曾经叱咤10余年的RSRS因子，现在怎么样了？

量化风云

于 2025-06-18 21:14:31 发布

阅读量733

点赞数 22

CC 4.0 BY-SA版权

分类专栏：量化交易文章标签：量化交易量化交易课程大富翁量化课程匡醍好课量化二十四课因子挖掘

本文链接：https://blog.csdn.net/hbaaron/article/details/148723513

量化交易专栏收录该内容

56 篇文章

订阅专栏

RSRS 因子在 2005 年 3 月到 2017 年 3 月的上证 50 指数上，12 年总收益 1432.36%，年化 24.84%，夏普 1.42。同期指数收益仅为 290.13%。

该指标的大致思想是，将每日最高价与最低价分别视为阻力位与支撑位，把给定周期下线性回归拟合得到的斜率作为因子。斜率越陡，表示市场强度越强。

本文复现了 RSRS 因子，可运行的完整代码和数据在我们的研究平台中提供。如果你关心它的最新表现，或者任何一段时间的表现，只需要自己修改时间参数运行即可得到答案。

RSRS(Resistance Support Relative Strength) 因子是光大证券于 2017 年起的系列中，提出的一种择时因子。该系列最初发表于 2017 年，后来又在 2019 年和 2021 年对之前的因子构造进行了回顾和优化。这篇 notebook 将复现这一因子，并对其构造思想进行解读。

这是我们系列研报解读中的一篇。持续跟踪本系列文章，你将掌握复现研报所需要的理论知识、编程技巧、数据获取方案和交易策略经验，换言之，成为一名熟练的策略研究员。

在解读每一篇研报时，我们都会选附上研报原文：

然后才是我们对研报的解读和复现：

通过对比，你可以发现我们对研报进行了提炼和挖掘，主题思想更明确，也更容易读懂。

该策略的主要思想是：

应该说策略的思想非常巧妙，也很符合我们的交易认知：如果市场投资者认为下面的支撑很强，就敢于向上试探更大的空间，因此最高价的涨幅就变大；如果市场投资者认为上方的压力很大，则更期望尽快脱手，从而导致最低价格的跌幅变大。

研报作者还手绘了两幅图来说明这一思想：

研报还展示了如何为交易思想建模的一个简单但常用的技巧，即线性回归。线性回归是从简。丁伯格等人开创计量经济学以来，在经济和金融领域广泛使用的一种技巧。在这里，线性回归的引入，让交易思想得到合理的抽象，成为有统计实证支持的一个模型。

这个因子的计算方法如下：

在对比测试中，vanilla 版本的运行时间如果是 4.3ms 的话，那么向量化版本的运行时间则仅为 317us，快了 10 倍多。

现在，我们通过 tushare 的数据，来看一下因子计算的结果。下面的代码展示了如何获取 hs300 指数数据：

现在，我们就可以计算出 RSRS 因子了：

我们看到，hs300_factor 是一个 pd.Series，它的索引是日期，其值是因子值。这样的格式有利于后面合并横截面数据。

因子的质量如何？我们可以使用 Alphalens 来进行检验。Alphalens 是一个用于评估因子的库，简单易用，非常适合对因子进行快速评估。不过，它主要采用的是横截面评估法，因此，我们需要先获取沪深 300 指数中，所有成份股的历史数据，再计算出它们的因子值。

在我们的研究环境中，有从 2005 年到 2023 年所有个股的日线历史数据，可以允许我们进行较长周期的因子测试，并且已经有封装好的 alpha_test 方法可以调用。不过，我们还需要先获取沪深 300 成分股列表。

现在，我们就调用 alphatest 来进行因子测试：

输出结果有点小意外，没有出现你期待的高收益，基至年化 Alpha 还是负的。不过，对 Alphalens 的输出我们需要辩证来看，这个简单的测试，已经说明了这个因子很可能是有 Alpha 存在的（它的 beta 接近于零），只是年化为负，这种情况下，我们只要修改因子的方向，即可得到正的年化收益。

不过，Alphatest 的结果与研报相去甚远，这应该作何解释呢？

原来，研报中 RSRS 指标的交易方式阈值买入卖出式。它要求先对过去 M 个交易日的斜率因子进行分层统计，取均值±一个标准差的值作为买入和卖出的阈值，所以，这是一种事件型交易方式，使用 Alphalens 就无法准确地回测出它的收益率。

另一个区别是，研报使用交易标的是沪深 300 指数，它是由各个标的按一定权重构建出来的价格序列；当我们使用 alphalens 进行回测时，我们相当于构建了一个等权沪深 300 指数。这两个指数之间本来就会有差异。

现在，我们就回到研报的实现，对沪深 300 指数本身进行交易回测。

事件型交易策略必须要能给出交易信号。根据前面的叙述，这个交易信号是均值的一个标准差。为此，我们需要先对过去 M 天的 RSRS 进行统计，并计算出均值和标准差，然后进行 zscore 化。

不过，在开始之前，我们先对因子进行可视化，找一点点感觉。

斜率数据分布

根据研报和运行结果，卖出阈值在 0.8 附近，买入阈值在 1.0 附近。即如果 RSRS 指标大于 1.0，买入并持有；当 RSRS 回落到小于 0.8 时，就卖出。

如果我们以此确定阈值，就会犯了前视偏差的错误：我们把 2023 到 2025 的全部数据纳入了统计，但如果交易发生在 2023 年底呢？除非这些年来，RSRS 的分布一直保持不变，否则，我们就一定是参考了错误的阈值。

因此，我们需要以滑动窗口来确定交易阈值，即在 $T_0 ~ T_m$ 个交易日中，找到 25%和 75%分位值，分别作为第 m 日买入或者卖出的阈值。在研报中，它换了另一种方式：将 high 对 low 的 N 日回归斜率，按 win 个窗口进行 z-score 化。在 z-score 化之后，如果当日因子值大于 0.7，则认为此处为买入信号；如果当日因子值小于-0.7，则认为此处为卖出信号。