大家好，我是Quant团长。
今天继续对轮动策略进行改进实验。
看过前期文章的朋友应该知道，轮动策略的买入判断包括两个：动量排序条件和交易条件。
对于交易条件，前期我们已经测试过几个指标，比如 RSI、MACD、以及布林带等，对策略进行了改进测试。
今天，我们尝试对轮动策略的排序条件进行改进。
这次改进，还是按照动量规则，原先采用的是区间涨幅，这次改进则采用区间走势。
【区间走势的计算】
何为区间走势，简单说就是计算某段区间内收盘价的斜率，斜率越大，表示区间涨势越好。
第一步：计算斜率（beta）
那么，怎么计算斜率（beta）呢？
不复杂，数学上有个线性模型，叫做最小二乘法（OLS）线性回归，就是干这个事的。
具体的理论原理就不细说了，感兴趣的朋友可以自行搜索...
计算上，可以采用比较常见的机器学习库Sklearn，在它的线性模型中有个LinearRegression，就是这个线性回归。
计算时有个要注意的地方，就是每次都要对收盘价序列“归一化”。
因为ETF的数值范围不一样，会导致在计算时，即使相同走势，斜率也不一样。
比如，这两个价格序列y=[1,2,3,4]或[2,4,6,8]，对于构造的x=[1,2,3,4]求斜率时，其结果分别为1和2。
事实上，这两者的斜率是相同的，所以需要对价格序列y进行归一化处理。
第二步：计算决定系数（R方）
在斜率计算的基础上，还有个概念，就是对线性回归拟合效果好坏的判断指标——决定系数（R方）。
这个决定系数的取值范围在0-1之间，数值越大，表示线性拟合的效果越好。
当直线能完美拟合所有数据点时，决定系数取值就为1。
理论原理有些复杂，但是计算很简单。从机器学习库Sklearn的skearn.metrics中导入r2_score函数即可。
第三步：计算RSRS得分
在测试中，我们将斜率（beta）和决定系数（r2）的乘积，作为判断区间走势的最终分值，我们称之为RSRS得分。
RSRS=斜率（beta）*决定系数（r2）
RSRS分值越高，就表示动量越强。
【测试条件设置】
具体设置如下：
包含了2个参数，一是计算RSRS分值的n（随机取25）；二是计算均线的参数m（参照前例，取20）。
1.轮动排序：RSRS分值排名第一。
2.交易条件：现价大于收盘价的m日均线买入，否则卖出。
【测试结果】
看看结果怎样：
（采用区间斜率条件的策略结果）
从测试结果可以看到，策略的累计收益达738%，表现不错。
与前期测试结果相比，交易次数有所下降，从年均50次左右下降到年均22次。盈亏比提升较大，达到了2.64。
在今年这种A股持续下跌行情下，吃到了纳指上涨的红利，实现了26%的收益率。
这次的测试就到这里啦，后期我们再做些详细的对比...
【魔方量化服务】专注于指数和ETF基金量化交易。搜公众号或点击访问 网页链接。