RSI 和 SuperTrend 指標(biāo)是我們擁有的最強(qiáng)大的技術(shù)工具之一，因此將它們結(jié)合起來可以獲利豐厚。 本文討論了一種依賴于這兩個指標(biāo)的常見策略。

RSI

RSI 無疑是最著名的動量指標(biāo)，這是意料之中的，因?yàn)樗哂性S多優(yōu)勢，尤其是在區(qū)間市場中。 它也被限制在 0 到 100 之間，這使得它更容易解釋。 此外，它的知名度有助于發(fā)揮其潛力。這是因?yàn)樵蕉嗟慕灰渍吆屯顿Y組合經(jīng)理關(guān)注 RSI，就會有越多的人根據(jù)其信號做出反應(yīng)，這反過來會推高市場價格。 當(dāng)然，我們無法證明這個想法，但它是直觀的，因?yàn)榧夹g(shù)分析的基礎(chǔ)之一是它是自我實(shí)現(xiàn)的。

RSI 是使用一種相當(dāng)簡單的方法計算的。 我們首先從一個時期的價格差異開始。 這意味著我們必須從之前的收盤價中減去每個收盤價。 然后，我們將計算正差異的平滑平均值并將其除以負(fù)差異的平滑平均值。 最后的計算為我們提供了相對強(qiáng)度，然后將其用于 RSI 公式中以轉(zhuǎn)換為 0 到 100 之間的度量。

要計算相對強(qiáng)度指數(shù)，我們需要一個 OHLC 數(shù)組（不是dataframe）。 這意味著我們將查看一個包含 4 列的數(shù)組。 因此，相對強(qiáng)度指數(shù)的函數(shù)是：

def deleter(Data, index, times):        for i in range(1, times + 1):            Data = np.delete(Data, index, axis = 1)    return Data

def ma(Data, lookback, close, where):         Data = adder(Data, 1)        for i in range(len(Data)):                       try:                Data[i, where] = (Data[i - lookback + 1:i + 1, close].mean())                        except IndexError:                pass                # Cleaning    Data = jump(Data, lookback)        return Data

def rsi(Data, lookback, close, where, width = 1, genre = 'Smoothed'):        # Adding a few columns    Data = adder(Data, 7)        # Calculating Differences    for i in range(len(Data)):                Data[i, where] = Data[i, close] - Data[i - width, close]         # Calculating the Up and Down absolute values    for i in range(len(Data)):                if Data[i, where] > 0:                        Data[i, where + 1] = Data[i, where]                    elif Data[i, where] < 0:                        Data[i, where + 2] = abs(Data[i, where])                # Calculating the Smoothed Moving Average on Up and Down    absolute values        if genre == 'Smoothed':                                      lookback = (lookback * 2) - 1 # From exponential to smoothed      Data = ema(Data, 2, lookback, where + 1, where + 3)      Data = ema(Data, 2, lookback, where + 2, where + 4)        if genre == 'Simple':                                            Data = ma(Data, lookback, where + 1, where + 3)      Data = ma(Data, lookback, where + 2, where + 4)        # Calculating the Relative Strength    Data[:, where + 5] = Data[:, where + 3] / Data[:, where + 4]        # Calculate the Relative Strength Index    Data[:, where + 6] = (100 - (100 / (1 + Data[:, where + 5])))          # Cleaning    Data = deleter(Data, where, 6)    Data = jump(Data, lookback)    return Data

查看我的每周市場情緒報告，了解當(dāng)前的定位，并通過并存的復(fù)雜和簡單模型來估計幾個主要市場的未來方向。 通過此鏈接了解有關(guān)該報告的更多信息，該鏈接涵蓋了 2022 年 7 月 8 日至 2022 年 8 月 14 日之間的分析：

超級趨勢指標(biāo)

在創(chuàng)建 SuperTrend 指標(biāo)之前，我們應(yīng)該了解的第一個概念是波動率。 我們有時使用平均真實(shí)范圍來衡量波動率。 雖然 ATR 被認(rèn)為是一個滯后指標(biāo)，但它提供了一些關(guān)于當(dāng)前波動率和上一時期波動率（日、周、月等）的見解。 但在此之前，我們應(yīng)該了解 True Range 是如何計算的（ATR 只是該計算的平均值）。

真實(shí)范圍只是三個價格差異中最大的一個：

• 高— 低
• | 高 — 前收盤 |
• | 前收盤 — 低|

一旦我們從上述三個中獲得最大值，我們只需取真實(shí)范圍的 n 個周期的平均值來獲得平均真實(shí)范圍。 一般來說，由于在恐慌和價格貶值期間我們看到波動性上升，因此 ATR 在這些時期很可能會走高，同樣在穩(wěn)定的上升趨勢或下降趨勢中，ATR 會趨于走低。

人們應(yīng)該永遠(yuǎn)記住，這個指標(biāo)是滯后的，因此必須格外小心地使用。 下面是計算 ATR 的函數(shù)代碼。 確保您有一個 OHLC 歷史數(shù)據(jù)數(shù)組。

def deleter(Data, index, times):        for i in range(1, times + 1):            Data = np.delete(Data, index, axis = 1)    return Data

def ma(Data, lookback, close, where):         Data = adder(Data, 1)        for i in range(len(Data)):                       try:                Data[i, where] = (Data[i - lookback + 1:i + 1, close].mean())                        except IndexError:                pass                # Cleaning    Data = jump(Data, lookback)        return Data

def atr(Data, lookback, high, low, close, where, genre = 'Smoothed'):        # Adding the required columns    Data = adder(Data, 1)        # True Range Calculation    for i in range(len(Data)):                try:                        Data[i, where] =   max(Data[i, high] - Data[i, low],                               abs(Data[i, high] - Data[i - 1, close]),                               abs(Data[i, low] - Data[i - 1, close]))                    except ValueError:            pass            Data[0, where] = 0           if genre == 'Smoothed':                # Average True Range Calculation        Data = ema(Data, 2, lookback, where, where + 1)        if genre == 'Simple':            # Average True Range Calculation        Data = ma(Data, lookback, where, where + 1)        # Cleaning    Data = deleter(Data, where, 1)    Data = jump(Data, lookback)    return Data

現(xiàn)在我們已經(jīng)了解了 ATR 是什么以及如何計算它，我們可以進(jìn)一步使用 SuperTrend 指標(biāo)。 該指標(biāo)旨在為趨勢追隨者提供進(jìn)入和退出水平。 您可以將其視為移動平均線或 MACD。 它的獨(dú)特性是它的主要優(yōu)勢，雖然它的計算方法比其他兩個指標(biāo)復(fù)雜得多，但本質(zhì)上是直觀的，并不難理解。 基本上，我們有兩個變量可供選擇。

ATR 回顧和乘數(shù)的值。 前者只是用于計算 ATR 的周期，而后者通常是一個整數(shù)（通常為 2 或 3）。

首先要做的是計算價格柱的最高點(diǎn)和最低點(diǎn)的平均值，然后我們將加上或減去所選乘數(shù)乘以 ATR 的平均值，如上面的公式所示。 這將為我們提供兩個數(shù)組，基本上波段和基本下波段，它們構(gòu)成了 SuperTrend 指標(biāo)的第一個構(gòu)建塊。 下一步是使用以下公式計算最終的上頻帶和最終的下頻帶。

它可能看起來很復(fù)雜，但其中大部分條件都是重復(fù)的，無論如何，我將在下面提供 Python 代碼，以便您可以使用該函數(shù)并根據(jù)您的交易偏好對其進(jìn)行優(yōu)化。 最后，使用前面的兩個計算，我們可以找到 SuperTrend。

上圖顯示了具有 10 個周期的超級趨勢（由 ATR 周期表示）和 1.25 乘數(shù)的 EURUSD 的每小時值。

我們應(yīng)該理解該指標(biāo)的方式是，當(dāng)它高于市場價格時，我們應(yīng)該尋求做空，當(dāng)它低于市場價格時，我們應(yīng)該尋求做多，因?yàn)槲覀冾A(yù)期牛市趨勢。 請記住，SuperTrend 是趨勢跟蹤指標(biāo)。 這里的目的是在開始時捕捉趨勢，并在趨勢結(jié)束時關(guān)閉。

制定和評估戰(zhàn)略

現(xiàn)在，我們的工作是擁有一個包含 OHLC 數(shù)據(jù)的數(shù)組，以及 RSI 和 SuperTrend 的列。 我們可以通過遵循此代碼來做到這一點(diǎn)，我們已經(jīng)導(dǎo)入了必要的歷史數(shù)據(jù)。

# 指標(biāo)參數(shù)lookback_rsi        = 13lookback_supertrend = 10multiplier          = 3

# Calling the RSI functionmy_data = rsi(my_data, lookback_rsi, 3, 4)

# Calling the SuperTrend Indicatormy_data = supertrend(my_data, multiplier, 5, 3, 1, 2, 6)

該策略基于 SuperTrend 的翻轉(zhuǎn)，條件是 RSI 高于其 50% 的中性水平。 這強(qiáng)化了看漲偏見，反之亦然。

• 每當(dāng) SuperTrend 指標(biāo)低于市場價格而 RSI 高于 50% 時，就會生成買入（做多）信號。
• 每當(dāng) SuperTrend 指標(biāo)高于市場價格而 RSI 低于 50% 時，就會生成賣出（空頭）信號。

默認(rèn)形式的策略不太可能提供有價值的信號，必須進(jìn)行調(diào)整以捕獲更好的信號。 也許進(jìn)一步的研究可能會顯示出更好的信號？