# 计算乖离因子：价格相对BIAS_N日均线的偏离程度
def calculate_bias_ratio(close_prices, bias_n=90):
    # 计算移动平均线
    moving_avg = close_prices.rolling(window=bias_n, min_periods=1).mean()
    # 计算乖离率
    bias_ratio = close_prices / moving_avg
    return bias_ratio

# 使用示例
close_prices = df['close']  # 获取收盘价数据
bias_ratio = calculate_bias_ratio(close_prices, BIAS_N)
bias_recent = bias_ratio.iloc[-MOMENTUM_DAY:]  # 取最近25天的乖离率

乖离率 = (当前价格 - 90日均线) / 90日均线 × 100%

动量指标是通过对最近25天的乖离率进行线性回归，计算出趋势的斜率。
这个斜率告诉我们：斜率为正且增大：趋势强劲斜率为负且减小：趋势疲软斜率接近零：趋势不明朗策略最终得分就是动量斜率得分，选择动量得分最高的ETF进行配置。

from sklearn.linear_model import LinearRegression
import numpy as np

def calculate_momentum_score(bias_recent, momentum_day=25):
    # 创建时间序列数组
    x_array = np.arange(momentum_day)
    # 标准化处理，将第一个值设为1
    y_normalized = bias_recent / bias_recent.iloc[0]

    # 使用线性回归计算斜率
    lr_model = LinearRegression()
    lr_model.fit(x_array.reshape(-1, 1), y_normalized)
    momentum_score = lr_model.coef_[0].real * 10000# 放大10000倍

    return momentum_score

# 使用示例
momentum_score = calculate_momentum_score(bias_recent, MOMENTUM_DAY)
print(f'动量得分: {momentum_score:.2f}')

猫哥把这个策略简化为三个步骤：
第一步：计算各类ETF的乖离率和动量
获取90日均线数据
计算每日乖离率
对25天乖离率进行线性回归，得到动量值
第二步：动量评分排序
对25天乖离率进行线性回归，计算趋势斜率
斜率越大得分越高，表示趋势越强劲
选择动量得分最高的1个ETF进行配置
第三步：每日调仓执行
每日开盘时执行调仓操作
卖出非目标ETF，买入目标ETF

轮动策略是什么？说到轮动策略，很多朋友可能不太熟悉。简单来说，就是在一篮子资产中，定期挑选表现最好的进行持仓，表现差的就踢出去。
为什么轮动策略有效呢？这背后有几个市场逻辑：
动量效应：涨得好的资产短期内往往会继续涨（趋势延续）
行业轮动：经济周期不同阶段,不同行业表现差异巨大
相对强弱：同一时期总有强势板块和弱势板块今天我们要实现的策略，就是在9个行业ETF中，每天计算它们的"动量得分"，然后选出得分最高的持仓。

# 计算斜率动量得分
x = np.arange(1， N_DAYS + 1)  # 时间序列
y = df['close'] / df['close'].iloc[0]  # 价格归一化

lr = LinearRegression()
lr.fit(x.reshape(-1， 1)， y)

slope = lr.coef_[0]  # 斜率
r_squared = lr.score(x.reshape(-1， 1)， y)  # R²

# 最终得分 = 斜率 × R² × 10000
score = 10000 * slope * r_squared

RSRS全称是"阻力支撑相对强度"，由光大证券在2017年发布的研报《基于阻力支撑相对强度的市场择时》中提出。
对过去18天的最高价和最低价做线性回归得到的斜率代表"上涨空间相对下跌空间的大小"计算这个斜率在过去600天中的Z-score（标准分）再乘以R²修正，得到最终的RSRS得分

RSRS得分的含义：
大于0.7：市场处于强势，支撑远大于阻力，可以买入
小于-0.7：市场处于弱势，阻力远大于支撑，应该清仓
-0.7到0.7之间：震荡行情，保持现状

# 计算RSRS指标
high_data = data['high'].values
low_data = data['low'].values
_， slope， r2 = get_ols_regression(low_data， high_data)

# 计算Z-score
rsrs_score = get_zscore(slope_series) * r2

# 均线信号
today_MA = close_data.iloc[MEAN_DIFF_DAY:].mean()  # 当前均线
before_MA = close_data.iloc[:-MEAN_DIFF_DAY].mean()  # 5天前的均线

# 综合判断
if rsrs_score > 0.7and today_MA > before_MA:
    signal = "BUY"# RSRS强势 + 均线上升 = 买入
elif rsrs_score < -0.7and today_MA < before_MA:
    signal = "SELL"# RSRS弱势 + 均线下降 = 清仓
else:
    signal = "KEEP"# 维持现状