来源：中金公司量化择时系列（1）《金融工程视角下的技术择时艺术》（2021.01.21）
核心思想
将阻力位与支撑位视为随机变量，通过比较两者的强度（方差的倒数） 来判定市场方向：
- 支撑强度 > 阻力强度 → 市场倾向于上涨（牛市发展）
- 阻力强度 > 支撑强度 → 市场倾向于下跌（熊市发展）
此择时逻辑不依赖市场行情假设（牛/熊/震荡均适用），适合量化实现。
QRS 指标构造（原始版）
- 取最近 N 日的最高价（high）与最低价（low）序列做线性回归：
high(t) = α + β × low(t) + ε- β：衡量支撑与阻力的相对强度
- 用最近 M 日的 β 值做正态标准化 →
zscore(β)（信号项） - 用回归的 R² 作为惩罚项，过滤噪音
- 原始指标值 =
zscore(β) × R²
指标拆解与改进
利用线性回归的解析解拆解指标：
β = std(high) / std(low) × corr(high, low)R² = corr(high, low)²
原始指标可写为：zscore( std(high)/std(low) × corr(high, low) ) × corr(high, low)²
改进点
① 惩罚项量级归一化：指标值 = 信号项 × (惩罚项 / 惩罚项滚动均值)
- 因 corr(high,low)<1，高次方会过度降低惩罚量级
- 归一化后不同幂数下的指标量级保持一致
- 最终维持 R² 次方（2次方）
② 信号项保留 corr(high,low)
- 去除后择时能力下降（年化 16.1% → 12.6%）
- corr(high,low) 在 N=17~22 时效果最佳
改进后 QRS 指标
- 最近 N 日 high 与 low 做线性回归 → β 与 R²
- 最近 M 日 β 值计算 zscore
- 最近 M 日 R² 值计算均值
- 指标值 = zscore(β) × R² / mean(R²)
择时策略
- 指标值向上穿过阈值 +S → 买入持有
- 向下穿过阈值 -S → 卖出平仓
- 最优参数：N=18, M=600, S=0.7
回测表现（沪深300，2007-2020）
| 指标 | QRS改进后 | 沪深300 |
|---|---|---|
| 年化收益 | 16.1% | 0.7% |
| 夏普比率 | 0.96 | 0.16 |
| 最大回撤 | 46.2% | 72.3% |
| 开仓胜率 | 61.1% | - |
| 平均盈亏比 | 3.2 | - |
过拟合检验：动态参数模型
为避免通过净值优化导致的路径依赖，中金提出绕开净值计算的动态参数模型：
- 指标预测能力评价：构造”区间未来收益率”函数 f(s,r)，计算指标值与未来10日收益的相关性作为”择时能力系数”
- 参数优化：遍历参数组合，选滚动窗口内择时能力系数最高的参数
- 开平仓阈值优化：构造”对折”函数，选使所有正区间预期收益>0的最小阈值（下限0.5）
- 每年滚动更新参数
结论：QRS的真实择时能力大约为年化15%、夏普1.0（略低于固定参数回测值）
多指数适用性
在沪深300上择时能力最强，上证50与上证综指也不错，中证500相对较弱。验证了底层逻辑的普适性。
技术择时指标开发的通用范式
- 寻找适合量化实现的择时逻辑 — 不依托市场行情假设
- 构造代理指标 — 找到合适的算法模型
- 拆解、剖析与改进 — 越简单越稳定
- 估计外推效果 — 用动态参数模型防过拟合
- 实际跟踪检验
关联知识
- 深度学习高频股价预测
- 相关概念：技术择时、阻力支撑、量化策略、过拟合、动态参数模型