年化60.7%，最大回撤-16.5%，RSRS标准分择时效果差不多-CSDN博客

本文链接：https://blog.csdn.net/weixin_38175458/article/details/142310980

原创内容第653篇，专注量化投资、个人成长与财富自由。

中秋节，祝大家中秋快乐！

人有悲欢离合，月有阴晴圆缺，此事古难全。但愿人长久，千里共婵娟。

今天引入RSRS来择时，看下策略效果。

年化60.7%，最大回撤-16.5%，RSRS标准分择时效果差不多。

numpy版本的rsrs指标计算，性能还可以：

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(high: pd.Series, low: 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 zscore

一点感受，复杂且高大上的指标，看起来很酷，其实过拟合和失效的可能性更高。有时候，回归到简单的指标，比如均线，ATR，RSI等经典指标反而会有惊喜。

代码下载：AI量化实验室星球，已经运行三年多，1100+会员。quantlab代码交付至5.X版本，含几十个策略源代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，每周五迭代一次。

AI量化实验室——2024量化投资的星辰大海

02 五年财务自由退休

财富的核心永远是价值创造。

把你擅长的事情，产品化。

把你热爱的事情，变得擅长。就是这个逻辑。

重要的事（why），这是你的价值观，是一切的原点。

擅长的事（how）, 你才能交付你的价值，这是交换规律决定的。

喜欢的事（what)，唯热爱可抵岁月长。

当身边的朋友开始消费降级。

当有人已经对未来找到工作不报任何希望。