本文是对光大证券研究报告《基于阻力支撑相对强度（RSRS）的市场择时》前四种择时方法的复现。
报告认为，常用的均线系统和MACD等指标滞后性较高，阻力支撑指标RSRS领先性较好，可以以此为依据构造择时策略，具体原理见报告。
文章仅出于个人对于报告的理解，不一定正确，有问题请指出。回测结果除方法一以外，均与报告差异较大，如果有大佬作出了跟研报差不多的结果，求指导。
语言：python3.6 数据来源：tushare（免费）
回测区间：两个时间段，第一个与研报一致，2005年3月-2017年3月，通过对比来看复制是否准确，第二个为2005年初到当前，看策略现在的表现如何。
文章结构如下： 各种阻力支撑指标的构造及分析 斜率策略回测 标准分策略回测 修正标准分策略回测 右偏标准分策略回测 回测结果汇总
1. 阻力支撑指标
研报一共构造了4种阻力支撑指标，指标背后的逻辑不过多分析，见研报，仅给出原理和代码实现。
当日斜率指标 
当日标准分
修正标准分 
右偏标准分 
为了后续策略回测方便，我们构造函数getdata从tushare中取出原始价格序列，并一次性计算出所有需要用的指标，其中N为回归用的天数，M为计算标准分所用的时间长度，与研报一致，对于前三种策略，N=18,M=600,对于第四种策略，N=16,M=300。
1def getdata(dateStart,dateEnd,N,M):
2 HS300 = ts.get_k_data('000300', index=True,start = '{}'.format(dateStart),end = '{}'.format(dateEnd))
3 HS300=HS300[['date','high','low','open','close']]
4
5 # 斜率
6 HS300['beta'] = 0
7 HS300['R2'] = 0
8 for i in range(1,len(HS300)-1):
9
10 df_ne=HS300.loc[ i- N+1:i ,:]
11 model = sml.ols(formula='high~low',data = df_ne)
12 result=model.fit()
13
14 HS300.loc[i+1,'beta'] = result.params[1]
15 HS300.loc[i+1,'R2'] = result.rsquared
16 # 日收益率
17 HS300['ret'] = HS300.close.pct_change(1)
18
19 # 标准分
20 HS300['beta_norm'] = (HS300['beta'] - HS300.beta.rolling(M).mean().shift(1))/HS300.beta.rolling(M).std().shift(1)
21 for i in range(M):
22 HS300.loc[i,'beta_norm'] = (HS300.loc[i,'beta'] - HS300.loc[:i-1,'beta'].mean())/HS300.loc[:i-1,'beta'].std()
23 HS300.loc[2,'beta_norm'] = 0
24 HS300['RSRS_R2'] = HS300.beta_norm*HS300.R2
25 HS300 = HS300.fillna(0)
26
27 # 右偏标准分
28 HS300['beta_right'] = HS300.RSRS_R2*HS300.beta
29 return(HS300)
斜率指标分布如下 
与研报的对比： 
斜率指标看起来是基本一致的，但其余指标统计量差异较大，见代码。
斜率250天的滚动均值 
报告结果 
整体趋势是一致的，只有前期不足250的部分，可能这部分的处理方法与报告有差异，所以结果有差异。
2. 斜率策略回测
策略逻辑：斜率指标超出阈值S1 = 1时买入，斜率指标超出阈值S2 = 0.8时卖出。
1def RSRS1(HS300,S1 = 1.0,S2 = 0.8):
2 data = HS300.copy()
3 data['flag'] = 0 # 买卖标记
4 data['position'] = 0 # 持仓标记
5 position = 0 # 是否持仓，持仓：1，不持仓：0
6 for i in range(1,data.shape[0]-1):
7
8 # 开仓
9 if data.loc[i,'beta']>S1 and position ==0:
10 data.loc[i,'flag'] = 1
11 data.loc[i+1,'position'] = 1
12 position = 1
13 # 平仓
14 elif data.loc[i,'beta']<>1:
15 data.loc[i,'flag'] = -1
16 data.loc[i+1,'position'] = 0
17 position = 0
18
19 # 保持
20 else:
21 data.loc[i+1,'position'] = data.loc[i,'position']
22
23 data['nav'] = (1+data.close.pct_change(1).fillna(0)*data.position).cumprod()
24
25 return(data)
策略净值为10.59，交易次数45次，报告结果为10.57，41次，基本相近，并且相比于沪深300指数（黄色），有明显超额收益，且回撤较小。
但之后的策略都与报告结果差异较大，可能是指标计算上有一定差异。（之后部分策略回测结果中交易次数含0.5次，是因为买卖合计一次，最后一次开仓后未平仓。）
3. 标准分策略回测
之后三部分只给出逻辑和代码，回测结果汇总在最后。
策略逻辑：标准分大于S=0.7买入，小于-0.7卖出。
1def RSRS2(HS300,S = 0.7):
3 data = HS300.copy()
4 data['flag'] = 0 # 买卖标记
5 data['position'] = 0 # 持仓标记
6 position = 0 # 是否持仓，持仓：1，不持仓：0
7 for i in range(1,data.shape[0]-1):
8
9 # 开仓
10 if data.loc[i,'beta_norm']>S and position ==0:
11 data.loc[i,'flag'] = 1
12 data.loc[i+1,'position'] = 1
13 position = 1
14 # 平仓
15 elif data.loc[i,'beta_norm']<>1:
16 data.loc[i,'flag'] = -1
17 data.loc[i+1,'position'] = 0
18 position = 0
19
20 # 保持
21 else:
22 data.loc[i+1,'position'] = data.loc[i,'position']
23
24 data['nav'] = (1+data.close.pct_change(1).fillna(0)*data.position).cumprod()
25
26 return(data)
4. 修正标准分策略回测
策略逻辑同3。
1def RSRS3(HS300,S = 0.7):
2 data = HS300.copy()
3 data['flag'] = 0 # 买卖标记
4 data['position'] = 0 # 持仓标记
5 position = 0 # 是否持仓，持仓：1，不持仓：0
6 for i in range(1,data.shape[0]-1):
7
8 # 开仓
9 if data.loc[i,'RSRS_R2']>S and position ==0:
10 data.loc[i,'flag'] = 1
11 data.loc[i+1,'position'] = 1
12 position = 1
13 # 平仓
14 elif data.loc[i,'RSRS_R2']<>1:
15 data.loc[i,'flag'] = -1
16 data.loc[i+1,'position'] = 0
17 position = 0
18
19 # 保持
20 else:
21 data.loc[i+1,'position'] = data.loc[i,'position']
22
23 data['nav'] = (1+data.close.pct_change(1).fillna(0)*data.position).cumprod()
24
25 return(data)
5. 右偏标准分策略回测
策略逻辑同3。
1def RSRS4(HS300,S = 0.7):
2 data = HS300.copy()
3 data['flag'] = 0 # 买卖标记
4 data['position'] = 0 # 持仓标记
5 position = 0 # 是否持仓，持仓：1，不持仓：0
6 for i in range(1,data.shape[0]-1):
7
8 # 开仓
9 if data.loc[i,'beta_right']>S and position ==0:
10 data.loc[i,'flag'] = 1
11 data.loc[i+1,'position'] = 1
12 position = 1
13 # 平仓
14 elif data.loc[i,'beta_right']<>1:
15 data.loc[i,'flag'] = -1
16 data.loc[i+1,'position'] = 0
17 position = 0
18
19 # 保持
20 else:
21 data.loc[i+1,'position'] = data.loc[i,'position']
22
23 data['nav'] = (1+data.close.pct_change(1).fillna(0)*data.position).cumprod()
24
25 return(data)
6. 回测结果汇总
回测区间：同研报
与研报结果相对比，斜率指标回测结果基本相同，其余均差异较大。此外，右偏标准分策略表现最好与研报一致，但标准分策略表现较差与报告结果不符。
回测区间：2005年3月-当前
从净值曲线来看，右偏标准分策略依然表现最好，btw，2018年后所有策略都在出现明显回撤后保持空仓，所以，入市需谨慎呐。
参考资料 1. 20170501-光大证券-光大证券技术择时系列报告之一：基于阻力支撑相对强度（RSRS）的市场择时
|
