度验证。
- 如沪深300平仓2017/7/17后指数上涨4.9%,展现提前退出收益实现。
- 图6(页12)——时间加权权重曲线
- 直观展示线性与指数衰减权重差异,指数权重更集中近期样本。
- 图7-11(页12-13)——不同加权策略下RSRS沪深300及其它指数净值积累情况
- 图7沪深300中简单OLS(等权)明显优于加权,折损了策略效果。
- 其他指数图示整体反应出等权表现更优。
- 图12-16(页14-15)——成交额加权策略表现
- 沪深300图展示成交额加权收窄与等权回归RSRS净值重合性强。
- 中证500与创业板指图示相比其他策略净值提升明显。
- 图17-21(页16-18)——钝化RSRS指标表现
- 钝化后策略曲线更光滑,峰谷减少,且收益较原始有所提高。
- 中小盘指数尤其受益明显。
- 图22-26(页18-19)——成交额加权钝化指标表现
- 综合了两种优化后的策略,提升了择时准确率,降低回撤。
- 但大盘指数效果不如单纯钝化版本。
- 图27-31(页20)——近期各RSRS策略对比
- 近期数据强调成交额加权钝化策略的阶段性优势,适应市场震荡。
这些图表与数据联动提供了完整的策略效果回顾、缺陷识别及优化验证过程。
---
四、估值方法
本报告侧重技术策略回顾与改进,未涉及传统财务估值方法如DCF、市盈率等;分析基于历史行情及策略信号回测,重点在策略收益率、最大回撤和夏普率等统计指标,透彻反映择时模型的实际应用表现和风险控制效能。
---
五、风险因素评估
- 历史数据风险:历史表现不代表未来,市场环境变化可能导致策略失效。
- 模型风险:RSRS指标基于阻力支撑相对强度及线性回归模型,假设市场行为模式稳定,实际或因市场行为复杂多变而失真。
- 震荡行情风险:报告明确指出震荡市期间信号频繁且准确率显著下降,容易带来误判。
- 过拟合风险:改进参数主要通过历史数据夏普率选择,存在过拟合可能。
- 执行风险:实际交易中交易成本、信号延迟及滑点等影响策略效果。
- 缓解策略:结合成交额加权和钝化机制针对此问题设定,降低震荡期误判概率。
---
六、批判性视角与细微差别
- 报告自身已披露震荡市场的弱点和信号稳定性不足,反映分析客观。
- 加权回归尝试未成功,客观呈现探索失败不会过度夸大改进成果。
- 钝化与成交额加权的结合方案在部分指数取舍间均衡,反映报告作者对模型应用进行审慎适配。
- 参数调优通过夏普率衡量,较理性但未提及多周期验证和跨市场适用度,可能存在适度参数调整风险。
- 报告未涉及交易成本和滑点的影响,实际运用时需谨慎考虑。
- 样本外测试基于2017年开始近3年数据,周期相对有限,后续需继续验证。
---
七、结论性综合
本报告系统回顾了基于阻力支撑相对强度(RSRS)的宽基指数择时模型的实际应用表现,结合丰富的历史数据和详细的开平仓信号分析,确认了RSRS指标在沪深300、上证50、创业板指等主流指数中有效择时,特别是在趋势明显的市场环境下具备较高的胜率和收益贡献。
分析中诚实面对模型在震荡行情中的诸多不足,如信号频繁且判断准确率下降,导致策略净值波动加大。为克服这些缺陷,报告分别尝试了运用时间权重和成交额权重的加权线性回归,发现仅成交额加权对部分指数具有改善效果。此外,基于市场收益波动率信息的定向“钝化”策略巧妙地减少了震荡市中的信号误判,提高了策略的稳定性与整体表现。
结合成交额加权与钝化的综合模型在中证500和创业板指中效果显著优于传统RSRS模型,反映了行情细分市场的异质性需求。报告最终建议根据指数特点灵活采用指标改进方案,实现模型在不同市场环境的均衡表现。
对应章节中详尽的图表和数据均支持以上结论。尤其是样本外净值曲线、开平仓信号验证、统计指标(年化收益、夏普率、最大回撤、胜率等)无不印证模型改进在提升择时效果方面的针对性和有效性。
风险提醒严格提示模型与历史数据的局限,强调投资者应理性看待择时工具,不将该策略作为单一决策依据。
总体来看,光大证券研究所的RSRS择时策略报告兼具理论创新与实证检验,具有较高的现实指导价值和应用潜力,为技术择时研究提供了重要范例与优化路径。
---
参考标注
本报告内容均引自来自光大证券研究所《RSRS 择时:回顾与改进——技术指标系列报告之六》,页码标识如下:
- 报告介绍与指标原理及构造:[page::0][page::4-5]
- 样本外表现详解及信号清单:[page::5-10]
- 加权回归改进尝试与实证数据:[page::11-15]
- 钝化指标构造与结果测试:[page::15-18]
- 综合模型与不同指数策略匹配:[page::18-20]
- 总结与风险提示:[page::21]
- 图表与统计数据引用:贯穿全文多个页码详述,[page::5-20]
---
附录:关键术语解释
- RSRS指标:阻力支撑相对强度,是通过对价格最高点(阻力)和最低点(支撑)的线性关系斜率及其稳定性进行指标化之后得出的择时工具。
- Z-score:标准分数,计算当前数据点在历史分布中的偏离程度,用于衡量回归斜率的极端程度。
- \(R^2\):回归决定系数,衡量线性回归模型拟合优度,越接近1表示模型解释力越强。
- 加权线性回归:线性回归在样本点上加权强调部分数据的重要性,常用以降低历史或次要样本的影响。
- 钝化:为减少噪声信号对指标的影响,通过某种机制压缩指标值绝对值,使其对短期无效波动不敏感。
- 夏普比率:衡量风险调整后收益的指标,越高表示单位风险带来的超额收益越好。
- 胜率及盈亏比:分别指交易成功次数占比及平均盈利与平均亏损比例,是评估策略盈利能力和风险的关键统计指标。
---
以上为《RSRS 择时:回顾与改进》报告的详尽解读与分析。