关于trend_score和ROC的计算问题

[xialei]

trend_score
根据该描述是如果要计算20日 trend_score 是不是就是20天的斜率值*拟合度R2的计算结果
我使用from sklearn.linear_model import LinearRegression直接计算R2
ROC是根据公式进行计算的：
ROC = (当前收盘价 - N周期前收盘价) / N周期前收盘价 * 100
最后回测出来的结果和平台展示的收益信息有一些不同，我最多只能跑到40多倍的收益，平台上显示是接近60倍的收益

而且最后买入的持仓也和平台上的显示不一致，这块有哪位大神能帮忙解答下？
平台显示策略：

我自己回测最后买的是沪深300和平台上买入创业版ETF不太一致：

收益回测出来大概是49倍左右：

[moyulao]

你可以再看看排序值，他这里有一个规则应该是默认的，买入一个标的后，如果这个标的某天的排序值不是第一时，会卖出这个标的，然后再买入当天排序值最高的标的，6月24号买入纳指，25号卖出纳指、买入创业板这里是最明显的

[xialei]

嗯嗯，我估计是这个trend_score计算还有些区别，我再研究下。

[xialei]

此主題已被删除！

[jyliceberg]

这个因子有计算解释么？

[18677570624]

我感觉是python包计算差异, 算法差异

[xuanyuan1hao]

from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

def calculate_R2_with_slope(close_values,K):
n = len(close_values)
if n < K:
return np.nan
# 获取最新的close_values数据
close_values = close_values[-K:]
n = len(close_values)
# 取close_values窗口滑动向前的20天数据
x = np.arange(n).reshape(-1, 1)
model = LinearRegression()
model.fit(x, close_values)
# 获取斜率（回归系数）
slope = model.coef_[0]
#print(f"斜率（回归系数）: {slope}")
X_test = np.array(x)
y_test= np.array(close_values)
# 获取拟合度（R-squared值）
y_pred = model.predict(X_test)
r2 = r2_score(y_test, y_pred)
return r2*slope

@calc_by_symbol
def trend_score(se: pd.Series,d):
# 这里使用滑动窗口获取 斜率*拟合度
return se.rolling(window=d).apply(lambda x: calculate_R2_with_slope(x.values, d))

我这里的计算方式是这样的，也回测不出来公开策略的60%多倍收益，只测试出来37倍收益

[xuanyuan1hao]

我这里修改了一下，拟合直线的斜率改成了暴力两点 斜率

获取斜率（回归系数）

slope = model.coef_[0]

暴力首尾两点斜率
slope=(close_values[n-1]-close_values[0])/close_values[0]

这样计算出来总收益为50.57812057000028

[douzi]

下面这个是星主的源码：
@staticmethod
def trend_score(series: pd.Series, period=25):
def _trend_score(close, period=25):
"""
向量化计算趋势评分：年化收益率 × R平方
:param close: 收盘价序列（np.array或pd.Series）
:param period: 计算窗口长度，默认25天
:return: 趋势评分数组，长度与输入相同，前period-1位为NaN
"""
if len(close) < period:
return np.full_like(close, np.nan)

    y = np.log(close)
    windows = np.lib.stride_tricks.sliding_window_view(y, window_shape=period)
    x = np.arange(period)

    # 预计算固定值
    n = period
    sum_x = x.sum()
    sum_x2 = (x ** 2).sum()
    denominator = n * sum_x2 - sum_x ** 2

    # 滑动窗口统计量
    sum_y = windows.sum(axis=1)
    sum_xy = (windows * x).sum(axis=1)

    # 回归系数
    slope = (n * sum_xy - sum_x * sum_y) / denominator
    intercept = (sum_y - slope * sum_x) / n

    # 年化收益率
    annualized_returns = np.exp(slope * 250) - 1

    # R平方计算
    y_pred = slope[:, None] * x + intercept[:, None]
    residuals = windows - y_pred
    ss_res = np.sum(residuals ** 2, axis=1)

    sum_y2 = np.sum(windows ** 2, axis=1)
    ss_tot = sum_y2 - (sum_y ** 2) / n
    r_squared = 1 - (ss_res / ss_tot)
    r_squared = np.nan_to_num(r_squared, nan=0.0)  # 处理零方差情况

    # 综合评分
    score = annualized_returns * r_squared

    # 对齐原始序列长度
    full_score = np.full_like(y, np.nan)
    full_score = pd.Series(index=close.index)
    full_score[period - 1:] = score
    return full_score

return series.groupby(level='symbol', group_keys=False).apply(_trend_score)