RSRS择时指标的150倍计算加速(有代码)

Logan投资

于 2024-07-12 14:48:26 发布

阅读量977

点赞数 22

分类专栏：二级文章标签： python 算法 numpy pandas

本文链接：https://blog.csdn.net/Edenfranx/article/details/140379005

版权

二级专栏收录该内容

2 篇文章 0 订阅

订阅专栏

文章来源于公众号：Logan投资

往期精选文章：

前一篇推文中，介绍了用numpy加速rolling计算因子的方法。不过演示示例本身其实完全不需要apply，完全可以rolling.mean / rolling.std 来计算夏普，但是我展示的只是个思想，毕竟用rolling.apply去计算其他复杂的因子还是很慢的，所以在本文我尝试了用numpy去加速计算一个前几年较为火热的择时因子RSRS右偏标准分因子，再来做一个实例。

最终结果比网上公布的代码快了150+倍！！！

指标是基于光大证券研报《基于阻力支撑相对强度(RSRS)的市场择时》，给出了RSRS斜率指标择时，以及在斜率基础上的标准化指标择时策略。

阻力支撑相对强度(Resistance Support Relative Strength, RSRS)是另一种阻力位与支撑位的运用方式，它不再把阻力位与支撑位当做一个定值，而是看做一个变量，反应了交易者对目前市场状态顶底的一种预期判断。

其他因子的逻辑不多介绍了，大家可以去看这里

聚宽在知乎的文章：https://zhuanlan.zhihu.com/p/33501881

而在聚宽量化社区里也开源了RSRS的计算代码：

具体网址：

https://www.joinquant.com/view/community/detail/bec17e308647a2160ee1aeeac3a0c40c?type=1

原始RSRS计算代码如下：

import rqdatac as rq
from tqdm import tqdm
rq.init('账号', '密码')
data = rq.get_price('510330.XSHG', '2023-01-01','2024-01-01', frequency='30m')

def RSRS(low,high, regress_window: int,
         zscore_window: int, array: bool = False):
    """
    :param
    """

    high_array = high
    low_array = low

    highs = copy.deepcopy(high_array)
    lows = copy.deepcopy(low_array)
    rsrs_beta = []
    rsrs_rightdev = []
    zscore_rightdev = []

    N = regress_window
    M = zscore_window

    for i in range(len(highs)):
        try:
            data_high = highs[i - N + 1:i + 1]
            data_low = lows[i - N + 1:i + 1]
            X = sm.add_constant(data_low)
            model = sm.OLS(data_high, X)

            results = model.fit()
            beta = results.params[1]
            r2 = results.rsquared

            rsrs_beta.append(beta)
            rsrs_rightdev.append(r2)

            if len(rsrs_beta) < M:
                zscore_rightdev.append(0)
            else:
                section = rsrs_beta[-M:]
                mu = np.mean(section)
                sigma = np.std(section)
                zscore = (section[-1] - mu) / sigma
                # 计算右偏RSRS标准分
                zscore_rightdev.append(zscore * beta * r2)

        except:
            rsrs_beta.append(0)
            rsrs_rightdev.append(0)
            zscore_rightdev.append(0)

    if array:
        return zscore_rightdev
    else:
        return zscore_rightdev[-1]
test = []
for i in tqdm(range(10)):
    start = time.time()
    ddaa = RSRS(data.low, data.high, 18, 600,array=True)
    end = time.time()
    t = end - start
    test.append(t)
print(f'原始rsrs代码运行平均用时：{np.mean(test)}')

根据在聚宽网上的代码，用原始的代码计算RSRS并记录运行了10次的平均运算时间。

可以看到用原始代码运行的话平均需要7.89秒（参数为N=18,M=600）

这是仅对于一个股票计算的，若是根据RSRS在3000只票里选股就要计算很多次，进而花费时间大概是6.575个小时，这对于日频策略来说也够呛了，对于高频一点的策略或者平时的因子分析研究中更不用说了，还是很耗费时间的。

所以接下来上神器，numpy！

思想是用numpy矩阵运算实现滚动窗口的批量线性回归和指标计算。代码如下：

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

def numpy_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
    return zscore

test = []
for i in tqdm(range(50)):
    start = time.time()
    numpy_rsrs(data.low, data.high)
    end = time.time()
    test.append(end - start)
print(f'numpy加速后的rsrs代码运行平均用时：{np.mean(test)}')

这里的RSRS没有进行右偏处理，右偏RSRS在下文中。

运行了50次的平均用时