Python 实现 RSI 指标计算：股票技术分析的利器系列（4）

---

介绍

RSI（相对强弱指标，Relative Strength Index）是一种用于衡量市场超买和超卖情况的技术分析指标。

先看看官方介绍：

RSI (相对强弱指标）
用法
1.RSI>80 为超买，RSI<20 为超卖；
2.RSI 以50为中界线，大于50视为多头行情，小于50视为空头行情；
3.RSI 在80以上形成Ｍ头或头肩顶形态时，视为向下反转信号；
4.RSI 在20以下形成Ｗ底或头肩底形态时，视为向上反转信号；
5.RSI 向上突破其高点连线时，买进；RSI 向下跌破其低点连线时，卖出。

算法解释

LC:=REF(CLOSE,1);
RSI1:SMA(MAX(CLOSE-LC,0),N1,1)/SMA(ABS(CLOSE-LC),N1,1)*100;
RSI2:SMA(MAX(CLOSE-LC,0),N2,1)/SMA(ABS(CLOSE-LC),N2,1)*100;
RSI3:SMA(MAX(CLOSE-LC,0),N3,1)/SMA(ABS(CLOSE-LC),N3,1)*100;

代码

rolling函数介绍

rolling 函数通常与其他函数（如 mean、sum、std 等）一起使用，以计算滚动统计量，例如滚动均值、滚动总和等。

以下是 rolling 函数的基本语法：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

• window: 用于计算统计量的窗口大小。
• min_periods: 每个窗口最少需要的非空观测值数量。
• center: 确定窗口是否居中，默认为 False。
• win_type: 窗口类型，例如 None、boxcar、triang 等，默认为 None。
• on: 在数据帧中执行滚动操作的列，默认为 None，表示对整个数据帧执行操作。
• axis: 执行滚动操作的轴，默认为 0，表示按列执行操作。
• closed: 确定窗口的哪一端是闭合的，默认为 None。

计算LC

# 计算LC
df['LC'] = df['CLOSE'].shift(1)

shift函数

shift() 是 Pandas 中的一个函数，用于将 DataFrame 或 Series 中的数据沿着指定轴向上或向下移动指定数量的位置。这可以用来创建滞后值或领先值，也就是将数据向前或向后移动一定的步数。

语法：

DataFrame.shift(periods=1, freq=None, axis=0, fill_value=None)

参数：

• periods：要移动的位置数目，可以是正数（向下移动）或负数（向上移动）。默认值为 1。
• freq：可选，用于时序数据。在时间序列数据中，可以通过设置 freq 参数来指定时间频率，例如 “D” 表示日历日，“M” 表示月份，等等。
• axis：指定沿着哪个轴进行移动，0 表示行索引，1 表示列索引。默认值为 0。
• fill_value：可选，用于填充缺失值的替代值。

返回值：

返回一个移动后的新的 DataFrame 或 Series。

计算涨跌幅

# 计算涨跌幅
df['up_move'] = df['CLOSE'] - df['LC']
df['up'] = df['up_move'].apply(lambda x: max(x, 0))
df['down'] = df['up_move'].apply(lambda x: abs(x))

函数MAX介绍

max() 是 Python 内置函数之一，用于返回给定参数的最大值。

语法：

max(arg1, arg2, *args[, key])

参数：

• arg1, arg2, …：要比较的对象，可以是数字、字符串、列表、元组等可比较的数据类型。
• *args（可选）：用于传递多个参数，可以是任意数量的参数。
• key（可选）：用于指定比较的函数。

返回值：

返回给定参数的最大值。

示例：

print(max(5, 10, 3, 8))  # 输出：10
print(max([3, 8, 2, 10]))  # 输出：10
print(max("apple", "banana", "orange"))  # 输出："orange"

在示例中，max() 函数分别返回了传递给它的数字、列表和字符串中的最大值。

abs函数介绍

abs() 是 Python 内置函数之一，用于返回给定参数的绝对值。

语法：

abs(x)

参数：

• x：要求取绝对值的数字或者可转换为数字的对象。

返回值：

返回参数的绝对值。

示例：

print(abs(-5))  # 输出：5
print(abs(3.14))  # 输出：3.14
print(abs(-10.5))  # 输出：10.5

在示例中，abs() 函数分别返回了 -5、3.14 和 -10.5 的绝对值。

计算移动平均

# 计算移动平均
df['avg_gain'] = df['up'].rolling(window=N).mean()
df['avg_loss'] = df['down'].rolling(window=N).mean()

计算RSI

# 计算RSI
df['RSI'] = df['avg_gain'] / df['avg_loss'] * 100

计算单个的RSI代码

需要数据可以看附件资源 RSI-单个

import pandas as pd

data = {
    'CLOSE': 填每日收盘的数据,
}

df = pd.DataFrame(data)


# LC:=REF(CLOSE,1);
# RSI1:SMA(MAX(CLOSE-LC,0),N1,1)/SMA(ABS(CLOSE-LC),N1,1)*100;
def RSI(N):
    # 计算LC
    df['LC'] = df['CLOSE'].shift(1)

    # 计算涨跌幅
    df['up_move'] = df['CLOSE'] - df['LC']
    df['up'] = df['up_move'].apply(lambda x: max(x, 0))
    df['down'] = df['up_move'].apply(lambda x: abs(x))

    # 计算移动平均
    df['avg_gain'] = df['up'].rolling(window=N).mean()
    df['avg_loss'] = df['down'].rolling(window=N).mean()

    # 计算RSI
    df['RSI'] = df['avg_gain'] / df['avg_loss'] * 100

    # 清理中间结果
    df.drop(['up_move', 'up', 'down', 'avg_gain', 'avg_loss'], axis=1, inplace=True)
    return df


N1 = 6

print(RSI(N1))

计算3个RSI ，完整代码

默认情况下，RSI 通常包括 RSI6、RSI12 和 RSI24，它们分别代表了不同的 RSI 计算窗口大小，即 6 天、12 天和 24 天。

需要数据可以看附件资源 RSI

import pandas as pd

data = {
    'CLOSE': 填每日收盘的数据,
}

df = pd.DataFrame(data)


# LC:=REF(CLOSE,1);
# RSI1:SMA(MAX(CLOSE-LC,0),N1,1)/SMA(ABS(CLOSE-LC),N1,1)*100;
def RSI(N):
    # 计算LC
    df['LC'] = df['CLOSE'].shift(1)

    # 计算涨跌幅
    df['up_move'] = df['CLOSE'] - df['LC']
    df['up'] = df['up_move'].apply(lambda x: max(x, 0))
    df['down'] = df['up_move'].apply(lambda x: abs(x))

    # 计算移动平均
    df['avg_gain'] = df['up'].rolling(window=N).mean()
    df['avg_loss'] = df['down'].rolling(window=N).mean()

    # 计算RSI
    rsi_name = 'RSI' + str(N)
    df[rsi_name] = df['avg_gain'] / df['avg_loss'] * 100

    # 清理中间结果
    df.drop(['up_move', 'up', 'down', 'avg_gain', 'avg_loss'], axis=1, inplace=True)
    return df


N1 = 6
N2 = 12
N3 = 24

rsi_6 = RSI(N1)
rsi_6_12 = RSI(N2)
rsi_6_12_24 = RSI(N3)
print(rsi_6_12_24)