量化策略13—RSRS择时（下）：用Python实现RSRS择时策略

本文是量化策略解析系列的第13篇，本系列的内容为各种量化策略的思路和实现代码，系列连载见：量化策略解析系列—连载

在《RSRS择时（上）：预测市场阻力与支撑的全新方法》和《RSRS择时（中）：用加权回归和标准分改进RSRS指标》中，我们介绍了RSRS择时的思路，本文将以一个具体的例子说明如何用Python实现RSRS择时。

一、RSRS 择时的步骤
我们先简单回顾一下如何用RSRS指标进行：

1. 使用过去N日的最高价和最低价数据，通过线性回归模型计算出斜率（beta值）。这个斜率表示了最高价相对于最低价的变动强度。
2. 将计算得到的斜率转换为标准分（z-score），以标准化斜率值。为了提高择时的有效性，还可以用修正标准分或右偏标准分来改进RSRS指标。
3. 设定阈值S，当标准分的RSRS指标的值超过阈值S时，可以视为买入信号；当RSRS指标的值低于-S时，可以视为卖出信号。
4. 根据生成的交易信号执行交易，进行市场择时。
5. 通过历史数据回测，找到最优的参数N、M和S，这些参数决定了RSRS指标的择时效果。
6. 定期评估RSRS择时策略的表现，包括收益率、夏普比率、最大回撤等指标，动态调整RSRS指标的参数，以保持策略的适应性和有效性。
   下面以沪深300指数为例，介绍如何用RSRS指标对沪深300指数进行择时交易。
   二、获取基础数据
7. 导入需要的库

#导入需要使用的库

import akshare as ak
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

#在matplotlib绘图中显示中文和负号

import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams[‘font.family’] = ‘STKAITI’ # 中文字体’STKAITI’
plt.rcParams[‘axes.unicode_minus’] = False # 解决坐标轴负数的负号显示问题

#关闭警告信息

import warnings
warnings.filterwarnings(‘ignore’)

2. 从AKShare数据源获取沪深300指数的数据
   关于AKShare的使用，可以参看后附的文章《如何用AKShare获取金融数据》。AKShare的接口有时会有变动，如果获取数据出错请参考AKShare的官网解决。

#获取指数数据

index_code = ‘sh000300’
start_date = pd.to_datetime(‘2005-01-01’)
end_date = pd.to_datetime(‘2023-12-31’)
price_df = ak.stock_zh_index_daily(symbol=index_code)
price_df[‘date’] = pd.to_datetime(price_df[‘date’])
price_df = price_df[(price_df[‘date’]>=start_date) & (price_df[‘date’]<=end_date)]
price_df = price_df.sort_values(‘date’).set_index(‘date’)
上述代码用AKShare的stock_zh_index_daily接口获取沪深300指数2005年至2023年的行情数据。数据格式如下：

三、计算RSRS指标

1. 基础版的RSRS指标
   基础版的RSRS是用一定时间窗口（N）内的最高价和最低价建立线性回归模型，然后求解模型的斜率beta作为RSRS指标。

#基础版的RSRS

#最高价和最低价的窗口长度

window_N = 16

#初始化斜率和决定系数R-squared序列

beta = np.full(price_df.shape[0], np.nan)
r_squared = np.full(price_df.shape[0], np.nan)

#逐个滚动窗口计算

for i in range(window_N-1, len(price_df)):
# 获取窗口数据
y = price_df[‘high’].iloc[i-window_N+1:i+1].values
X = np.c_[np.ones(window_N), price_df[‘low’].iloc[i-window_N+1:i+1].values]

# 线性回归模型
model = LinearRegression()
model.fit(X, y)

# 保存斜率和R-squared
beta[i] = model.coef_[1]
r_squared[i] = model.score(X, y)

price_df[‘rsrs_beta’] = beta
price_df[‘r_squared’] = r_squared

2. 计算标准分版的RSRS
   标准分RSRS指标是指计算回归斜率的标准分（z-score）作为RSRS指标值，公式为：
   标准分RSRS = (当日斜率值 − 斜率均值) / 斜率标准差
   其中，斜率均值和标准差是基于过去M日的斜率时间序列计算得到的。

#标准分版的RSRS

#计算标准分的窗口长度

window_M = 300

#计算滚动窗口的平均值和标准差

rolling_mean = price_df[‘rsrs_beta’].rolling(window=window_M).mean()
rolling_std = price_df[‘rsrs_beta’].rolling(window=window_M).std()

#计算斜率的Z-score值 = (当日斜率值 − 斜率均值) / 斜率标准差

price_df[‘rsrs_zscore’] = (price_df[‘rsrs_beta’] – rolling_mean) / rolling_std

3. 计算修正标准分版的RSRS
   修正标准分通过将标准分与决定系数相乘来构建，以减少拟合效果差的标准分对策略的影响。决定系数（R-squared）可以反映模型对数据拟合程度的好坏。一个高的R-squared值意味着模型对数据的解释程度高，而一个低的值则意味着模型拟合效果差。

#修正标准分版的RSRS = 标准分RSRS * 决定系数

price_df[‘rsrs_zscore_r2’] = price_df[‘rsrs_zscore’] * price_df[‘r_squared’]

4. 计算右偏标准分版的RSRS
   将修正标准分乘以回归斜率使得标准分分布右偏，使得指标可能更好地捕捉市场的上涨动能，增强了指标对未来收益率的预测能力。

#右偏标准分版的RSRS = 修正标准分RSRS * 斜率

price_df[‘rsrs_zscore_positive’] = price_df[‘rsrs_zscore_r2’] * price_df[‘rsrs_beta’]
四、用RSRS指标构建择时策略
我们分别用标准分RSRS、修正标准分RSRS和右偏标准分RSRS构建择时信号，比较这几种RSRS择时的效果。

1. 计算RSRS择时信号
   设定择时阈值 s，当RSRS值高于s时开仓，RSRS值低于-s时清仓，RSRS值在-s和s之间时维持先前的仓位。

#根据RSRS择时

rsrs_list = [‘rsrs_zscore’, ‘rsrs_zscore_r2’, ‘rsrs_zscore_positive’]
rsrs_name = [‘标准分RSRS’, ‘修正标准分RSRS’, ‘右偏标准分RSRS’]
s = 0.7 # RSRS的阈值

#计算择时信号:RSRS值高于s时开仓，RSRS值低于-s时清仓，RSRS值在-s和s之间时维持先前的仓位

timing_df = pd.DataFrame()
for i in range(len(rsrs_list)):
rsrs = rsrs_list[i]
timing_df[f'{rsrs_name[i]}择时’] = (price_df[rsrs]>=s) * 1. + (price_df[rsrs]<=-s) * -1.
timing_df = timing_df.replace(0, np.nan) # 先将0替换为NA
timing_df = timing_df.fillna(method=’ffill’) # 使用前值填充NA
timing_df[timing_df<0] = 0
timing_df[‘不择时’] = 1.
上述代码将开仓信号设为1，将清仓信号设为0。

2. 计算策略的择时收益

#计算指数每日的收益率

price_df[‘returns’] = price_df[‘close’].pct_change().shift(-1).fillna(0)

#计算择时后的每日收益率

timing_ret = timing_df.mul(price_df[‘returns’], axis=0).dropna()

#计算择时后的累计收益率

cumul_ret = (1 + timing_ret.fillna(0)).cumprod() – 1.
上述代码先将日收益和择时信号相乘，如果择时信号为1，则保留该日收益；如果择时信号为0，则该日收益为0。然后计算累计收益。关于各种收益的计算，可以参看后附的文章《一文讲清7种收益率的python实现》。

3. 可视化择时效果

#可视化输出

cumul_ret.plot(figsize=(10, 6), title=’RSRS择时’)
结果如下：

从上图可以看到，标准分RSRS、修正标准分RSRS和右偏标准分RSRS都取得了明显的择时收益。
在三种RSRS择时中，右偏标准分RSRS的择时效果最好，修正标准分RSRS的择时效果次之，说明对RSRS指标的优化取得了良好的结果。
上述例子中的择时参数（数据窗口长度N、标准分计算周期M、择时阈值S）未必是最优参数，大家可以观察其他参数的择时效果，寻找最优的参数。
另外，对于不同的指数其最优参数也不同，大家可以在不同的指数下测试RSRS择时策略的有效性。