AI量化投资实验室-社区&知识库

近期，我在 TradingView 平台上探索了“彩虹波动交易法”策略，基于现有移植的c#平台，尝试扩展新的因子并设置toml策略进行应用，针对创业板 ETF（159915）进行了优化与初步回测，分享以下经验与成果。
新因子：DEMA Adjusted ATR 和 Rainbow Adaptive RSI
因子背景与设计
• DEMA Adjusted ATR：通过双指数移动平均调整的平均真实波幅，衡量价格波动强度。绿色信号（上穿基线）用于买入，红色信号（下穿基线）用于卖出。
• Rainbow Adaptive RSI：结合多周期自适应相对强弱指数，绿色线条（中间周期）确认上升趋势，红色线条（长周期）确认下降趋势。
策略优化过程
初始配置复刻了“做多三铁律”（DEMA ATR 绿色 + 绿线交叉 + 阳线）和“做空三要素”（DEMA ATR 红色 + 红线交叉 + 阴线），通过多次回测调整参数：
• 买入条件从 dema_atr_14 > 1.1ma_dema_atr_20 优化至 dema_atr_14 > 1.03ma_dema_atr_20，增加信号频率。
• RSI 阈值从 rainbow_rsi_14 > 45 放宽至 > 40，rainbow_rsi_28 < 55 调整至 < 49，提升趋势捕捉能力。
• 卖出条件提前至 dema_atr_14 < 0.98*ma_dema_atr_20，控制回撤。
回测成果
• 数据范围：2019-10-25 至 2025-04-16日。
• 结果：累计收益率：92.97% 年化收益率：16.96% 夏普比率：0.56% 最大回撤率：20.96% 风险比率：0.00% 开仓次数：97 胜率：48.45%
心得与建议
因子扩展的关键在于百分百复刻原有因子算法，并适配当前量化框架，平衡信号数量与质量。DEMA Adjusted ATR 提供波动过滤，Rainbow Adaptive RSI 增强趋势确认，结合 K 线形态（阳线/阴线）提高胜率。建议量化爱好者：
• 调整 ATR 和 RSI 参数，适配不同市场特性，进一步提高回测结果指标。
• 加入止损或动态调整，优化回撤控制。
• 分享回测日志，验证信号有效性。
欢迎社区交流进一步提升和优化的思路，共同提升策略表现！

以下是c#相关的因子算法：

public static double CalculateTvDemaAdjustedAtr(double[] high, double[] low, double[] close, int timeperiod)
{
    // 验证输入序列有效性及长度
    if (high == null || low == null || close == null || high.Length < timeperiod * 2 + 1 || low.Length < timeperiod * 2 + 1 || close.Length < timeperiod * 2 + 1)
    {
        return double.NaN; // 无效输入返回 NaN
    }

    // 初始化真波幅（TR）数组
    double[] tr = new double[high.Length];
    // 遍历序列计算每日 TR
    for (int i = 0; i < high.Length; i++)
    {
        // TR1：当日高低价差
        double tr1 = high[i] - low[i];
        // TR2：高价与前日收盘价差的绝对值，首日忽略
        double tr2 = i > 0 ? Math.Abs(high[i] - close[i - 1]) : 0;
        // TR3：低价与前日收盘价差的绝对值，首日忽略
        double tr3 = i > 0 ? Math.Abs(low[i] - close[i - 1]) : 0;
        // TR：取三者最大值
        tr[i] = Math.Max(tr1, Math.Max(tr2, tr3));
    }

    // 对 TR 应用现有 DEMA 计算
    double demaAtr = CalculateTaDema(tr, timeperiod);

    // 返回最新 DEMA ATR 值
    return demaAtr;
}
public static double CalculateTvRainbowAdaptiveRsi(double[] close, double[] high, double[] low, int baseTimeperiod, int minTimeperiod, int maxTimeperiod)
{
    // 验证输入序列有效性及长度
    if (close == null || high == null || low == null || close.Length < baseTimeperiod + 1 || high.Length < baseTimeperiod + 1 || low.Length < baseTimeperiod + 1)
    {
        return double.NaN; // 无效输入返回 NaN
    }

    // 计算基础周期的 ATR 作为波动率衡量
    double atr = CalculateTaAtr(high, low, close, baseTimeperiod);
    // 标准化波动率：ATR 相对收盘价的比例（百分比）
    double volatility = atr / close[close.Length - 1] * 100;
    // 归一化波动率到 [0,1]，假设波动范围 1%~4%
    double normalizedVol = Math.Min(1, Math.Max(0, (volatility - 1) / 3));

    // 计算自适应周期
    int adaptiveLength = (int)(minTimeperiod + (maxTimeperiod - minTimeperiod) * normalizedVol);

    // 计算中间层 RSI（基于自适应周期）
    double rsi2 = CalculateTaRsi(close, adaptiveLength);

    // 返回最新中间层 RSI 值
    return rsi2;
}
public static double CalculateTaRsi(double[] input, int period)
{
    if (input == null || input.Length < period + 1)
    {
        return double.NaN;
    }

    // 计算价格变化
    double[] diff = new double[input.Length - 1];
    for (int i = 1; i < input.Length; i++)
    {
        diff[i - 1] = input[i] - input[i - 1];
    }

    // 初始化平均增益和减益
    double gainSum = 0.0;
    double lossSum = 0.0;
    for (int i = 0; i < period; i++)
    {
        if (diff[i] > 0)
        {
            gainSum += diff[i];
        }
        else
        {
            lossSum += Math.Abs(diff[i]);
        }
    }

    double avgGain = gainSum / period;
    double avgLoss = lossSum / period;

    // 平滑 RSI 计算
    for (int i = period; i < diff.Length; i++)
    {
        double gain = diff[i] > 0 ? diff[i] : 0.0;
        double loss = diff[i] < 0 ? Math.Abs(diff[i]) : 0.0;

        avgGain = ((avgGain * (period - 1)) + gain) / period;
        avgLoss = ((avgLoss * (period - 1)) + loss) / period;
    }

    // 计算 RSI
    if (avgLoss == 0)
    {
        return 100.0;
    }

    double rs = avgGain / avgLoss;
    double rsi = 100.0 - (100.0 / (1.0 + rs));

    return rsi;
}

public static double CalculateTaDema(double[] series, int periods)
{
    if (series.Length < periods * 2) return double.NaN;
    double[] ema1 = new double[series.Length];
    double multiplier = 2.0 / (periods + 1);
    ema1[0] = series[0];
    for (int i = 1; i < series.Length; i++)
    {
        ema1[i] = (series[i] - ema1[i - 1]) * multiplier + ema1[i - 1];
    }
    double[] ema2 = new double[series.Length];
    ema2[0] = ema1[0];
    for (int i = 1; i < series.Length; i++)
    {
        ema2[i] = (ema1[i] - ema2[i - 1]) * multiplier + ema2[i - 1];
    }
    return 2 * ema1[series.Length - 1] - ema2[series.Length - 1];
}

public static double CalculateTaAtr(double[] high, double[] low, double[] close, int window)
{
    if (high == null || low == null || close == null || high.Length < window + 1 || low.Length < window + 1 || close.Length < window + 1)
    {
        return double.NaN;
    }

    // 计算真实波幅（TR）
    double[] tr = new double[high.Length];
    for (int i = 0; i < high.Length; i++)
    {
        double tr1 = high[i] - low[i];
        double tr2 = i > 0 ? Math.Abs(high[i] - close[i - 1]) : 0;
        double tr3 = i > 0 ? Math.Abs(low[i] - close[i - 1]) : 0;
        tr[i] = Math.Max(tr1, Math.Max(tr2, tr3));
    }

    // 计算 ATR（简单移动平均）
    double sum = 0.0;
    for (int i = high.Length - window; i < high.Length; i++)
    {
        sum += tr[i];
    }
    double atr = sum / window;

    return atr;
}

TOML文件内容

name = "彩虹波动交易法"
symbols = [ "159915.SZ",]
benchmark = "510300.SH"

[date]
start_date = "20191025"
end_date = "20250416"

[factors]
exprs = [ "tv_dema_atr(high,low,close,14)","tv_rainbow_rsi(close,high,low,14,7,28)","tv_rainbow_rsi(close,high,low,28,7,28)","tv_dema_atr(high,low,close,20)","ma(tv_dema_atr(high,low,close,20),20)","close - open","open - close"]
names = [ "dema_atr_14","rainbow_rsi_14","rainbow_rsi_28","dema_atr_20","ma_dema_atr_20","kma_positive","kma_negative"]

[period]
algo = "RunDaily"

[selection]
algo = "SelectAll"
buy_rules = ['dema_atr_14 > 1.08*ma_dema_atr_20 and rainbow_rsi_14 > 42 and kma_positive > 0']
buy_at_least_count = 1
sell_rules = ['dema_atr_14 < 0.92*ma_dema_atr_20 or rainbow_rsi_28 < 52 or kma_negative > 0']
sell_at_least_count = 1

[order]
factor = ""
topK = 1
dropN = 0
is_desc = true

[weight]
algo = "WeighEqually"

[weight.fixed_weights]

对对，老师。最终效果就是夯实现有框架基础后，提高平台中优质策略的多样性和数量。适用各种市场风格，避免同涨同跌的情况发生。期待！

已经完成6.2.0中对ETF轮动策略TOML文件解析以及因子移植到c#中，并实现初步的轮动操作。
目前，面临最大的问题是，使用中的策略同质性严重，且数量较少，适配市场风格覆盖较少。
原本后续我计划陆续实现以下工作。看到星主老师发起的需求建议反馈，非常感激。
一个人的力量和努力总归有限，加之我只是量化新兵。
我认为下面的一些ETF轮动相关需求和建议，能代表大多数和我一样的同学：
1、扩充更多的轮动组合。需要完全不相关、非同质的轮动组合。（便于策略多样性）
2、扩充更多的因子算法。类似迅投平台移植过来的因子更好。（便于扩充因子挖掘）
3、基于扩充的因子算法，进一步将扩充因子的参与到因子挖掘中。（便于优化策略因子表达式）
4、基于前述三项，进一步扩充实验室中的TOML策略文件。（便于最终策略的应用）

再次感谢星主老师对星友同学切身处地的考虑，期待AI量化投资实验室发扬光大，成为量化爱好者最好的交流社区。