【近五年年化17%】浅谈RUMI策略和其两个衍生策略

一、RUMI是什么？

在美国著名权威的交易系统评选杂志之一的《Futures Truth Magazine》中，RUMI策略在“多市场量化策略”排名第六，是一个非常简短但是又很有效的策略。

（图片来源：又来唠一唠曾在全球量化策略热榜上排名第6的RUMI策略）

其基本逻辑类似于双均线策略，但是比双均线调仓频率更低，也更稳健，可以更有效地过滤市场噪音。通过计算双均线的离差值，并进行平滑处理得到RUMI值。RUMI值上穿0则意味市场看多趋势，此时买入；RUMI值下穿0则意味着市场看空趋势，此时卖出。

二、模型搭建 

接下来来搭建模型。

首先获取近五年股票数据。为方便起见，本文不对面板数据实施该策略，选取沪深300指数股作为投资标的回测策略效果。

import tushare as ts
import numpy as np
import pandas as pd
import talib
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')

data = ts.get_k_data(code='hs300', start = '2018-01-01', end = '2023-11-18', ktype = 'D')
data = data.set_index('date')
data.index = pd.to_datetime(data.index)
data = data[['open','close','high','low']]
data['pct'] = data['close'].shift(-1)/data['close']-1

接下来计算RUMI值。这里长期均线采用50日均线，短期均线采用3日均线，RUMI值采用30日平滑离差值。

data['fast'] = talib.SMA(data['close'].values, timeperiod = 3)
data['slow'] = talib.WMA(data['close'].values, timeperiod = 50)
data['diff'] = data['fast']-data['slow']
data['rumi'] = talib.SMA(data['diff'].values, timeperiod = 30)
data = data.dropna()

最后，回测结果。如果既可以做空又可以做多，采用一下回测代码：

data['strategy_pct']=data.apply(lambda x: x.pct \
                if x.rumi > 0 else -x.pct, axis=1)
data['strategy'] = (1.0 + data['strategy_pct']).cumprod()
data['benchmark'] = (1.0 + data['pct']).cumprod()
annual_return = 100 * (pow(data['strategy'].iloc[-1], 250/data.shape[0]) - 1.0)
print('Annual return for HS300 with RUMI is：%.2f%%' %annual_return)
ax = data[['strategy','benchmark']].plot(title='Selection of HS300 using RUMI')
plt.show()

下图回测结果较差，年化仅-0.89%，而且在大多数时候跑输指数。

如果考虑A股市场做空困难，而只考虑RUMI上穿0做多，下穿0卖出平仓，并等待RUMI再次上穿0时买入，只需将计算data['strategy_pct']的代码改成：

data['strategy_pct']=data.apply(lambda x: x.pct if x.rumi > 0 else 0, axis=1)

回测表现仍然不及预期，年化仅0.07%

比较fast、slow曲线和rumi曲线（2018-01-01至2020-01-01）时可以发现，将rumi作为信号容易造成见顶才入局、见底才卖出。在2018-2020年期间，RUMI的信号和实际股市信号常有差池，在2019年上半年短暂跟上上涨趋势，但是在2019年下半年常常给出错误信号。

即便将RUMI值计算时的平滑周期缩小为3天，回测结果仍差强人意。

猜测RUMI（平滑30天离差值）策略在股市震荡幅度较大时并不能迅速反应，于是考虑对模型进行优化和衍生。

三、模型优化 

（一）可能更改方向 

1.将计算rumi（原理在于计算面积）更改为计算斜率（即离差变化程度）。其原理简单直观：斜率为0说明股价已经到极值点（最高值或者最低值），而当涨跌幅斜率由0转为正时说明市场正在上涨区间内，应该买入；当涨跌幅斜率由0转为负时说明市场正在上涨区间内，应该卖出。这样的判别方法可以更有效规避见顶入局、见底卖出的情况。

（原理示意图）

2.双指标判断：上涨采用RUMl值判断，下跌时及时止损，采用双均线法判断。观察RUMI策略表现不佳的原因可以看到，RUMI在及时止跌止损方面反应较慢，因此常常造成跑输指数的现象。为了保持RUMI的优势，在买入侧仍然采用RUMI策略，而在卖出侧采用反应速度更快、更敏捷的双均线法，即短期均线下穿长期均线即卖出。

（二）更改 

1. 斜率法（Slope）

获取数据部分与RUMI一致，在计算斜率时采用：

data['fast'] = talib.SMA(data['close'].values, timeperiod = 3)
data['slow'] = talib.WMA(data['close'].values, timeperiod = 30)
data = data.dropna()
data['diff'] = data['fast']-data['slow']
data['diff_pct'] = data['diff']/abs(data['diff'].shift(1))-1
data['signal'] = talib.SMA(data['diff_pct'].values, timeperiod = 3)
data['pct'] = data['close']/data['close'].shift(1)-1
data = data.dropna()

回测结果（以下回测均采用long only，不再考虑做空）

data['strategy_pct']=data.apply(lambda x: x.pct if x.signal > 0 else 0, axis=1)
data['strategy'] = (1.0 + data['strategy_pct']).cumprod()
data['benchmark'] = (1.0 + data['pct']).cumprod()
annual_return = 100 * (pow(data['strategy'].iloc[-1], 250/data.shape[0]) - 1.0)
print('Annual return for HS300 with Slope is：%.2f%%' %annual_return)
ax = data[['strategy','benchmark']].plot(title='Selection of HS300 using Slope')
plt.show()

回测结果非常优秀，近五年年化收益率为16.93%，而且近两年表现优异，回撤也较低。

2. 双指标法（Double-Signal）

获取数据部分与RUMI一致，在计算RUMI之之后构造signal：

data['signal'] = (data['rumi']>0) & (data['diff']>0)

回测代码类似，回测结果也较为优秀，近五年年化达4.93%，近两年表现优秀，在熊市环境下起到了有效防御作用。

四、总结和评价 

根据RUMI的原理可知这一策略较为稳健，找到明确的上涨趋势之后才买入，获得明确的下跌趋势后才卖出。但是问题在于可能滞后性较大，尤其股市迅速下跌时无法及时止损。

因此考虑两种变形，一种是根据离差变化程度作为替代信号，一种是采用“买入看RUMI，卖出看死叉”的方式。改进后的策略表现均较优异。

仔细观察改进后的策略，发现近两年表现尤为优秀，说明这类策略较为稳健，具有一定防御作用。在股市震荡剧烈时这类策略可能表现不及预期，但是在股市趋势明显或波动大但反转不频繁时表现良好，并具有及时止损的防御作用。