开始使用

量化方法论 · 教学复现

在噪声中寻找信号

市场每天抛出成千上万个数字，其中绝大多数是噪声。量化研究的全部手艺，是用一套可证伪、可复算的数理统计方法，从噪声里分离出一丝真实的异象（anomaly），再把它转化成可以下注的 alpha。

本文以光大证券提出的 RSRS（阻力支撑相对强度，Resistance-Support Relative Strength）择时指标为标本，完整走一遍这条流水线：从一个关于「支撑与阻力」的朴素直觉出发，写成数学，交给 QuantBuddy 公式引擎实算二十一年的沪深300，再用《信号与噪声》（Nate Silver）的方法论逐项拷问——这究竟是信号，还是我们骗了自己？

标的 沪深300 区间 2005-04 → [[asof||'…']] 交易日 [[ndays||'…']] 实算引擎 QuantBuddy DSL 数据 实时取数 · 自动重算

实时取数失败：[[err]]　（请稍后刷新；公式包凭证或网络可能临时不可用）

正在向 QuantBuddy 生产引擎实时取数并重算 …

⚠ 实时引擎此刻在你的网络下不可达（[[snapMsg]]），下文分析已自动改用页面内嵌的数据快照（截至 [[asof]]）渲染——内容与口径完全一致，只是不含快照之后的新交易日。待网络/防火墙恢复后刷新本页，即可切回实时取数。

原版 RSRS 择时 · 累计净值

[[fx(S.nav1,2)]]×

年化 [[fx(S.c1,1)]]% · 最大回撤 [[fx(S.dd1,1)]]%

优化版（+趋势确认）· 累计净值

[[fx(S.nav2,2)]]×

年化 [[fx(S.c2,1)]]% · 最大回撤 [[fx(S.dd2,1)]]%

买入持有沪深300 · 累计净值

[[fx(S.navb,2)]]×

年化 [[fx(S.cb,1)]]% · 最大回撤 [[fx(S.ddb,1)]]%

当前 RSRS 标准分信号

[[fx(S.curSig,2)]]

[[S.curSig>0.7?'≥0.7 → 偏多':(S.curSig<-0.7?'≤-0.7 → 偏空':'中性区 → 持仓不变')]]

上述数字由页面在你打开的此刻向生产引擎实时取回净值序列、在浏览器内重算得到；底层行情更新后会自动反映。下文逐段拆解它们从何而来、可信到什么程度。

1异象：把「支撑与阻力」翻译成一个数字

技术分析里最古老的两个词是支撑与阻力：价格跌到某处总有人接、涨到某处总有人抛。它们通常只是图上随手画的线，主观、不可复算。RSRS 的聪明之处，是把这对概念压缩成一个可计算的数。

做法极简：取最近 N=18 个交易日，每天有一个最高价（当日阻力被触及的高度）和最低价（当日支撑被触及的低度）。把这 18 组「最低价 → 最高价」点画在坐标系里，做一条最小二乘回归直线，它的斜率 β 就是当下「阻力相对支撑的强度」。

β 大（陡）：支撑略抬，阻力就大幅抬升——买盘强势、上行弹性足；
β 小（平）甚至下行：支撑在动而阻力顶不上去——上方抛压沉重、动能枯竭。

把 β 读成一句话会更顺：「支撑每抬高一点，阻力会跟着抬高多少？」——它度量的是阻力对支撑的响应弹性。想象每根日 K 线都是一段从最低价（地板）到最高价（天花板）的竖条；18 天看下来，地板与天花板各自上下浮动。回归就在问：当买盘把地板一寸寸顶高时，天花板是顺势让开（β 大、阻力松动），还是被卖盘死死压住（β 小、抛压顽固）。

β 大 · 阻力松动（强势）

支撑抬高 1 元，阻力跟涨约 1.4 元——天花板比地板涨得还快

β 小 · 抛压封顶（弱势）

支撑抬高 1 元，阻力只抬约 0.6 元——每次反弹都被卖盘按住

同一种「最低价 → 最高价」散点，斜率却天差地别。β 把「天花板让不让路」这件事压缩成一个无量纲、可比较、可下注的数——这就是把支撑阻力这句技术分析黑话，翻译成统计量的全部秘密。

下图是活的：拖动滑块选任意一天，左侧实时对该天往前 18 日的最高/最低价做回归，右图显示这条 β 曲线在历史中的位置。这里画出的 β 与后文策略所用的，是同一个引擎算的同一个数（已逐点核对一致）。

交互 · 01 18 日阻力—支撑回归，斜率即 β

拖动滑块沿时间轴移动回归窗口；或点「播放」让它自己走。

[[fmtD(reg.date)]]

读图：左图每个点是某一天的（最低价, 最高价），斜直线是 18 日 OLS 拟合；标题给出当日 β 与拟合优度 R²。R² 越高，这条「支撑—阻力」关系越紧密、信号越可信——这正是后文「修正标准分」要利用的东西。

为什么是高—低回归，而非别的用「最高价对最低价」回归，刻意避开了收盘价的噪声与隔夜跳空；斜率天然无量纲、可跨时间比较。这是把一个语义（支撑阻力强弱）化为统计量的典型手法——异象研究的第一步，永远是先找到一个能被算出来、且有经济学故事支撑的数。

2数学：从斜率到一个可下注的信号

原始 β 有两个毛病：它有量纲、随行情中枢漂移，无法直接定阈值。RSRS 用四步把它驯化成一个均值约 0、可比较的信号。

第一步 · 斜率 β（OLS）

对窗口内 $\{(L_i,H_i)\}_{i=1}^{N}$（$L$ 最低价、$H$ 最高价），最小二乘斜率：

$$\beta_t=\frac{\sum_{i}(L_i-\bar L)(H_i-\bar H)}{\sum_{i}(L_i-\bar L)^2},\qquad R^2_t=\big[\mathrm{corr}(L,H)\big]^2$$

第一层 · 先看懂 β 和 R² 在量什么高中的回归直线就够用

直觉 1β 就是那条「回归直线」的斜率

先别碰任何高深的东西。把这 18 天里、每一天的（最低价，最高价）当成一个点，描在坐标纸上：横轴是当天最低价 L、纵轴是当天最高价 H。你会看到一串大致向右上方走的点。RSRS 第一步做的，就是你高中学过的那件事——拿尺子穿过这堆点，找一条最贴合的直线 H ≈ α + βL（课本叫「回归直线」「最小二乘」）。

这条线的斜率 β 回答一个特别朴素的问题：「今天最低价要是比平时高 1 块，最高价大约会跟着高几块？」β 越陡（大），说明低点稍微一抬、高点就冲很远 → 买盘强、上方阻力松动；β 越平（小），说明低点抬了、高点却纹丝不动 → 上方抛压沉重。一个斜率，就把「多空力量」量化成了一个数。

把 18 天的（最低价, 最高价）描成散点，穿过去的那条直线就是回归直线；它的斜率 β 就是「最低价每抬高 1 块，最高价平均跟涨几块」。这正是高中统计里的最小二乘直线。

直觉 2斜率公式 = 「一起动的劲头 ÷ 自己晃的幅度」

课本里直线斜率是 Δy/Δx，可点云不是一条完美直线，怎么办？办法是对一堆点取平均。先在图上画一个十字：竖线穿过最低价的平均 L̄、横线穿过最高价的平均 H̄，把图切成四块。看每个点落在哪：

落在右上 / 左下（都高或都低）→ L 与 H 同向偏离，记一笔正账；
落在左上 / 右下（一个高一个低）→ 反向，记一笔负账。

把所有点的账加总，就是公式分子 Σ(Lᵢ−L̄)(Hᵢ−H̄)——衡量 L、H 一起涨跌的劲头（统计里叫协方差）。分母 Σ(Lᵢ−L̄)² 则是 L 自己晃的幅度（方差）。一除，就得到「L 每变 1 单位、H 平均变多少」= β。所以这条吓人的公式，本质就一句话：β ＝一起动的劲头 ÷ 自己晃的幅度。

蓝点几乎都落在「同高同低」的绿区（记正账），只有少数橙点落在红区（记负账）。绿区压倒红区 → 协方差为正 → β 为正。β 的公式，就是这场记账的总和除以「L 自己的晃动」。

直觉 3R² 就是「点贴不贴这条线」

光有斜率 β 还不够，得问一句：这条线靠不靠谱？同样一个 β，点紧贴着线，和点散成一团云，可信度天差地别。R²（取值 0~1）量的就是这个贴合度——其实它正是你高中学过的相关系数 r 的平方：

R² → 1：点几乎全压在线上，「低→高」关系铁瓷，这个 β 可信；
R² → 0：点乱成一团云，看不出什么关系，这个 β 基本是蒙的。

这也解释了 RSRS 第三步为什么要乘 R²：给那些「蒙出来的 β」自动打个折，让看不清的窗口少说话。

两边斜率 β 一样，但左边点紧贴线（关系铁）、右边散成一团云（基本没关系）。R² 就量这个贴合度：1＝全在线上，0＝纯噪声。

第二层 · 再看深用线性代数的眼睛重看一遍选读 · 为做量化打底

进阶 1先把一串数字「打包成一个向量」

上面三步用高中知识已经够用了。但要真正做量化、读懂论文，值得再换一副「线性代数的眼睛」看一遍——你会发现 β 和 R² 其实是同一张几何图上的两个量。第一步是换个角度看数据：把这 18 天的最高价按顺序排成一列，打包成一个向量 h=(H₁, H₂, …, H₁₈)。别被「18 维」吓到——二维向量是平面上一支箭头，三维是空间里一支箭头，18 维只是同一件事、分量多几个而已，加法、长度、夹角的规则全照搬。同理把 18 个最低价打包成 ℓ，再把一列全是 1 的清单打包成 1（负责式子里的「截距」那一项）。

于是「用最低价去解释最高价」就变成一道向量问题：能不能用 ℓ 和 1 这两支箭头，拼出最接近 h 的那支箭头？

把一串有序的数当成一支「高维箭头」——这一步什么都没改变，只是换个角度，让下面的「投影」「夹角」能登场。

进阶 2拟合 = 在「够得到的平面」里找最近的影子

把所有可能的组合 a·1 + β·ℓ 收集起来，它们铺成一张平面（数学上叫 1 与 ℓ 张成的子空间）——这就是「只靠 ℓ 和 1，我们能拼出的全部箭头」的范围。真实的 h 通常不在这张平面上（数据带噪声，最高价不可能被最低价完美解释）。那么「最好的拟合」是谁？就是平面上离 h 最近的那一点 ĥ，也就是 h 投在平面上的影子（正交投影）。从 h 到它影子的那截差距 e = h − ĥ，就是残差。

核心图。蓝箭头 h 是真实数据；绿箭头 ĥ 是它落在平面上的影子（最佳拟合）；金色虚线 e 是两者之差，垂直于平面、长度最短。最小二乘做的，就是找这个影子。

进阶 3为什么「最近」一定意味着「垂直」

正午把光从头顶打下来，你的影子落在脚边，你和影子的连线垂直于地面——这不是巧合，而是「最近」的必然结果。几何事实是：点到平面的最短距离，就是那条垂线段。任何别的拟合点 h′，它到 h 的连线都是一个直角三角形的斜边（一条直角边是垂线 e，另一条躺在平面里），而斜边永远比直角边长。所以「残差最短」⇔「残差垂直于平面」——这就是 Least Squares（最小二乘）里那个「Least」的几何含义。

侧视图：垂线（金）比任何斜线（红）都短。所以最佳影子 ĥ 一定落在 h 正下方、残差垂直于平面。

进阶 4把「垂直」解出来，斜率就是 Cov / Var

「残差垂直于平面」翻成式子，就是 e 同时垂直于 ℓ 和垂直于 1（与它们的内积都为 0）。其中「垂直于 1」恰好等价于残差的平均值为 0；利用这一条，可以先把 h、ℓ 各自减去自己的均值（中心化）得到 $\tilde h,\tilde\ell$，把碍事的截距 a 一笔消掉。剩下「$e\perp\tilde\ell$」这一个条件解出来，就是那条课本公式：

$$\beta=\frac{\langle\tilde h,\tilde\ell\rangle}{\langle\tilde\ell,\tilde\ell\rangle}=\frac{\operatorname{Cov}(H,L)}{\operatorname{Var}(L)}$$

它一点都不神秘：分子 $\langle\tilde h,\tilde\ell\rangle=\sum_i\tilde H_i\tilde L_i$ 正是协方差（最高价与最低价「一起波动」的程度），分母 $\langle\tilde\ell,\tilde\ell\rangle=\sum_i\tilde L_i^2$ 正是方差（最低价自己波动的程度）。所以「协方差 ÷ 方差」这句口诀，背后就是上面那张投影图的代数答案——β 衡量的是：最低价每动一个单位，最高价平均跟动几个单位。

进阶 5R² 就是两支箭头夹角的「余弦平方」

同一张图还能直接读出拟合优度 R²。中心化后的 $\tilde h$ 和 $\tilde\ell$ 是两支从原点出发的箭头，它们之间有一个夹角 θ。把 $\tilde h$ 投影到 $\tilde\ell$ 方向上，投影长度占 $\tilde h$ 全长的比例，正好是 cos θ。再平方，就是大名鼎鼎的：

$$R^2=\cos^2\theta=\frac{\langle\tilde h,\tilde\ell\rangle^2}{\lVert\tilde h\rVert^2\,\lVert\tilde\ell\rVert^2}$$

cos θ = 影子长度 ÷ 箭头全长。θ 越小，两支箭头越同向，cos θ 越接近 1。

θ 很小（几乎同向）：cos θ → 1，R² → 1。最低价一动，最高价几乎同步跟动，「支撑—阻力」关系紧、这条 β 可信。
θ ≈ 90°（几乎正交）：cos θ → 0，R² → 0。最高价对最低价基本没有线性响应，这条 β 是噪声拼出来的、不可信。

这下就懂了第三步为什么要乘 R²：R² 是这条「支撑—阻力」关系方向有多一致的可信度分；用它给 β 打折，等于让「看不清的窗口」自动少说话。

想把「投影即拟合」这套直觉吃到骨子里，强烈推荐周志成的《線代啟示錄》——〈从线性变换解释最小平方近似〉与〈正交投影：威力强大的线代工具〉两篇，把上面每一步的几何来龙去脉讲得极透。ccjou.wordpress.com ↗

随堂自测 · 点选项即判分

[[ 'Q'+(qi+1)+'. '+qz.q ]]

[[ picked('lsq',qi)===qz.a?'✓ 答对了。':'✗ 再想想。' ]] [[ qz.why ]]

第二步 · 标准分（滚动 z 标准化）

用过去 $M=600$ 天的 β 均值与标准差，把当前 β 转成 z 分数，消除量纲与漂移：

$$z_t=\frac{\beta_t-\mu_{t}(\beta,M)}{\sigma_{t}(\beta,M)},\qquad M=600$$

直觉 1β 的「零刻度」会偷偷移动，没法直接画线

想象你用一把尺子量身高，但这把尺子的零刻度每年都悄悄往上挪一点。那「175」今年和十年前就不是一回事了。原始 β 正有这个毛病：它带着价格的量纲，而且「常态水平」会随行情中枢慢慢漂移。如果直接拿一个固定的 0.7 当买卖线，就等于用一把会移动的尺子去量东西——同一个 β=1.2，在这个年代可能很高、在那个年代却很平常。

同一段 β，标准化前基线一路漂移（上），标准化后被「钉」回 0 附近、幅度也归一（下）——这才敢用一条固定的 ±0.7 去切。

直觉 2两步校准尺子：减均值、除标准差

公式 z=(β − μ)/σ 看着抽象，其实就是两个动作：

减去最近 600 天的均值 μ：把「当前的常态」对齐到 0，漂移被自动抵消（μ 自己也在逐日滚动更新，永远代表「最近一年多的常态」）。
除以最近 600 天的标准差 σ：把波动幅度换算成「几个标准差」。从此不同年代、不同波动环境，全部换成同一把无量纲的尺子。

于是 z 有了一个非常好读的含义：「现在的 β，比最近 600 天的常态高（或低）了几个标准差」。z=+2 就是「比常态高 2 个标准差，相当罕见的强」；z=0 就是「正处在常态当中」。

把 β 摊在「标准差」这把尺子上：中间是常态，越往两侧越罕见。±0.7 就是落在两侧、值得动作的偏离。

直觉 3为什么偏偏是 0.7

在标准化后的刻度上，0.7 大约就是「比常态偏离 0.7 个标准差」。它不大不小，是一个工程折中：阈值太小（比如 0.2），信号会频繁触发、被日常噪声反复打脸；太大（比如 2），信号又太稀、白白错过大段行情。0.7 是原研报在历史数据上权衡「灵敏 vs 稳健」挑的折中点。

但请记住：0.7 是一个可以被质疑、被回测检验的选择，不是天降神谕。到了第 7、8 节，我们就会把阈值和窗口长度铺成一张网格，亲眼看看这个选择到底有多稳、换个数会怎样——这正是《信号与噪声》教我们的态度：对每一个参数都保持怀疑，让数据说话。

把阈值从小往大调：太小被噪声打脸、太大错过行情，「代价」曲线呈 U 形。0.7 落在谷底附近——一个被历史数据选出、且应当被回测检验的折中，不是魔法数字。

随堂自测 · 点选项即判分

[[ 'Q'+(qi+1)+'. '+qz.q ]]

[[ picked('zsc',qi)===qz.a?'✓ 答对了。':'✗ 再想想。' ]] [[ qz.why ]]

这就是 RSRS 标准分。它在 0 附近波动，大于 +0.7 视为强多、小于 −0.7 视为强空——阈值 0.7 是原研报的设定。

第三步 · 修正标准分（用 R² 加权）

低 R² 的窗口意味着「支撑—阻力」关系松散、这个 β 不可信。乘上 R² 给低质量信号自动降权：

$$z^{\mathrm{rev}}_t = z_t \cdot R^2_t$$

第四步 · 右偏标准分（再乘 β）

再乘原始 β，让指标在趋势方向上更「敢于」表态（右偏）：

$$z^{\mathrm{right}}_t = z^{\mathrm{rev}}_t \cdot \beta_t$$

直觉 1退一步：从脏信号里把「异常」滤出来

把镜头拉远，前面四步连起来其实就是工程师天天在做的事：从一段又脏又吵的信号里，把真正有用的那一点点「异常」提炼出来。原始价格是混着趋势、噪声、隔夜跳空的脏信号；β 像一个特征提取器，把每 18 天的形态压成一个标量；后面几步则一站一站地把它「洗干净、调好刻度、按可信度加权、最后设闸」。

同一段价格，依次经过「特征提取 → 去直流白化 → 信噪比加权 → 门限检测」四级处理，最后落成一个干脆的多/空仓位。

直觉 2逐站对照：每一步对应一个经典器件

z 标准化＝去直流（高通）+ 白化：减掉缓慢漂移的均值 μ，相当于一道高通滤波，滤去随行情中枢的慢漂移、只留真正有信息的偏离；除以 σ 是一维白化（whitening），让不同年代、不同波动环境的幅度可比——这才敢用一条固定 ±0.7 去切。
×R²＝信噪比加权：R²=cos²θ 衡量这次回归有多干净，乘上它就是按信噪比加权，可信的偏离被放大、噪声被抑制。
×β＝方向增益：在趋势方向上放大响应，让指标更「敢表态」（右偏）。
±0.7＝带迟滞的门限检测器：在白化后的信号上设一道闸，穿过才动作、闸内保持，避免在阈值附近来回抖动打脸。

直觉 3这正是《信号与噪声》的方法论

一句话——RSRS 做的，正是「用一个科学的、数理统计的方法，来捕捉市场的某种『异常』，然后转化成 alpha」。这也是本页（与一切量化策略）贯穿始终的方法论：先有可证伪的假设，再用数据审判它。Nate Silver 在《信号与噪声》里反复强调的，正是把信号从噪声里分离出来，并对每一个判断保持谦逊与怀疑。

标准化／白化、内积与夹角这些信号与线代的共同语言，《線代啟示錄》（周志成）有极清楚的几何讲法；配合 Nate Silver《信号与噪声》一起读，能同时长出「数学的手」与「怀疑的脑」。ccjou.wordpress.com ↗

随堂自测 · 点选项即判分

[[ 'Q'+(qi+1)+'. '+qz.q ]]

[[ picked('sig',qi)===qz.a?'✓ 答对了。':'✗ 再想想。' ]] [[ qz.why ]]

下图把三条信号叠在一起。注意它们的形状差异：标准分最「跳」，修正分在震荡市被 R² 压扁，右偏分在大趋势里被放大。哪一个更好？——先别急着回答，这正是第 7 节要用数据审判的问题。

交互 · 02 RSRS 信号阶梯

切换查看三种信号，虚线是 ±0.7 阈值。

区间可在图上框选缩放

读图：信号穿越 +0.7（绿虚线）触发满仓、跌破 −0.7（红虚线）触发空仓；位于阈值之间则维持现状（迟滞，减少来回打脸）。纵轴固定在 ±4：极端行情下信号偶尔会冲到 ±5～6（如 2019 年 7 月一度达 −6.2），这类离群点会被裁到边缘，以免日常区间被压扁看不清。

3QuantBuddy 公式引擎：把数学写成会自己重算的代码

上面的公式若用 Python+pandas 手写，要操心数据对齐、滚动窗口、缺失值、复权、回测状态机……几百行，且每次数据更新都得重跑。QuantBuddy 的思路不同：你声明式地写公式，引擎负责取数、对齐、滚动与重算。整套 RSRS 策略就是下面这二十几行——没有循环、没有 for，每一行是一个具名序列。

# —— 原始量：沪深300 的日内高/低/收 ——
HI = 最高价(沪深300)
LO = 最低价(沪深300)
PRICE = 收盘价(沪深300)
# —— 斜率 β、拟合优度 R² ——
BETA  = 回归系数("HI","LO",18)
R2    = 次方(相关系数("HI","LO",18),2)
# —— 标准分 → 修正 → 右偏 ——
RSRS_STD     = z分数("BETA",600)
RSRS_REVISED = "RSRS_STD" * "R2"
RSRS_RIGHT   = "RSRS_REVISED" * "BETA"
# —— 择时：>0.7 满仓 / <-0.7 空仓，进出场区间是个持仓状态机 ——
POS      = 进出场区间(("RSRS_STD" > 0.7), ("RSRS_STD" < -0.7))
DAILY_RET= 缺失填零(涨跌幅("PRICE",1))
STRAT_NAV= 累乘(1 + 昨天("POS") * "DAILY_RET")   # 昨天持仓×今日收益→净值
BENCH_NAV= 累乘(1 + "DAILY_RET")
# —— 优化版：叠加 250 日趋势确认（见 §8）——
MA250   = 平均("BENCH_NAV",250)
POS_OPT = "POS" * ("BENCH_NAV" > "MA250")
OPT_NAV = 累乘(1 + 昨天("POS_OPT") * "DAILY_RET")

关键函数各司其职：回归系数 / 相关系数是滚动 OLS 与相关，z分数是滚动标准化，进出场区间是「入场置 1、出场置 0、其余保持」的持仓状态机，累乘把日收益复利成净值，昨天实现 T+1 防未来函数。

声明式 = 可信注册成「公式包」后，得到一对 package_id + signature 凭证；本页就是凭它在你眼前实时取数。底层行情每更新一天，引擎自动增量重算，无需改一行代码——这让「复现」不再是一次性的截图，而是一个始终鲜活、可被任何人重新核验的对象。

4从信号到策略：一条信号怎样变成净值

先把两件最容易含糊的事说死：交易什么、怎么交易。

标的＝沪深300 指数本身。复现时直接采用指数的日收益；现实里它对应「买一只跟踪沪深300 的 ETF / 指数基金」。本策略只做择时、不选股——买卖的永远是这一篮子，信号也只来自指数自己的日内最高价 / 最低价。
方向只有「持有」或「空仓」两种（不做空、不加杠杆）。所谓持仓，就是「这一篮子，今天拿着还是不拿」。

先说总账：策略收益 = 「持仓」与「收益」的内积

回测看似是一台复杂机器，可它的总账能用第 2 节那把尺子——内积——一句话写完。把每个交易日的指数涨跌幅 $r_t$ 排成一支收益向量 $\mathbf r$，把每天的仓位（昨天定下、今天生效）排成一支只含 0／1 的持仓向量 $\mathbf w$，那么整条策略的累计（对数）收益，就是这两支向量的内积：

$$\mathbf r=(r_1,\dots,r_T),\quad w_t=\mathrm{POS}_{t-1}\in\{0,1\};\qquad \ln\mathrm{NAV}_T=\sum_{t}\ln(1+w_t r_t)\;\approx\;\langle\,\mathbf w,\,\mathbf r\,\rangle=\sum_{t} w_t\,r_t$$

因为 $\mathbf w$ 每个分量非 0 即 1，这里的内积退化成最朴素的一件事——挑日子求和：$\mathbf w$ 像一张 0／1 掩码，把收益向量里持有的那些天留下相加，空仓日乘 0、自动丢弃。买入持有则是掩码全 1、一天不落。两者一减，「择时」就被单独逼了出来：

$$R_{\text{买入持有}}=\langle\,\mathbf 1,\,\mathbf r\,\rangle=\sum_t r_t,\qquad \underbrace{\langle\mathbf w,\mathbf r\rangle-\langle\mathbf 1,\mathbf r\rangle}_{\text{择时超额}}=-\,\langle\,\mathbf 1-\mathbf w,\,\mathbf r\,\rangle=-\!\!\!\sum_{t:\,w_t=0}\!\!\! r_t$$

这条等式把择时的全部价值压成一句话：超额 = 减去「空仓那些天的收益之和」。所以一个择时策略能不能赚钱，只取决于一件事——它躲开的日子，整体是不是在跌：躲对下跌日，超额为正；误躲上涨日，超额为负。下面这张小图，就是这支内积的「逐项明细」。

深色条（$w=1$）当天收益被留下计入策略；浅色条（$w=0$）被乘 0、丢弃。内积 $\langle\mathbf w,\mathbf r\rangle$ 就是这些深色条的代数和。本例特意空仓了三根最深的红条（下跌日），于是「被丢弃项之和」为负，按上面的等式，超额便为正——这正是 RSRS 在真实历史里赚到钱的全部秘密：躲对了大跌。

再拆机械步骤：每天其实只重复四步

「总账」是一支内积；落到每天的算法，不过是同一件事的四个小步骤：

RSRS 标准分 → 持仓指令

每天看连续信号：穿上 +0.7 满仓（w=1）、跌破 −0.7 空仓（w=0）、落在 ±0.7 之间维持昨天（迟滞，不来回折腾）。代码即进出场区间(…)，把连续信号翻译成一串 0／1 掩码 $\mathbf w$。

用「昨天」的仓位（T+1 防未来）

今天能动用的，是昨天收盘才算得出的仓位 $w_t=\mathrm{POS}_{t-1}$。信号要等收盘才成形，不能拿今天的信号去赚今天的钱——这正是昨天("POS") 的职责。

当日盈亏 = 仓位 × 当日涨跌

单日贡献 $w_t\,r_t$：持有日如实承接指数涨跌，空仓日乘 0、贡献为零，自动躲过当天行情。把这些日贡献沿时间加总，正是上面那支内积 $\langle\mathbf w,\mathbf r\rangle$。

复利累乘 → 净值曲线

把每天 $(1+w_t r_t)$ 连乘（即累乘(1 + 昨天(POS)·收益)）长成净值曲线；对照组「买入持有」永远满仓（掩码全 1），用来量出择时究竟有没有加分（见 §5）。

下图三条线：原版 RSRS优化版买入持有。底部阴影标出策略实际持仓的时段——空白处即空仓避险。

交互 · 03 策略净值（默认线性轴；切「对数轴」更宜看长期复利）

读图：默认线性轴直观看绝对增长；切到对数轴时，等斜率=等复合增速。原版与优化版长期增速高于买入持有，且在 2008、2015 两次熊市里走平（空仓）而非俯冲。

把上面的内积摊开看，更清楚：下图把每天的指数对数收益 $\ln(1+r_t)$ 按当天是否持仓，分别累加成两条线——持有日累计（计入策略的项，即 $\langle\mathbf w,\mathbf r\rangle$，因仓位无杠杆，它恰等于 $\ln$ 策略净值）与空仓日累计（被掩码丢弃的项，即 $\langle\mathbf 1-\mathbf w,\mathbf r\rangle$）。二者之和恰是买入持有；而 超额 = −（空仓日累计）——空仓日那条线压得越深，说明躲开的越是下跌，超额越厚。

交互 · 04 内积分解：超额究竟来自哪些天（累计对数收益）

读图：持有日累计一路上行，终值 = $\ln$ 策略净值，是策略真正吃到的部分；空仓日累计长期向下、终值约 [[fx(S.ipCash,2)]]（对数收益）——这正是被躲开的下跌，取相反数即择时超额 ≈ +[[fx(-S.ipCash,2)]]。换算成倍数：你躲过的那些日子合计把指数乘了约 [[fx(S.ipCashX,2)]]×（<1 即净在跌）。两条相加恰为买入持有；它们的差，就是 §5 要单独放大的 alpha。

体检：那些「净值突变」是 bug 还是真事？

肉眼扫净值曲线，会看到一些天净值陡跳（比如 2024 年 9~10 月那一段）。量化里这往往是数据脏点的警报，必须查。我把开关打开、逐日核对了日间净值变动：全样本单日波动 ≥6% 的共 20 天（图中已用绿/红圆点标出，悬停可看日期与幅度），每一天都能对应一段真实历史——股灾、涨停式反弹、政策驱动的暴涨暴跌——没有一个是脏数据。下表是其中最具代表性的几天：

日期	当日指数涨跌	策略当时持仓？	真实事件
2005-06-08	+8.2%	满仓	股改启动＋「千点」政策底，报复性反弹
2007-02-27	−9.2%	满仓	「2·27」全球股灾，沪深300 单日重挫
2008-09-19	+9.3%	满仓	印花税单边征收＋汇金增持，全线涨停式反弹
2015-01-19	−7.7%	满仓	券商两融检查，蓝筹集体跳水
2024-09-30	+8.5%	满仓	「9·24」一揽子货币＋稳增长政策，节前最后一日暴涨
2024-10-09	−7.0%	满仓	节后预期落差（发布会不及预期），高位回吐

其余十余天集中在 2008 金融海啸前后那串「涨跌停式」交易日。结论：它们不是脏数据，而是一段段真实历史。指数那几天本身就是这个幅度，策略恰好持仓，于是如实承接（含 2024 年 9 月的政策驱动暴涨——RSRS 当时早已满仓，完整吃到）。这条曲线通过了体检：它没有偷偷平滑掉风险，也没有虚构收益。能区分「真实的极端」与「错误的极端」，是回测可信度的底线。

方法论提醒若曾看到「滚动夏普是一条水平直线」之类的图，那才是真 bug——某些库的夏普函数会返回全样本单值再广播到每一天。本页的滚动夏普（见 §6）是在浏览器内按真窗口逐日重算的，会随市况起伏。先怀疑工具，再怀疑市场。

5超额收益：把择时单独拎出来看

净值好看，可能只是因为指数本身涨了。要看择时本身有没有创造价值，得看相对净值（策略净值 ÷ 基准净值）：曲线向上，就是这段时间跑赢了基准；走平或向下，则是在白费力气甚至拖后腿。

交互 · 05 相对基准的超额净值（>1 即跑赢）

读图：超额几乎全部来自 2008 与 2015 两次空仓避险——台阶式跃升。其余漫长岁月里超额曲线接近走平：这个策略的本事是「躲大跌」，不是「天天比指数聪明」。认清 alpha 的来源，比知道它有多大更重要。

6风险：回撤与滚动夏普

真正稳健的择时，价值往往不在更高的收益，而在更浅的回撤。下图是水下回撤曲线（离前高的距离）。买入持有在 2008 一度回撤逾 −70%；两个策略把最深伤口收窄到约 −50%／−30%。

图 · 06 水下回撤曲线

读图：越接近 0 越好。优化版（绿）几乎从不深潜，代价是牛市偶尔踏空——风险与收益的老实交换。

再看滚动一年夏普比率（过去 244 个交易日的风险调整后收益，逐日重算并年化）。这条线会随市况上下起伏——若它是一条水平直线，那一定是算错了。

图 · 07 滚动 1 年夏普比率（已修正为真·滚动窗口）

读图：三条线都在 −2 至 +3.5 间起伏，牛市高、熊市负。全样本夏普：原版≈[[fx(S.sh1,2)]]、优化版≈[[fx(S.sh2,2)]]、买入持有≈[[fx(S.shb,2)]]。

7信号，还是噪声？——一次过拟合审判

「最危险的不是我们不知道的事，而是我们自以为知道、其实并不成立的事。」— Nate Silver，《信号与噪声》（释义）

Silver 反复强调：一个模型在历史上拟合得越完美，越要警惕它只是记住了噪声。回测里最常见的自欺，是把参数（窗口 M、阈值 S、信号变体）调到历史最优，然后惊叹于那条完美的净值。

所以我做了两件事来拷问 RSRS。其一，把参数铺成一张网格全部跑一遍，看好成绩是一整片高原还是一根孤立的尖峰。下面这张三维曲面，是「标准分」策略在不同 M（标准化窗口）× S（阈值）下的全样本夏普——你可以旋转它。

交互 · 08 参数稳健性曲面：夏普 = f(窗口 M, 阈值 S)

3D：拖动旋转 · 滚轮缩放 ⚠ 当前浏览器未启用 WebGL，已自动用 2D 热图（数据完全相同，仅少了立体视角）

读图：曲面平缓、连成一片高原——在很宽的参数范围内夏普都稳定在 0.5–0.7，没有「只有某一组参数才灵」的孤峰。这是稳健的标志：说明 β 标准化择时是个真实存在的弱信号，而非拟合出来的幻象。

其二，更严格的检验——样本外。把历史切成两半：用 2005–2015 当「样本内」（你能看到的过去），2016 至今 当「样本外」（假装的未来）。如果一组参数只是过拟合，它的样本内夏普会很漂亮、样本外却会坍塌。下图每个点是一组参数：横轴样本内夏普、纵轴样本外夏普。

交互 · 09 样本内 vs 样本外：过拟合无所遁形

读图：点若落在对角线附近，说明样本内外一致、可信；越靠右下，越是「样本内华丽、样本外打回原形」的过拟合陷阱。全网格样本外夏普普遍从约 0.8 回落到 0.2–0.4——这才是这个信号在「未来」里的真实成色。买入持有的样本外夏普仅 [[robust.bench.test_sharpe]]。

诚实的结论：开头那串「八九倍 vs 五倍」大部分是样本内的运气（恰好躲过 2008、2015）。样本外，RSRS 仍能跑赢买入持有、并显著降低回撤，但 alpha 是温和而非惊艳的。承认这一点，正是把研究和营销区分开的地方。

8稳健地优化：一个先验的、而非挖来的改进

既然要优化，就得避免掉进第 7 节的陷阱。规矩有三：(1) 不动 RSRS 本身的参数（M=600、阈值 0.7 照旧）；(2) 新增的部件必须有独立的经济学逻辑，而不是为了好看挑出来的；(3) 参数取行业公认的先验值，绝不在网格里挑极值。

改进只有一处：趋势确认。RSRS 擅长抓拐点，但在结构性熊市里它也会频繁给出「抄底」信号——结果接到下落的飞刀。于是加一道闸：只有当 RSRS 看多、且指数本身站上其 250 日（约一年）均线时，才允许持仓。两个相互独立的确认同时点头，才下注。250 日是「一年趋势」的标准取值，不是调出来的。

POS_OPT = "POS"  ×  ( 指数净值 > 平均(指数净值, 250) )   # RSRS看多 且 站上年线

效果（全样本，实时计算）：夏普 [[fx(S.sh1,2)]] → [[fx(S.sh2,2)]]，最大回撤 [[fx(S.dd1,1)]]% → [[fx(S.dd2,1)]]%，净值 [[fx(S.nav1,2)]]× → [[fx(S.nav2,2)]]×，而持仓时间反而从 [[fx(S.hold1,0)]]% 降到 [[fx(S.hold2,0)]]%——用更少的暴露拿到更稳的收益。下面这张「参数阶梯」是关键的反过拟合证据（同样在浏览器内实算）：

图 · 10 趋势确认：均线窗口的稳健性阶梯

读图：横轴是均线窗口（120/200/250 日），柱为样本内夏普、点为样本外夏普。越短的窗口越容易样本内偏高、样本外回落（过拟合气味）；MA250 在样本内外都站得住——所以选 250，是因为它落在稳健的一侧，而非因为它某个指标最高。

这才叫「不偏离原方法的优化」没有动 RSRS 的任何核心参数，只叠加了一个有独立逻辑、用公认窗口的趋势闸。它带来的主要是风险的下降（而非收益的暴涨），且样本外不退化——这是稳健改进的指纹。任何「样本内收益翻倍、样本外查无此事」的优化，都该被扔掉。

把方法装进口袋

RSRS 这趟流水线，浓缩了量化研究的全部要义：

异象要有故事——支撑/阻力强弱，先有经济学直觉，再有统计量；
把直觉写成可复算的数学，交给会自动重算的引擎，让结论始终鲜活、可被他人核验；
用样本外和参数高原拷问自己，把运气和信号分开；
优化要先验、要有逻辑、要看样本外——稳健的改进通常体现为风险下降，而非收益神话。

最终我们得到的不是一台印钞机，而是一个诚实的弱信号：它真实存在、能降低回撤、样本外仍站得住。在充满噪声的市场里，能稳稳抓住一丝真信号，已经是 alpha 的全部含义。

[[liveCard.title]]

在噪声中寻找信号

1异象：把「支撑与阻力」翻译成一个数字

2数学：从斜率到一个可下注的信号

第一步 · 斜率 β（OLS）

直觉 1β 就是那条「回归直线」的斜率

直觉 2斜率公式 = 「一起动的劲头 ÷ 自己晃的幅度」

直觉 3R² 就是「点贴不贴这条线」

进阶 1先把一串数字「打包成一个向量」

进阶 2拟合 = 在「够得到的平面」里找最近的影子

进阶 3为什么「最近」一定意味着「垂直」

进阶 4把「垂直」解出来，斜率就是 Cov / Var

进阶 5R² 就是两支箭头夹角的「余弦平方」

第二步 · 标准分（滚动 z 标准化）

直觉 1β 的「零刻度」会偷偷移动，没法直接画线

直觉 2两步校准尺子：减均值、除标准差

直觉 3为什么偏偏是 0.7

第三步 · 修正标准分（用 R² 加权）

第四步 · 右偏标准分（再乘 β）

直觉 1退一步：从脏信号里把「异常」滤出来

直觉 2逐站对照：每一步对应一个经典器件

直觉 3这正是《信号与噪声》的方法论

3QuantBuddy 公式引擎：把数学写成会自己重算的代码

4从信号到策略：一条信号怎样变成净值

先说总账：策略收益 = 「持仓」与「收益」的内积

再拆机械步骤：每天其实只重复四步

体检：那些「净值突变」是 bug 还是真事？

5超额收益：把择时单独拎出来看

6风险：回撤与滚动夏普

7信号，还是噪声？——一次过拟合审判

8稳健地优化：一个先验的、而非挖来的改进

把方法装进口袋

信号中性，趋势闸门维持空仓