量化交易 - RSRS（阻力支撑相对强度）策略研究 - 源码

一、介绍

RSRS（阻力支撑相对强度）是一种基于价格阻力位与支撑位动态变化的市场择时技术指标，由光大证券在2017年提出。其核心原理是通过量化最高价与最低价之间的线性关系，预测市场趋势变化。

原理：

线性回归建模：取N日最高价和最低价，以最低价为自变量，最高价为因变量进行线性回归，得到斜率（beta）。斜率反映支撑位强度与阻力位强度的比值。
动态阈值 ：计算斜率的滚动均值和标准差，将当前斜率标准化为Z分数（标准分）。Z分数反映当前支撑阻力强度在历史中的相对位置。
3 交易信号：当标准分突破阈值（如>1）时买入，跌破阈值（如<0.8）时卖出。结合均线、成交量等可进一步优化策略。

策略优化方向（报告中提及）：

均线过滤：结合20日均线方向过滤开仓信号
成交量验证：加入量价相关性分析
动态阈值：使用滚动窗口计算自适应的交易阈值
右偏修正：通过R²和斜率乘积降低低质量信号的权重

该指标在沪深300、上证50等指数回测中显示出较强的左侧预判能力，但需注意参数敏感性和市场适应性。完整策略实现需结合具体风控规则和成本控制。

pdf原文我放在群文件里： 《20170501-基于阻力支撑相对强度（RSRS）的市场择时.pdf》

二、关键点阐述

我们考虑另外一种阻力位与支撑位的运用方式，关注点不再是直接地把它们理解为价格区间的阈值，而是考虑它们之间的相对强度。也就是说，我们不再把阻力位与支撑位当做一个定值，而是看做一个变量。

我们用 high的变化量/low的变化量来作为支撑位、阻力位的相对强度，换言之，就是最低价每变动1单位时最高价变动的幅度。
又因为：high的变化量/low的变化量 = (high[1]-high[0])/(low[1]-low[0])，所以只需要计算（low[0],high[0]）、（low[1],high[1]）两点的斜率就行。为了降低噪音，我们通过多个点进行最小二乘拟合，这样算出来的斜率曲线更加准确。

三、代码实现

python 复制代码

import pandas as pd
import numpy as np
import statsmodels.api as sm

def calculate_rsrs(df, n=18, lookback=600):
    """
    计算RSRS右偏标准分指标
    df 包括 high, low
    """
    # 1. 计算斜率beta
    beta_list = []
    r2_list = []
    for i in range(n, len(df)):
        # 第一列是常数1（初始值，fit后会调整）；第二列为原本选定的 low 列数值
        x = sm.add_constant(df['low'].iloc[i-n:i])
        y = df['high'].iloc[i-n:i]
        # y = constant*1 + beta*x  (所以前面加了一列1)
        # OLS 类（普通最小二乘法）
        model = sm.OLS(y, x).fit()
        # 它代表直线的斜率（beta）
        beta = model.params[1]
        # R²:模型拟合度、解释力，值在 0 到 1 之间，越接近 1 表示模型拟合的越好。
        r2 = model.rsquared
        beta_list.append(beta)
        r2_list.append(r2)
    
    df = df.iloc[n:]
    df['beta'] = beta_list
    df['r2'] = r2_list
    
    # 2. 计算标准分 （将斜率转化成符合正态分布的）
    # 加 .rolling(lookback)：计算是局部的、基于滚动窗口的
    df['beta_mean'] = df['beta'].rolling(lookback).mean()
    df['beta_std'] = df['beta'].rolling(lookback).std()
    df['z_score'] = (df['beta'] - df['beta_mean']) / df['beta_std']
    
    # 3. 右偏修正
    df['adj_z'] = df['z_score'] * df['r2']  # 修正标准分；标准分数与模型的解释力（R²）结合
    df['right_skew_z'] = df['adj_z'] * df['beta']  # 右偏标准分；标准分与回归系数结合使用
    return df


# Example usage
symbol = '000001.XSHG'
# Assuming 'get_price' is a function that extracts the needed price data
price_data = get_price(symbol, start_date='2000-01-01', end_date='2009-12-31', frequency='daily', fields=['high', 'low'])

# Calculate RSRS values
rsrs_df = calculate_rsrs(price_data)
rsrs_df.tail()

| | high | low | beta | r2 | beta_mean | beta_std | z_score | adj_z | right_skew_z |
| 2009-12-25 | 3154.77 | 3128.15 | 0.910763 | 0.871082 | 0.923743 | 0.099105 | -0.130978 | -0.114092 | -0.103911 |
| 2009-12-28 | 3202.09 | 3148.86 | 0.930477 | 0.867347 | 0.923685 | 0.099091 | 0.068542 | 0.059450 | 0.055317 |
| 2009-12-29 | 3212.52 | 3166.76 | 0.946970 | 0.871842 | 0.923622 | 0.099064 | 0.235687 | 0.205482 | 0.194585 |
| 2009-12-30 | 3267.00 | 3206.22 | 0.955810 | 0.871369 | 0.923794 | 0.099030 | 0.323293 | 0.281708 | 0.269259 |

2009-12-31	3282.21	3250.03	0.939307	0.883740	0.924108	0.098779	0.153871	0.135982	0.127729

我们使用'right_skew_z'字段内容，判断一个阈值，来进行买卖。（下一节将使用其进行回测）

然后，我们可以作图看一下分布情况

python 复制代码

import matplotlib.pyplot as plt

# 设置字体 用来正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False

# 创建一个2x2的画布，设置图形大小
fig, axs = plt.subplots(2, 2, figsize=(10, 8))

# 画第一个柱状图
axs[0, 0].hist(rsrs_df['beta'], bins=50)
axs[0, 0].set_title("斜率值")

# 画第二个柱状图
axs[0, 1].hist(rsrs_df['z_score'], bins=50)
axs[0, 1].set_title("标准分")

# 画第三个柱状图
axs[1, 0].hist(rsrs_df['adj_z'], bins=50)
axs[1, 0].set_title("adj_z")

# 画第四个柱状图
axs[1, 1].hist(rsrs_df['right_skew_z'], bins=50)
axs[1, 1].set_title("right_skew_z")

# 调整布局，避免标题及标签的重叠
plt.tight_layout()

# 显示图表
plt.show()