RSRS（Resistance Support Relative Strength），又名阻力支撑相对强度是另一种阻力位与支撑位的运用方式，它不再把阻力位与支撑位当做一个定值，而是看做一个变量，反应了交易者对目前市场状态顶底的一种预期判断。光大证券曾2017年5月1日出过一篇研报《基于阻力支撑相对强度(RSRS)的市场择时》，目前很多的研究也基于该研报展开。

1，RSRS指标的计算方法

RSRS指标，其实就是最高价~最低价的斜率，其计算主要通过回归的方法获得。和其他常见的技术指标一样，也是需要一定的时间序列数据，一般我们目前取18，即18天的最高价、最低价。

取前N日最高价与最低价序列。（N = 18）
将两个序列进行OLS线性回归。
将拟合后的β值作为当日RSRS斜率指标值。

具体代码如下（该代码运行在JoinQuant平台上），通过下述代码，我们可以获得RSRS指标的时间序列。

import statsmodels.api as sm
from pandas.stats.api import ols

prices = get_price('000300.XSHG', '2020-06-01', '2020-07-20', '1d', ['high', 'low'])
highs = prices.high
lows = prices.low
ans = []
N=18

for i in range(len(highs))[N:]:
data_high = highs.iloc[i-N+1:i+1]
data_low = lows.iloc[i-N+1:i+1]
X = sm.add_constant(data_low)
model = sm.OLS(data_high,X)
results = model.fit()
beta = model.fit().params[1]
ans.append(beta)
#计算r2
r2=model.fit().rsquared
ans_rightdev.append(r2)

这里要注意的是for循环那段代码的写法：

要从N（N=18）开始循环，然后往后减。下面的代码写法貌似是一样的，其实执行会报错，因为在执行到最后一段数据的时候，i+N取不到数据了。

for i in range(len(highs)):
data_high = highs.iloc[i+1:i+N+1]
data_low = lows.iloc[i+1:i+N+1]
X = sm.add_constant(data_low)
model = sm.OLS(data_high,X)
results = model.fit()
beta = model.fit().params[1]
ans.append(beta)
#计算r2
r2=model.fit().rsquared
ans_rightdev.append(r2)

另外，要注意iloc是有头无尾的，所以需要+1，即i+1，这样执行到最后才能把最近的哪一台包括进去（虽然这样写会导致第1天没有包括，但由于数据较早，所以影响不大）。

2，RSRS指标的标准化处理

由于市场处于不同时期时，斜率的均值有比较大的波动。因此，直接采用斜率均值作为择时指标并不太合适。在斜率基础上进行标准化，取标准分作为指标值。RSRS斜率标准分指标计算方法如下：

取前M日的RSRS斜率时间序列。（M = 600）
计算当日RSRS斜率的标准分RSRSstd

d2b5ca33bd970f64a6301fa75ae2eb22

# 计算标准化的RSRS指标

计算均值序列

section = g.ans[-g.M:]

计算均值序列

mu = np.mean(section)

计算标准化RSRS指标序列

sigma = np.std(section)
zscore = (section[-1]-mu)/sigma

3，RSRS指标的右偏标准分

在说右偏标准分之前，必须要先说一下偏态分布。偏态分布是与“正态分布”相对，分布曲线左右不对称的数据次数分布，是连续随机变量概率分布的一种。可以通过峰度和偏度的计算，衡量偏态的程度。可分为左偏（又称负偏）和右偏（又称正偏）。偏度是描述分布“偏离对称性程度”的特征数，注意是“偏离”而不是“偏向”，也就是说这里的偏是“离开”的意思，所以左偏是指离开了左边，右偏是离开了右边。前者曲线左侧偏长，右侧偏短；后者曲线右侧偏长，左侧偏短。

194fb23b180d2242bad6df7593c4fbab