RSRS（下文通用rsrs）这个模型我很早就想写篇文章，这个模型在没有光大证券写的那篇文章之前，我自己就习惯用这个方式去交易股票，当然对于很多不知道这个策略的投资者而言，只要盯盘超过1个月马上就能发现这个小技巧，并不算什么高深的技术手段，但是把这个指标变成策略的话，坑真心是多啊，本篇以填坑为主，下篇文章，我会根据这个策略进行修改，加上我认为更对的一些方法。
rsrs策略的思想很简单——其实交易本身也简单，复杂的是人心，好的策略往往不复杂——按照一定时间（比如18天）对最高价和最低价进行线性回归拟合，得出线性回归的斜率，仅仅用肉眼观察就可以得出明细的结论——斜率越大，趋势越倾向于延续，斜率越小，趋势越倾向于反转。
所以策略就很简单了：
对于股票而言，当斜率大于某个值，做多，小于某个值，空仓；
期货在此基础上，可以加一个小于某个值做空，中间值空仓。
典型的三分类（期货）或者二分类（股票）问题，并不需要机器学习那种高等算法，而且仅仅肉眼就能观察到。
接下来就是代码上的坑。
在用这个策略交易的时候，发现如果仅仅是使用斜率作为判断依据，有时候个别的走势使得斜率发生很大变化，造成交易亏损严重——信噪比低的必然结果——所以在编程的时候，不用斜率，而是将斜率进行标准化变换——去噪。
因为标准化的时候，要用斜率的时间序列去求均值和标准差，所以在编程的时候不能简单的用同期斜率去标准化——因为数据不够，必须加入之前更多的数据才行，所以编程的时候这个地方要注意。
old=get_price('000300.XSHG', start_date='2010-01-01', end_date=context.previous_date, frequency='1d', fields=['high','low'])
#假如我要回测的是2018.1.1的数据，但是实际上，我要之前很久的数据才能拿到斜率的时间序列，去标准化——这里我用的是2010.1.1之后的数据
for i in range(len(old['low']))[g.n:]:
old_low=old['low'][i-g.n+1:i+1].values
oldx=st.add_constant(old_low)
old_high=old['high'][i-g.n+1:i+1].values
oldmodel=st.OLS(old_high,oldx)
g.oldans.append(oldmodel.fit().params[1])
#这个地方很坑，因为range()函数是有头无尾，而且，我要是每隔18天（g.n)就求一次的斜率的时间序列，所以#for循环的时候，一定注意，最后一天要+1才能取到，前18天是没有值的，所以不是从0开始进行for循环，而是##从g.n开始循环，因为开始那天也算，所以也要+1，才能保证是18天——(i+1)-(i-g.n+1)。1.假如我要回测的是2018.1.1的数据，但是实际上，我要之前很久的数据才能拿到斜率的时间序列去标准化——这里我用的是2010.1.1之后的数据
2.这个地方很坑，因为range()函数是有头无尾，而且，我要是每隔18天（g.n)就求一次的斜率的时间序列，for循环的时候，一定注意，最后一天要+1才能取到。因为前18天是没有值的，所以不是从0开始进行for循环，而是从g.n开始循环，因为开始那天也算，所以也要+1，才能保证是18天——(i+1)-(i-g.n+1)。
最深的坑来了。
随后是计算斜率的均值和标准差，用来降噪，使用的是z-score标准化，这个地方很简单，难点是光大用的不是标准化之后的斜率，而是将标准化的斜率*决定系数*斜率。
标准化的斜率*决定系数好理解，就是用决定系数作为权重，调整了标准化斜率，关键是为什么要再乘以斜率，给出的解释是这么做之后，标准化的斜率分布从正态分布将转为右偏正态分布。使用右偏正态分布的效果更好，从回测的结论来看的确是好了，理论上我实在没搞懂，有正态分布不用非要用偏态分布，实在让人匪夷所思。
最后就是多因子这块没什么坑，代码稍微有点小难，不过理解比较容易，股票池用的是沪深300，用了两个因子，一个PB,一个是ROE的倒数，两个分别单项排名得分，然后加总之后，再排序，取分数最小的前n个——价值投资。
2018年跑出来还算差强人意，不过大多数时间都是空仓，交易也是那么几次。
这个策略我将来还会优化，这是一个比较好的策略，鲁棒性很强。
补充：
1.算排序总得分的时候，因为输入的数据是dataframe类型，所以加总的时候，用df.rank().sum(axis=1)这个地方是一个技巧——横向加总得分
2.总得分有了之后，用df.sort()排序切片就行了