Python 实现 RSI 指标计算：股票技术分析的利器系列（4）
- 介绍
- 算法解释
- 代码
- rolling函数介绍
- 计算LC
- shift函数
- 语法：
- 参数：
- 返回值：
- 计算涨跌幅
- 函数MAX介绍
- 语法：
- 参数：
- 返回值：
- 示例：
- abs函数介绍
- 语法：
- 参数：
- 返回值：
- 示例：
- 计算移动平均
- 计算RSI
- 计算单个的RSI代码
- 计算3个RSI ，完整代码
介绍
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)
