年化从19.1%提升到22.5%，全球大类资产轮动，加上RSRS择时，RSRS性能优化70倍。（附策略源码）

今天优化一下RSRS指标，并刷新一下策略。

大家知道，numpy的rolling apply性能不好，我们来优化一下：

import numpy as np

from numpy.lib.stride_tricks import as_strided as strided


def rolling_window(a: np.array, window: int):
    '生成滚动窗口，以三维数组的形式展示'
    shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
    strides = a.strides + (a.strides[-1],)
    return strided(a, shape=shape, strides=strides)


def numpy_rolling_regress(x1, y1, window: int = 18, array: bool = False):
    '在滚动窗口内进行，每个矩阵对应进行回归'
    x_series = np.array(x1)
    y_series = np.array(y1)
    # 创建一个一维数组
    dd = x_series
    x = rolling_window(dd, window)
    yT = rolling_window(y_series, window)
    y = np.array([i.reshape(window, 1) for i in yT])
    ones_vector = np.ones((1, x.shape[1]))
    XT = np.stack([np.vstack([ones_vector, row]) for row in x])  # 加入常数项
    X = np.array([matrix.T for matrix in XT])  # 以行数组表示
    reg_result = np.linalg.pinv(XT @ X) @ XT @ y  # 线性回归公示

    if array:
        return reg_result
    else:
        frame = pd.DataFrame()
        result_const = np.zeros(x_series.shape[0])
        const = reg_result.reshape(-1, 2)[:, 0]
        result_const[-const.shape[0]:] = const
        frame['const'] = result_const
        frame.index = x1.index
        for i in range(1, reg_result.shape[1]):
            result = np.zeros(x_series.shape[0])
            beta = reg_result.reshape(-1, 2)[:, i]
            result[-beta.shape[0]:] = beta
            frame[f'factor{i}'] = result
        return frame


@calc_by_symbol
def RSRS(low: pd.Series, high: pd.Series, N: int = 18, M: int = 600):
    beta_series = numpy_rolling_regress(low, high, window=N, array=True)
    beta = beta_series.reshape(-1, 2)[:, 1]

    beta_rollwindow = rolling_window(beta, M)
    beta_mean = np.mean(beta_rollwindow, axis=1)
    beta_std = np.std(beta_rollwindow, axis=1)
    zscore = (beta[M - 1:] - beta_mean) / beta_std
    len_to_pad = len(low.index) - len(zscore)
    # print(len_to_pad)
    pad = [np.nan for i in range(len_to_pad)]
    pad.extend(zscore)
    zscore = pd.Series(pad, index=low.index)

    len_to_pad = len(low.index) - len(beta)
    pad = [np.nan for i in range(len_to_pad)]
    pad.extend(beta)
    beta = pd.Series(pad,index=low.index)

    return beta

优化前的时间：

优化之后性能可以接受（性能优化70倍！）：

当然我们需要确保计算结果是一致的：

我们来测试一下策略——全球大类资产配置，加上RSRS择时后，

年化从19.1%提升到22.5%。

源码在这个位置：

吾日三省吾身

之前聊的“ABCZ”计划人生计划之”ABCZ”，

Z计划作为投资系统，这个保持不变——应该是建议所有人都建立起这一样的系统，既是保底方案，在你本金大了之后，更新财富自由的动力。

但Z计划需要其他计划的助力，助力越快，则自由越早。

C计划是你理想中的生活，也许有各种各样的版本，但是，你喜欢什么样的感觉你是知道的。

内向型的人喜欢自己能独立完成事情，外向型的人喜欢张罗一堆人去完成一件事情，这完成不一样。

比如“做一个独立的研究者，创作者。”

万维刚在得到App上的课程火了之后，他辞掉了物理学者的工作，专心写作。

因为写作的收益已经远超他的本职工作。

你可以认为，这其实是他的plan B，而且非常稳妥。

ABCZ本质是要降低对于A计划的依赖，B计划要有积累，可持续，有复利，持续积累之后，其实就是C计划。

C计划不可能凭空出现，哪怕你中了彩票头奖，也是补充Z计划的本金。C计划肯定是B计划里一步步“生长”出来的。

只是B计划有了正反馈后，一步步积累，一点点调整，迭代走出来的。

因此，这里最大的变化，是强化B计划的可积累和复利，架设被动收入管道，这看来是当下最重要的事情。