RSRS指標，相對阻力支撐指標的實現，qlib擴充套件自己的特徵表示式

光大證券有一個RSRS指標，回測看來效果很不錯，它也是基於突破的邏輯。與傳統布林帶這樣的通道不同，它對$high最高價，與$low最低價之間做一個線性迴歸，看它的趨勢。

只是RSRS指數要計算兩個序列的相對斜率，這個指標，qlib沒有實現。

——他們想到的，但還是todo。只能自己動手，豐衣足食。

# TODO：# support pair-wise rolling like `Slope（A， B， N）`class Slope（Rolling）：

正好熟悉一下qlib的自定義指標。

其實過程不復雜，在初始化的時候，把自定義指標註冊進去即可。就是下面程式碼裡的“custom_ops”。

provider_uri = “~/。qlib/qlib_data/{}”。format（‘index_data’）qlib。init（provider_uri=provider_uri， region=REG_CN， **{“custom_ops”：［RSRS］}）

指標的實現過程如下，兩個指標運算，繼承自PairOperator，只需要實現這個_load_internal即可。載入資料邏輯是一樣的，把se_left，se_right兩個序列載入，然後進行計算。

import numpy as npimport pandas as pdimport qlibfrom qlib。data import Dfrom qlib。data。ops import ElemOperator， PairOperatorfrom qlib。config import REG_CNimport statsmodels。api as smclass PairSlope（PairOperator）： def __init__（self， feature_left， feature_right， N）： self。N = N super（PairSlope， self）。__init__（feature_left，feature_right） def _load_internal（self， instrument， start_index， end_index， freq）： series_left = self。feature_left。load（instrument， start_index， end_index， freq） series_right = self。feature_right。load（instrument， start_index， end_index， freq） slope = ［］ #R2 = ［］ # 計算斜率值 n = self。N for i in range（len（series_left））： if i < （self。N - 1）： continue else： x = series_right［i - n + 1：i + 1］ # iloc左閉右開 x = sm。add_constant（x） y = series_left。iloc［i - n + 1：i + 1］ regr = sm。OLS（y， x） res = regr。fit（） beta = round（res。params［1］， 2） # 斜率指標 slope。append（beta） #R2。append（res。rsquared） #df = df。iloc［n - 1：］ slope = pd。Series（slope） return slope if __name__ == ‘__main__’： provider_uri = “~/。qlib/qlib_data/{}”。format（‘index_data’） qlib。init（provider_uri=provider_uri， region=REG_CN， **{“custom_ops”：［PairSlope］}） instruments = ［“sh000300”］ fields = ［“PairSlope（$high， $close，18）”］ print（D。features（instruments， fields， start_time=“2010-01-01”， end_time=“2017-12-31”， freq=“day”））

然後我們需要實現一下pair_slope即可。

qlib自身有一個slope的計算函式。

# TODO：# support pair-wise rolling like `Slope（A， B， N）`class Slope（Rolling）： def __init__（self， feature， N）： super（Slope， self）。__init__（feature， N， “slope”） def _load_internal（self， instrument， start_index， end_index， freq）： series = self。feature。load（instrument， start_index， end_index， freq） if self。N == 0： series = pd。Series（expanding_slope（series。values）， index=series。index） else： series = pd。Series（rolling_slope（series。values， self。N）， index=series。index） return series

呼叫了rolling_slope這個函式。

from 。_libs。rolling import rolling_slope， rolling_rsquare， rolling_resifrom 。_libs。expanding import expanding_slope， expanding_rsquare， expanding_resi

我呼叫了statsmodels。api線性迴歸演算法計算了，效能可能差一點，後續可以最佳化。

有了指標，其實策略就很簡單了。

由於計算時間較長，我使用了hdf5來快取，hdf5可以原樣儲存dataframe的資料，而且效能很好，可以當離線的字典來用，csv大且慢，而且dataframe寫csv再讀出來，index，column資訊會丟失，資料格式float可能會變成str，都要自己去轉換。

store = pd。HDFStore（‘cache。h5’）if ‘cache’ in store。keys（）： df = store。get（key=‘cache’）else： features = ［“$high”， “$low”， “PairSlope（$high， $close，18）”］ features。append（‘$close / Ref（$close，1） -1’） names = ［‘high’， ‘low’， ‘RSRS’， ‘rate’］ # ‘sh000905’， ‘sz399006’ df = logic。load_data（instruments=［‘sh000300’，］， features=features， names=names）df = df［‘feature’］df［‘to_buy’］ = df［‘RSRS’］ > 1df［‘to_sell’］ =df［‘RSRS’］ < 0。8

明天正式來實證RSRS策略，復現光大證券研報。