【Elite量化策略实验室】RUMI策略 - 2

发布于VeighNa社区公众号【vnpy-community】

原文作者：用Python的交易员 | 发布时间：2023-3-30

R-Cubed指标

上篇文章展示了RUMI策略在rb99.SHFE上的初步回测绩效，跑通了策略回测下一步自然就是参数优化。
《海龟交易法则》这本书的参数优化章节中提到，传统上使用较多的总收益率（total_return）、收益回撤比（return_drawdown_ratio）、夏普比率（sharpe_ratio）等指标，由于其计算公式中过度依赖【起始】和【结束】两个点的数值，导致其用于策略绩效评估中的【稳健性略有不足】。

这里用图例来说明，下图中的紫色实线为某一策略的回测资金曲线：

绿色和红色两条虚线，分别为选取不同的起始和结束时间点后，体现出的策略整体收益情况。对于同样一条资金曲线，仅仅由于所选时间段的区别，就造成了虚线斜率（总收益率，同时影响收益回撤比和夏普比率计算中的分子）相当显著的偏差，在参数优化中也就更容易导致【过度拟合】的问题。

搞清楚了问题所在，解决方案也十分简单：就是让整条资金曲线上更多的数据点能够参与斜率的计算。经典方法之一就是统计学中的线性回归（Linear Regression），体现为上图中的这条蓝色虚线，相对更能够代表策略的长期收益情况。

围绕这一思路，《海龟交易法则》的作者柯蒂斯提出了【R-Cubed】稳健优化指标：

• 使用每日策略净值的回归斜率作为分子
• 使用5次历史极值回撤的均值作为分母
• 结合两者来计算R-Cubed指标的数值

VeighNa Elite版的CTA回测引擎中内置了R-Cubed统计指标，基于其对RUMI策略在rb99.SHFE的2010-2019时间段上进行优化后（结合使用广域遗传和分组穷举），得到的策略参数为：

• bar_window: 30
• bar_interval: "1m"
• bar_buffer: 200
• fast_window: 2
• slow_window: 55
• rumi_window: 13
• stop_percent: 0.044
• max_holding: 80
• risk_window: 20
• risk_capital: 100_000

以此在2010至2023年初的回测结果即为上一篇的封面图：

可靠性的评估

上一篇文章发布后，有同学反馈担心使用99这种进行了平滑处理的指数会导致结果失真，这里使用过去一年三个具体主力合约和99的回测结果做一个对比（策略参数均使用上一步优化结果）：

可以看到rb2205和rb2209的绩效统计指标要好于同期的rb99，而rb2301上则差于同期的rb99，但整体还是保持了较为明显的一致性。

更多品种效果

除了螺纹钢rb以外，我们也在其他一些品种上尝试了RUMI策略。这里我们使用2017年至2023年2月（6年多）的数据来作为总数据集，选择从2017年1月到2020年6月作为样本内进行参数优化，然后使用2020年7月至2023年2月作为样本外进行检验。

为了节约文章长度，以下回测图表和统计指标均为总数据集上的结果：

al99.SHFE（铝）

回测参数：

• 交易成本
• 佣金：6元/手（体现在滑点中）
• 滑点：1跳
• 策略参数
• bar_window: 25
• bar_interval: "1m"
• bar_buffer: 204
• fast_window: 2
• slow_window: 10
• rumi_window: 40
• stop_percent: 0.04
• max_holding: 100
• risk_window: 20
• risk_capital: 100_000

hc99.SHFE（热卷板）

回测参数：

• 交易成本
• 佣金：0.02%
• 滑点：1跳
• 策略参数
• bar_window: 25
• bar_interval: "1m"
• bar_buffer: 200
• fast_window: 2
• slow_window: 60
• rumi_window: 12
• stop_percent: 0.04
• max_holding: 50
• risk_window: 20
• risk_capital: 100_000

j99.DCE（焦炭）

回测参数：

• 交易成本
• 佣金：0.03%
• 滑点：1跳
• 策略参数
• bar_window: 20
• bar_interval: "1m"
• bar_buffer: 200
• fast_window: 2
• slow_window: 70
• rumi_window: 32
• stop_percent: 0.04
• max_holding: 80
• risk_window: 20
• risk_capital: 100_000

策略评估总结

至此我们围绕RUMI策略的研究告一段落。作为一套流传甚广的CTA策略，RUMI策略的核心逻辑体现出了量化研究中典型的【渐进式优化】特征：站在前人肩膀上（均线金死叉）迈出新的一步（过滤均线缠绕），从而实现更好的风险收益比。

今年接下来的时间里【Elite量化策略实验室】系列会持续更新，努力为大家带来更多量化策略深入解析。