Python 金融量化 RSI相对强弱指标

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

• RSI取值为50时UP=Down

总之

• RSI大于50越多，表明股票上涨的力量超过下跌的力量越大。

• RSI小于50越多，表明股票下跌的力量超过上涨的力量越大。

3. python编写Rsi函数

=======================================================================================

默认时间跨度设为6天

import pandas as pd

import numpy as np

def rsi(price, period=6):

clprcChange = price - price.shift(1)

clprcChange = clprcChange.dropna()

indexprc = clprcChange.index

upPrc = pd.Series(0, index=indexprc)

upPrc[clprcChange > 0] = clprcChange[clprcChange > 0]

downPrc = pd.Series(0, index=indexprc)

downPrc[clprcChange < 0] = -clprcChange[clprcChange < 0]

risdata = pd.concat([price, clprcChange, upPrc, downPrc], axis=1)

risdata.columns = [‘price’, ‘PrcChange’, ‘upPrc’, ‘downPrc’]

risdata = risdata.dropna()

SMUP = []

SMDOWN = []

for i in range(period, len(upPrc) + 1):

SMUP.append(np.mean(upPrc.values[(i - period): i], dtype=np.float32))

SMDOWN.append(np.mean(downPrc.values[(i - period): i], dtype=np.float32))

rsi = [100 * SMUP[i] / (SMUP[i] + SMDOWN[i]) for i in range(0, len(SMUP))]

indexRsi = indexprc[(period - 1):]

rsi = pd.Series(rsi, index=indexRsi)

return rsi

韦尔斯·威尔德(Wells Wilder)指出，通过运用月周期28天的一半来计算RSI的值进行预测是有效的，他推荐14日为时间跨度。

一些常用的看盘软件设有6日RSI，12日RSI，24日RSI三个RSI指标。

• 6日近似一周的时间周期

• 12日近似半个月的时间周期

• 24日近似一个月的时间周期

• 此外也有人用RSI1表示6日相对强度指标，RSI2日表示12日相对强度指标，RSI3表示24日相对强度指标。

4. python编写Rsi绘图函数

=========================================================================================

import matplotlib.pyplot as plt

传入rsi_x时要记着切片

def rsi_plot(rsi_x):

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

plt.rcParams[‘axes.unicode_minus’] = False

fig,ax = plt.subplots()

plt.xlim(rsi_x.index[0],rsi_x.index[-1])

plt.ylim(0,100)

plt.grid(True)

plt.xlabel(‘日期’)

plt.ylabel(‘rsi_values’)

fig.patch.set_facecolor(‘red’)

fig.patch.set_alpha(0.6)

ax.patch.set_facecolor(‘yellow’)

ax.patch.set_alpha(1)

plt.plot(rsi_x,color=‘r’)

plt.title(‘RSI指标图’)

5. 调用以上函数

================================================================================

以平安银行为例

df = get_data(‘000001.SZ’)

计算rsi

rsi6=rsi(df.Close)

以2020年全年数据为例绘图

rsi_plot(rsi6[‘2020’])

图像效果如下：

6.RSI指标判断股票超买和超卖状态

========================================================================================

除了上边说到的0,50,100三个位点的状况，我们还可以刻画超买线，超卖线，和中心线。

RSI取值等于80和20分别为比较常用的“超买线”和“超卖线”。RSI为80表示超买的临界点，RSI为20表示超卖的临界点，RSI取值为50设定为“中心线”，表明买入力量等于卖出力量。

• RSI大于80时，股票出现超买信号，股票买入力量过大，买入力量未来可能会减小，股票价格可能会下跌；

• RSI小于20时，股票出现超卖信号，股票卖出力量过大，卖出力量未来可能会回归正常，因此股票价格可能会上涨。

• 超买线和超卖线的刻画可以有所变化，90和10也是可以的，70和30也已被验证能够有效预测股票走势。具体选择，仁者见仁智者见智。

7. RSI的“黄金交叉”与“死亡交叉”

===========================================================================================

在股票市场使用RSI指标时，一般会定义不同的时间跨度的RSI值。

• 当短期RSI向上穿过长期RSI线时，股票近期买入力量较强，价格上涨力量很大，其释放出一个较强的买入信号，这个信号被称为黄金交叉。

• 当短期RSI向下跌破长期RSI的时候，股票近期卖出力量较强，价格下跌力量很大，其释放出一个较强的卖出信号，被称为死亡交叉。

用rsi6和rsi24来绘制RSI黄金交叉和死亡交叉

定义为函数形式

import matplotlib.pyplot as plt

def mult_rsi(rsi6,rsi12):

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

plt.rcParams[‘axes.unicode_minus’] = False

fig,ax = plt.subplots()

plt.xlim(rsi6.index[0],rsi6.index[-1])

plt.ylim(0,100)

plt.grid(True)

plt.xlabel(‘日期’)

plt.ylabel(‘rsi_values’)

fig.patch.set_facecolor(‘red’)

fig.patch.set_alpha(0.6)

ax.patch.set_facecolor(‘yellow’)

ax.patch.set_alpha(1)

plt.plot(rsi6,color=‘r’,label=‘RSI6’)

plt.plot(rsi12,color=‘g’,label=‘RSI12’)

plt.legend()

plt.title(‘双RSI线图’)

调用并查看结果

rsi6 = rsi(df.Close)

rsi12 = rsi(df.Close, 12)

mult_rsi(rsi6[‘2020’],rsi12[‘2020’])

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！