RSI+Stochastic，看量化高手如何用【双线猎手】轻松跑赢大盘 4 倍！

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：团队花了1个月测试几十种指标组合，终于找到这个‘傻瓜式’赚钱方法——用RSI和随机指标双确认买卖点。回测苹果股票收益69.8%，跑赢大盘4倍多！今天不仅公开策略原理，还会手把手教你从环境搭建、代码实战到回测解读，附可视化图示和优化建议，零基础也能快速上手。

一、策略原理

大多数散户的日常：看到金叉就冲进去，结果买在山腰；发现死叉赶紧跑，卖完就暴涨… 其实不是指标没用，而是你少了个”双保险”！

1.1 为什么要用双指标？

传统做法的问题：

单用 RSI 或随机往往信号多却真假难辨；而双指标结合，既看大势，又抓动量，少错过也少被套。

• RSI（力度指标）：好比体温计，告诉你市场是否”发烧”（超买）或”感冒”（超卖）。
• 随机指标：像速度表，显示价格冲得太快还是刹车站稳。

双指标 “互相打擂” 后，只有广义和微观同时满足，信号才真正靠谱。

1.2 RSI：价格的“情绪晴雨表”

RSI（相对强弱指数）是一个动量指标，用来判断价格涨跌的力度。它的值在0到100之间：

• 高于70：市场“超买”，价格可能过高，随时可能下跌。
• 低于30：市场“超卖”，价格可能过低，未来可能反弹。

RSI的计算公式是：

RSI = 100 - (100 / (1 + 平均上涨幅度 / 平均下跌幅度))

简单来说，RSI通过比较一段时间内的上涨和下跌幅度，告诉你市场是“过热”还是“过冷”。

1.3 随机指标：捕捉短期动量

随机指标（Stochastic Oscillator）也是一个动量指标，它通过比较当前收盘价与最近一段时间的价格范围，判断市场趋势。它有两条线：

• %K线（快线）：反映当前价格在高低范围中的位置。
• %D线（慢线）：%K线的3天平均值，平滑波动。

公式是：

%K = 100 × (当前收盘价 - 最近14天最低价) / (最近14天最高价 - 最近14天最低价)
%D = %K的3天简单移动平均

• %K下穿%D：卖出信号。
• %K > 80：超买，可能下跌。
• %K < 20：超卖，可能上涨。
• %K上穿%D：买入信号。

二、手把手代码教学

现在，我要带大家用Python实现这个策略！我们将使用VectorBT库，它是一个强大的回测工具，能让复杂策略变得简单。别担心，我会一步步讲解，零基础也能看懂！

2.1 准备工作

你需要一个支持Python的环境，比如Google Colab。数据存储在Google Sheets中，方便管理和修改。

• Python 环境（推荐 Anaconda 或 Colab）
• 安装依赖：VectorBT、Pandas、NumPy、Plotly、gspread

pip install vectorbt pandas numpy plotly gspread -q

2.2 读表取数据

加载股票数据，并登录与打开表格：

import gspread
from google.auth import default

# 登录与打开表格
creds, _ = default()
gc = gspread.authorize(creds)
sheet = gc.open('你的表格名').worksheet('AAPL')  # 示例
rows = sheet.get_all_values()
df = pd.DataFrame(rows[1:], columns=rows[0])

2.3 计算RSI和随机指标

用VectorBT计算指标：

import vectorbt as vbt

# 转数值、设置索引
df[['Open','High','Low','Close']] = df[['Open','High','Low','Close']].astype(float)
df['Date'] = pd.to_datetime(df['Date'])
df.set_index('Date', inplace=True)

# 计算 RSI 与 随机指标
df['RSI'] = vbt.RSI.run(df['Close'], window=14).rsi
st = vbt.STOCH.run(df['High'], df['Low'], df['Close'], k_window=14, d_window=3)
df['Stoch_K'], df['Stoch_D'] = st.percent_k, st.percent_d

2.4 信号与回测

根据策略规则生成信号，用VectorBT进行回测，考虑交易费用和滑点：

# 生成信号
entries = (df['RSI'] < 30) & (df['Stoch_K'] < 20) & (df['Stoch_K'] > df['Stoch_D'])
exits   = (df['RSI'] > 70) & ((df['Stoch_K'] > 80) | (df['Stoch_K'] < df['Stoch_D']))

# 回测
portfolio = vbt.Portfolio.from_signals(
        close=df['Close'],
        entries=entries,
        exits=exits,
        size=np.inf,
        fees=0.002,  # 交易费用0.2%
        slippage=0.001,  # 滑点0.1%
        freq='D'
    )

2.5 查看结果

打印绩效报告和交易日志：

    print("\n========== PERFORMANCE REPORT ==========")
    print(portfolio.stats())
    print("\n========== TRANSACTION LOG ==========")
    orders = portfolio.orders.records_readable.copy()
    orders['Date'] = pd.to_datetime(orders['Timestamp']).dt.tz_localize(None)
    orders['Portfolio Value'] = orders['Timestamp'].map(portfolio.value().tz_localize(None)).ffill().round(2)
    print(orders[['Date', 'Side', 'Size', 'Price', 'Fees', 'Portfolio Value']].round(2))

结果输出如下：

2.6 绘制图表

生成三张图表：价格图（带买卖信号）、RSI图和随机指标图。以下是价格图部分代码：

    fig_price = go.Figure()
    fig_price.add_trace(go.Candlestick(
        x=df.index,
        open=df['Open'],
        high=df['High'],
        low=df['Low'],
        close=df['Close'],
        name="Candlestick"
    ))
   #。。。篇幅有限，文末下载完整代码
    )
    fig_price.show()

• 价格图表：展示股票K线图，绿色三角为买入点，红色三角为卖出点。
• RSI图表：展示RSI曲线，标注70（超买）和30（超卖）线。
• 随机指标图表：展示%K和%D曲线，标注80（超买）和20（超卖）线。

2.7 多只股票支持

对多只股票运行回测：

for stock in ['AAPL', 'JPM', 'AMCR']:
    run_backtest('AS', stock)

三、实盘回测与效果对比

为了验证这个策略的效果，我在三只不同行业的股票上进行了回测：AAPL（苹果，科技股）、JPM（摩根大通，金融股）和AMCR（安美包装，包装行业）。回测结果让人眼前一亮！

3.1 回测结果一览

下表展示 AAPL、JPM、AMCR 三只标的的核心表现：

从科技到金融、再到包装，策略在高波动与低波动标的上都能跑赢大盘，稳健又高效！

3.2 数据解读

• AAPL：833天内，策略回报69.8%，远超基准16%，胜率高达90.91%！这说明策略在科技股的波动中表现极佳。
• JPM：1339天内，策略回报84.1%，基准仅38.7%，即使面对金融行业的监管和利率波动，策略依然稳健。
• AMCR：包装行业波动较小，但策略仍取得37.2%的回报，超基准14.7%，证明策略对低波动股票也有效。

四、实盘风险管理

这个策略在回测中表现亮眼，但在实际交易中还有几点需要注意：

• 交易成本：回测已考虑0.2%的费用和0.1%的滑点，实际交易可能更高。
• 风险管理：建议添加止损，比如5%的追踪止损，防止大额亏损。
• 参数优化：可以尝试调整RSI阈值（比如35/65）或随机指标周期，适应不同市场。
• 市场变化：技术分析不能预测突发事件，结合基本面分析更稳妥。

截至2025年5月8日，AAPL价格从回测结束时的211美元跌至196.25美元，JPM从243.31美元涨至249.39美元，AMCR从9.75美元跌至9.11美元。这些波动提醒我们，市场瞬息万变，策略需不断优化。

五、观点总结

这个双指标策略就像给交易上了”双保险”，既能抓住机会又能避开大坑。虽然不能保证100%赚钱，但比瞎蒙靠谱多了！它在AAPL、JPM和AMCR上都大幅跑赢大盘。通过Python和VectorBT，你可以轻松实现和测试这个策略。

• 策略亮点：双重确认减少假信号，适合技术交易者。
• 回测表现：AAPL（69.84%）、JPM（84.14%）、AMCR（37.21%）均超基准。
• 代码实现：Python+VectorBT，简单易上手。
• 风险提示：需考虑交易成本、滑点和市场变化。
• 未来优化：添加止损、调整参数、结合基本面分析。

本文带你从原理到实战，一气呵成学会“RSI+随机”双指标策略，需要完整 Python 代码请后台留言！

读到最后，希望这篇文章为您带来了新的启发和实用的知识！如果觉得有帮助，请不吝点赞和分享，您的支持是我持续创作的动力。祝您投资顺利，收益长虹！如果对文中内容有任何疑问，欢迎留言，我会尽快回复！

本文内容仅限技术探讨和学习，不构成任何投资建议。