量化交易策略：Python 中的 SuperTrend RSI 確認策略

禁忌石 2023-05-05 發(fā)布于浙江

展開全文

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

RSI

RSI 無疑是最著名的動量指標，這是意料之中的，因為它具有許多優(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。這是因為越多的交易者和投資組合經(jīng)理關注 RSI，就會有越多的人根據(jù)其信號做出反應，這反過來會推高市場價格。當然，我們無法證明這個想法，但它是直觀的，因為技術分析的基礎之一是它是自我實現(xiàn)的。

RSI 是使用一種相當簡單的方法計算的。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差異的平滑平均值。最后的計算為我們提供了相對強度，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，相對強度指數(shù)的函數(shù)是：

def adder(Data, times):        for i in range(1, times + 1):            new = np.zeros((len(Data), 1), dtype = float)        Data = np.append(Data, new, axis = 1)    return Data

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

def jump(Data, jump): Data = Data[jump:, ] 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 ema(Data, alpha, lookback, what, where):        alpha = alpha / (lookback + 1.0)    beta  = 1 - alpha        # First value is a simple SMA    Data = ma(Data, lookback, what, where)        # Calculating first EMA    Data[lookback + 1, where] = (Data[lookback + 1, what] * alpha) + (Data[lookback, where] * beta)         # Calculating the rest of EMA    for i in range(lookback + 2, len(Data)):            try:                Data[i, where] = (Data[i, what] * alpha) + (Data[i - 1, where] * beta)                    except IndexError:                pass                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，了解當前的定位，并通過并存的復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

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

真實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，我們只需取真實范圍的 n 個周期的平均值來獲得平均真實范圍。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。

人們應該永遠記住，這個指標是滯后的，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 adder(Data, times):        for i in range(1, times + 1):            new = np.zeros((len(Data), 1), dtype = float)        Data = np.append(Data, new, axis = 1)    return Data

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

def jump(Data, jump): Data = Data[jump:, ] 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 ema(Data, alpha, lookback, what, where):        alpha = alpha / (lookback + 1.0)    beta  = 1 - alpha        # First value is a simple SMA    Data = ma(Data, lookback, what, where)        # Calculating first EMA    Data[lookback + 1, where] = (Data[lookback + 1, what] * alpha) + (Data[lookback, where] * beta)    # Calculating the rest of EMA    for i in range(lookback + 2, len(Data)):            try:                Data[i, where] = (Data[i, what] * alpha) + (Data[i - 1, where] * beta)                    except IndexError:                pass                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，我們可以進一步使用 SuperTrend 指標。該指標旨在為趨勢追隨者提供進入和退出水平。您可以將其視為移動平均線或 MACD。它的獨特性是它的主要優(yōu)勢，雖然它的計算方法比其他兩個指標復雜得多，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和最低點的平均值，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，它們構成了 SuperTrend 指標的第一個構建塊。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。

它可能看起來很復雜，但其中大部分條件都是重復的，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行優(yōu)化。最后，使用前面的兩個計算，我們可以找到 SuperTrend。

def supertrend(Data, multiplier, atr_col, close, high, low, where):        Data = adder(Data, 6)        for i in range(len(Data)):                    # Average Price            Data[i, where] = (Data[i, high] + Data[i, low]) / 2            # Basic Upper Band            Data[i, where + 1] = Data[i, where] + (multiplier * Data[i, atr_col])            # Lower Upper Band            Data[i, where + 2] = Data[i, where] - (multiplier * Data[i, atr_col])        # Final Upper Band    for i in range(len(Data)):                if i == 0:            Data[i, where + 3] = 0                    else:              if (Data[i, where + 1] < Data[i - 1, where + 3]) or (Data[i - 1, close] > Data[i - 1, where + 3]):                Data[i, where + 3] = Data[i, where + 1]                        else:                Data[i, where + 3] = Data[i - 1, where + 3]        # Final Lower Band    for i in range(len(Data)):                if i == 0:            Data[i, where + 4] = 0                    else:              if (Data[i, where + 2] > Data[i - 1, where + 4]) or (Data[i - 1, close] < Data[i - 1, where + 4]):                Data[i, where + 4] = Data[i, where + 2]                        else:                Data[i, where + 4] = Data[i - 1, where + 4]          # SuperTrend    for i in range(len(Data)):                if i == 0:            Data[i, where + 5] = 0                elif (Data[i - 1, where + 5] == Data[i - 1, where + 3]) and (Data[i, close] <= Data[i, where + 3]):            Data[i, where + 5] = Data[i, where + 3]                elif (Data[i - 1, where + 5] == Data[i - 1, where + 3]) and (Data[i, close] >  Data[i, where + 3]):            Data[i, where + 5] = Data[i, where + 4]                elif (Data[i - 1, where + 5] == Data[i - 1, where + 4]) and (Data[i, close] >= Data[i, where + 4]):            Data[i, where + 5] = Data[i, where + 4]                elif (Data[i - 1, where + 5] == Data[i - 1, where + 4]) and (Data[i, close] <  Data[i, where + 4]):            Data[i, where + 5] = Data[i, where + 3]                   # Cleaning columns    Data = deleter(Data, where, 5)                return Data

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。

我們應該理解該指標的方式是，當它高于市場價格時，我們應該尋求做空，當它低于市場價格時，我們應該尋求做多，因為我們預期牛市趨勢。請記住，SuperTrend 是趨勢跟蹤指標。這里的目的是在開始時捕捉趨勢，并在趨勢結束時關閉。

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，我們已經(jīng)導入了必要的歷史數(shù)據(jù)。

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

# Adding a few columnsmy_data = adder(my_data, 10)

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

# Calling the ATR function to be used in the SuperTrendmy_data = atr(my_data, lookback_supertrend, 1, 2, 3, 5, genre = 'Smoothed')

# 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。這強化了看漲偏見，反之亦然。

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

def signal(Data, close, rsi_column, supertrend_column, buy, sell):        Data = adder(Data, 10)            for i in range(len(Data)):                    if Data[i, rsi_column] > 50 and   Data[i, close] > Data[i, supertrend_column] and Data[i - 1, close] < Data[i - 1, supertrend_column]:                          Data[i, buy] = 1                    elif Data[i, rsi_column] < 50 and Data[i, close] < Data[i, supertrend_column] and Data[i - 1, close] > Data[i - 1, supertrend_column]:                                         Data[i, sell] = -1                return Data