信号越多越好？随机相对强弱指数 vs. 相对强弱指数

        在我之前的文章“移动平均函数对 RSI 交叉策略回测结果的显着影响”中，我们观察到原作者 J. Welless Wilder 相对强弱指数指标在中等长度的时间段内很难产生信号（实验大约使用四个月的有效数据）。 我们发现使用 14 天周期的简单移动平均线 (SMA) 来计算 相对强弱指数是一个不错的选择。 另外，选择 Wilder相对强弱指数在交叉值 35 与 65 也是一个不错的选择。

        Tushar Chande 和 Stanley Kroll 于 1994 年开发了随机相对强弱指数 (Stochastic RSI)，以提高产生超买和超卖信号的机会。和相对强弱指数一样，随机相对强弱指数也是一个震荡指标，它的数值在 0 到 1 之间。基本上，它是相对强弱指数的衍生物，用来衡量相对强弱指数的强弱程度。 然而，随机相对强弱指数的值变化非常迅速，并且经常达到末端值。 因此，许多使用者建议使用移动平均功能进行平滑，以减少市场噪音及更好地揭示趋势。并且对这两个指标使用的适当时间，给出了一个共同的结论。 当市场持平或波动时，随机相对强弱指数会产生良好的结果，而相对强弱指数则在趋势市场中的表现要好得多。

        随机相对强弱指数的方程可以写成如下，其中 RSImax 和 RSImin 是 n个数据期间的最大和最小的随机相对强弱指数。 默认情况下，n 为 14。

        使用图表来观察值的变化要容易得多。 在本文中，我们尝试将回溯测试应用于免佣金交易所交易基金 (ETF)，并专注于将 Elasticsearch 作为分析工具。 下面的例子随机选择了“Fidelity International Multifactor ETF”。 其股票代码为FDEV。 另外随机抽取23只ETF运行，最终结果将在稍后展示。 数据选自投资者交易所 IEX 提供的 2021-01-01 和 2021-09-30 之间的时间范围。 但是，实验期仅从 2021-05-01 到 2021-09-30。 原因是需要足够数量的数据点来计算第一个有效相对强弱指数值，尤其是使用指数加权移动平均线时。 建议快速浏览一下我之前的文章，对通过Elasticsearch实现相对强弱指数的细节有一个基本的了解。

        以下第一个图表显示Wilder的 相对强弱指数RSI（用蓝线绘制）对收盘价的变化是不敏感的，在测试期结束之前没有产生高于 70 或低于 30 的信号。 另一方面，随机相对强弱指数StochRSI（用红线绘制）似乎过于敏感，并且会产生大量信号。 对于随机相对强弱指数，交叉值为 0.8 和 0.2。 

         第二张图表显示，使用 7 天简单移动平均来平滑 StochRSI （用午夜蓝线绘制），似乎生成了合理数量的信号。 显然，平滑后的信号是滞后的，不像原始信号那样清晰和具代表性。

         以下先介绍一下使用Python和Elasticsearch的实现，后面再展示回测结果。 假设有一个填充数据的 Elasticsearch 索引，其数据映射显示在 Gitee Backtest_SRSI 的开源项目中。 以下步骤演示了 REST API 请求正文的代码。

通过搜索操作收集所有相关文档

使用带有必要条件（must）子句的布林查询（bool query）来收集股票代码为FDEV和日期从2021年05月01日到2021年09月30日的文档。 由于需要计算滑动窗口，因此增加了4个月的数据（从2021年01月01日到2021年04月30日）。

{
    "query": {
        "bool": {
		     "must": [
		         {"range": {"date": {"gte": "2021-01-01", "lte": "2021-09-30"}}},
		         {"term": {"symbol": "FDEV"}}
		     ]
		}
	},

从交易日选择文件

使用名为Backtest_SRSI日期直方图（date_histogram）存储桶聚合，并配合参数field（字段）为date和interval（间隔）为 1