当前位置：首页 > news >正文

RSI 量化策略实战指南：基于 iTick 报价源的 Python 实现

news 来源：原创 2025/5/9 9:58:34

一、策略原理

相对强弱指标（Relative Strength Index, RSI）是由 Welles Wilder 提出的经典技术指标，通过计算价格波动的幅度衡量市场超买 / 超卖状态。RSI 取值范围 0-100，常用判断标准：

RSI > 70：超买，潜在反转信号
RSI < 30：超卖，潜在反转信号
结合趋势线或价格突破增强信号有效性

二、数据准备

本文使用 iTick 金融数据平台提供的高频数据，支持 A 股、期货、数字货币等多市场。安装数据接口库：

"""
**iTick**：是一家数据代理机构，为金融科技公司和开发者提供可靠的数据源APIs，涵盖外汇API、股票API、加密货币API、指数API等，帮助构建创新的交易和分析工具，目前有免费的套餐可以使用基本可以满足个人量化开发者需求
https://github.com/itick-org
https://itick.org
"""

pip install itrade  # iTick数据接口

数据获取示例（以沪深 300 指数期货为例）：

from itrade import quote

# 获取历史数据
df = quote.get_kline(
    symbol="IF2303",
    start_date="2023-01-01",
    end_date="2024-01-01",
    interval="1min"
)

# 数据预处理
df = df[['datetime', 'open', 'high', 'low', 'close', 'volume']]
df.set_index('datetime', inplace=True)

三、策略实现

1. RSI 计算函数

import pandas as pd
import numpy as np

def calculate_rsi(df, window=14):
    delta = df['close'].diff(1)
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(window=window, min_periods=window).mean()
    avg_loss = loss.rolling(window=window, min_periods=window).mean()
    
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    df[f'RSI_{window}'] = rsi
    return df

2. 信号生成逻辑

def generate_signals(df, rsi_window=14):
    df = calculate_rsi(df, rsi_window)
    
    # 金叉/死叉信号
    df['signal'] = 0
    df.loc[df[f'RSI_{rsi_window}'] > 70, 'signal'] = -1  # 超卖区做空
    df.loc[df[f'RSI_{rsi_window}'] < 30, 'signal'] = 1   # 超买区做多
    
    # 趋势过滤（可选）
    df['ma50'] = df['close'].rolling(50).mean()
    df.loc[df['ma50'] < df['ma50'].shift(1), 'signal'] = 0  # 下降趋势不做多
    df.loc[df['ma50'] > df['ma50'].shift(1), 'signal'] = 0  # 上升趋势不做空
    
    return df

四、策略回测

1. 基础回测框架

def backtest_strategy(df):
    df['position'] = df['signal'].diff()
    
    # 计算交易收益
    df['returns'] = np.log(df['close'] / df['close'].shift(1))
    df['strategy_returns'] = df['position'] * df['returns']
    
    # 计算累计收益
    df['cumulative_returns'] = df['strategy_returns'].cumsum()
    
    # 计算年化收益、夏普比率等指标
    total_days = len(df) / 252
    sharpe_ratio = np.sqrt(252) * (df['strategy_returns'].mean() / df['strategy_returns'].std())
    
    return df, sharpe_ratio

2. 回测结果分析

# 执行回测
df, sharpe = backtest_strategy(df)

print(f"策略夏普比率: {sharpe:.2f}")
print(f"最大回撤: {max_drawdown(df['cumulative_returns']):.2%}")

# 可视化
import matplotlib.pyplot as plt
plt.figure(figsize=(12,6))
plt.plot(df.index, df['cumulative_returns'], label='策略收益')
plt.plot(df.index, df['close'].pct_change().cumsum(), label='基准收益')
plt.legend()
plt.show()