【量化笔记】RSI相对强弱指标

最新推荐文章于 2024-10-11 10:08:06 发布

迷迷迷迷路的鹿鹿

最新推荐文章于 2024-10-11 10:08:06 发布

阅读量3.2k

点赞数

分类专栏：实战区量化笔记文章标签：量化笔记 RSI

本文链接：https://blog.csdn.net/yao09605/article/details/100161541

版权

本文通过交通银行的例子探讨了RSI（相对强弱指标）在量化交易中的作用。RSI衡量买方和卖方的相对力量，涉及RSI函数、不同天数的差异、黄金交叉和死亡交叉等概念。实测结果显示，股票原始收益率80%，但RSI为29.9%，提示在牛市中可能的异常情况，需要进一步分析数据验证RSI指标的有效性和参数选择。

摘要由CSDN通过智能技术生成

RSI标志买方和卖方的相对力量强弱

$\frac{UP}{UP+DOWN}$

UP表示t期内股价上涨的平均值，DOWN表示t期内股价下跌的平均值

以交通银行为例进行分析

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

BOCM=pd.read_csv('BOCM.csv')
BOCM.index=BOCM.iloc[:,1]
BOCM=BOCM.iloc[:,2:]
BOCM.head()

	Open	High	Low	Close	Volume
Date
2014-01-02	3.82	3.84	3.80	3.82	57317900
2014-01-03	3.81	3.83	3.76	3.79	64039600
2014-01-06	3.79	3.79	3.72	3.75	73494700
2014-01-07	3.73	3.79	3.72	3.77	48477500
2014-01-08	3.77	3.84	3.76	3.80	47952000

BOCMclp=BOCM.Close
clprcChange=BOCMclp-BOCMclp.shift(1)
clprcChange=clprcChange.dropna()
clprcChange[0:6]

Date
2014-01-03   -0.03
2014-01-06   -0.04
2014-01-07    0.02
2014-01-08    0.03
2014-01-09   -0.01
2014-01-10    0.01
Name: Close, dtype: float64

#upPrc 表示上涨
#downPrc 表示下跌
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]
rsidata=pd.concat([BOCMclp,clprcChange,upPrc,downPrc],axis=1)
rsidata.columns=['Close','PrcChange','upPrc','downPrc']
rsidata=rsidata.dropna()
rsidata.head()

/Users/yaochenli/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:8: FutureWarning: Sorting because non-concatenation axis is not aligned. A future version
of pandas will change to not sort by default.

To accept the future behavior, pass 'sort=False'.

To retain the current behavior and silence the warning, pass 'sort=True'.

	Close	PrcChange	upPrc	downPrc
2014-01-03	3.79	-0.03	0.00	0.03
2014-01-06	3.75	-0.04	0.00	0.04
2014-01-07	3.77	0.02	0.02	0.00
2014-01-08	3.80	0.03	0.03	0.00
2014-01-09	3.79	-0.01	0.00	0.01

# 使用简单平均数计算交通银行收盘价6日的上涨力度和下跌力度
SMUP=[]
SMDOWN=[]
for i in range(6,len(upPrc)+1):
    SMUP.append(np.mean(upPrc.values[(i-6):i],dtype=np.float32))
    SMDOWN.append(np.mean(downPrc.