用 Python 實(shí)現(xiàn) RSI 指標(biāo)線與股價(jià)的頂背離、底背離
當(dāng)價(jià)格和您的指標(biāo)向相反方向移動(dòng)時(shí)，就會(huì)出現(xiàn)背離。例如，您使用 RSI 進(jìn)行交易，它上次在 80 處達(dá)到峰值，現(xiàn)在在 70 處達(dá)到峰值。當(dāng) RSI 達(dá)到 80 時(shí)，您交易的標(biāo)的證券價(jià)格為 14 美元，現(xiàn)在達(dá)到新的峰值 18 美元。這是一個(gè)背離。
由于峰值的趨勢，交易者將價(jià)格稱為“更高的高點(diǎn)”，將 RSI 稱為“更低的高點(diǎn)”。技術(shù)交易者通過視覺跟蹤但很難復(fù)制，因?yàn)椴⒉豢偸乔宄烤故鞘裁丛炀土恕胺逯怠?。我們提供了一種算法來檢測交易的波峰和波谷，我們將在下面深入探討構(gòu)建 RSI 背離策略的細(xì)節(jié)時(shí)加以利用。
作為入場信號的背離
背離通常被稱為“看跌”或“看漲”。看跌背離就像我們在上面的例子中看到的那樣。我們有一個(gè)動(dòng)量指標(biāo)在價(jià)格之前減弱，這給了我們一個(gè)做空的點(diǎn)。看漲背離是我們的動(dòng)量指標(biāo)出現(xiàn)較高的低點(diǎn)，但價(jià)格較低的低點(diǎn)。
根據(jù)這種解釋，背離是領(lǐng)先指標(biāo)——背離發(fā)生在價(jià)格行為確認(rèn)之前。在實(shí)踐中，實(shí)現(xiàn)這一點(diǎn)更具挑戰(zhàn)性，因?yàn)槟鷷?huì)發(fā)現(xiàn)自己正在尋找價(jià)格和指標(biāo)的峰值，并且直到經(jīng)過一段時(shí)間后才能確認(rèn)該值是峰值，因此您可以查看該值是否下降。
無論如何，讓我們用一些代碼來說明這是如何工作的！
檢測背離
第一步將需要導(dǎo)入幾個(gè)包。
import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport yfinance as yffrom scipy.signal import argrelextremafrom collections import deque
argrelextrema 用于檢測 SciPy 信號處理庫中的峰值，而 deque 就像一個(gè)固定長度的列表，如果超過它的長度，它將刪除最舊的條目并保留新條目。我們將使用第一個(gè)來發(fā)現(xiàn)數(shù)據(jù)中的極值，然后循環(huán)遍歷它們并保留高于先前條目的點(diǎn)。
為了找出極值，我們需要傳遞一個(gè)名為 order 的參數(shù)。這定義了我們實(shí)際需要在峰的兩側(cè)有多少個(gè)點(diǎn)來標(biāo)記峰。因此，當(dāng) order=5 時(shí)，我們需要一些東西成為左右 5 個(gè)數(shù)據(jù)點(diǎn)內(nèi)的最高點(diǎn)。我們提供的另一個(gè)參數(shù)是 K，它只是一個(gè)整數(shù)，用于確定我們想要識別多少個(gè)連續(xù)峰值以確定更高的高點(diǎn)趨勢。
下面給出了完整的、更高的檢測功能。
def getHigherHighs(data: np.array, order=5, K=2):'''Finds consecutive higher highs in price pattern.Must not be exceeded within the number of periods indicated by the widthparameter for the value to be confirmed.K determines how many consecutive highs need to be higher.'''# Get highshigh_idx = argrelextrema(data, np.greater, order=order)[0]highs = data[high_idx]# Ensure consecutive highs are higher than previous highsextrema = []ex_deque = deque(maxlen=K)for i, idx in enumerate(high_idx):if i == 0:ex_deque.append(idx)continueif highs[i] < highs[i-1]:ex_deque.clear()ex_deque.append(idx)if len(ex_deque) == K:extrema.append(ex_deque.copy())return extrema
這將返回包含峰值索引的雙端隊(duì)列列表。為了獲得用于識別背離的所有相關(guān)組合，我們需要四個(gè)這樣的函數(shù)，一個(gè)用于更高的高點(diǎn)（上圖）、更低的低點(diǎn)、更低的高點(diǎn)和更高的低點(diǎn)。它們中的每一個(gè)的邏輯都是相同的，我們只是在第 9 行將 np.greater 更改為 np.less 并在第 18 行更改不等號以獲得我們想要的行為。
我們需要一些數(shù)據(jù)，因此我們將從 Yahoo! 使用 yfinance 包的金融 API。我將使用埃克森美孚 (XOM)，因?yàn)樗谶^去幾十年中經(jīng)歷了相當(dāng)多的繁榮和蕭條。
start = '2011-01-01'end = '2011-07-31'ticker = 'XOM'yfObj = yf.Ticker(ticker)data = yfObj.history(start=start, end=end)# Drop unused columnsdata.drop(['Open', 'High', 'Low', 'Volume', 'Dividends','Stock Splits'], axis=1, inplace=True)
現(xiàn)在我們可以計(jì)算所有的極值并繪制結(jié)果。
from matplotlib.lines import Line2D # For legendprice = data['Close'].valuesdates = data.index# Get higher highs, lower lows, etc.order = 5hh = getHigherHighs(price, order)lh = getLowerHighs(price, order)ll = getLowerLows(price, order)hl = getHigherLows(price, order)# Get confirmation indiceshh_idx = np.array([i[1] + order for i in hh])lh_idx = np.array([i[1] + order for i in lh])ll_idx = np.array([i[1] + order for i in ll])hl_idx = np.array([i[1] + order for i in hl])# Plot resultscolors = plt.rcParams['axes.prop_cycle'].by_key()['color']plt.figure(figsize=(12, 8))plt.plot(data['Close'])plt.scatter(dates[hh_idx], price[hh_idx-order], marker='^', c=colors[1])plt.scatter(dates[lh_idx], price[lh_idx-order], marker='v', c=colors[2])plt.scatter(dates[ll_idx], price[ll_idx-order], marker='v', c=colors[3])plt.scatter(dates[hl_idx], price[hl_idx-order], marker='^', c=colors[4])_ = [plt.plot(dates[i], price[i], c=colors[1]) for i in hh]_ = [plt.plot(dates[i], price[i], c=colors[2]) for i in lh]_ = [plt.plot(dates[i], price[i], c=colors[3]) for i in ll]_ = [plt.plot(dates[i], price[i], c=colors[4]) for i in hl]plt.xlabel('Date')plt.ylabel('Price ($)')plt.title(f'Potential Divergence Points for {ticker} Closing Price')legend_elements = [Line2D([0], [0], color=colors[0], label='Close'),Line2D([0], [0], color=colors[1], label='Higher Highs'),Line2D([0], [0], color='w', marker='^',markersize=10,markerfacecolor=colors[1],label='Higher High Confirmation'),Line2D([0], [0], color=colors[2], label='Higher Lows'),Line2D([0], [0], color='w', marker='^',markersize=10,markerfacecolor=colors[2],label='Higher Lows Confirmation'),Line2D([0], [0], color=colors[3], label='Lower Lows'),Line2D([0], [0], color='w', marker='v',markersize=10,markerfacecolor=colors[3],label='Lower Lows Confirmation'),Line2D([0], [0], color=colors[4], label='Lower Highs'),Line2D([0], [0], color='w', marker='^',markersize=10,markerfacecolor=colors[4],label='Lower Highs Confirmation')]plt.legend(handles=legend_elements, bbox_to_anchor=(1, 0.65))plt.show()
在這個(gè)圖中，我們提取了所有潛在的分歧點(diǎn)，并將高點(diǎn)和低點(diǎn)映射到價(jià)格。另外，請注意我為每個(gè)峰值繪制了確認(rèn)點(diǎn)。我們不知道峰值是否真的是峰值，直到我們給它幾天（在這種情況下為 5 天）看看價(jià)格接下來會(huì)發(fā)生什么。
價(jià)格圖表只是背離所需的一半，我們還需要應(yīng)用一個(gè)指標(biāo)。借鑒考夫曼出色的交易系統(tǒng)和方法，我們應(yīng)該使用某種動(dòng)量指標(biāo)。我們將繼續(xù)應(yīng)用 RSI，盡管 MACD、隨機(jī)指標(biāo)等也適用。
RSI 的峰值和谷值
RSI 最常被解釋為當(dāng)該值高于中心線 (RSI=50) 時(shí)表現(xiàn)出上升勢頭，而當(dāng)它低于中心線時(shí)表現(xiàn)出下降勢頭。如果我們有一系列高于 50 的較小峰值，則可能表明動(dòng)能減弱，而低于 50 的一系列不斷增加的谷可能表明我們可以交易的動(dòng)能增加。
我們的下一步是計(jì)算 RSI，然后應(yīng)用與上述相同的技術(shù)來提取相關(guān)的極值。
def calcRSI(data, P=14):data['diff_close'] = data['Close'] - data['Close'].shift(1)data['gain'] = np.where(data['diff_close']>0, data['diff_close'], 0)data['loss'] = np.where(data['diff_close']<0, np.abs(data['diff_close']), 0)data[['init_avg_gain', 'init_avg_loss']] = data[['gain', 'loss']].rolling(P).mean()avg_gain = np.zeros(len(data))avg_loss = np.zeros(len(data))for i, _row in enumerate(data.iterrows()):row = _row[1]if i < P - 1:last_row = row.copy()continueelif i == P-1:avg_gain[i] += row['init_avg_gain']avg_loss[i] += row['init_avg_loss']else:avg_gain[i] += ((P - 1) * avg_gain[i-1] + row['gain']) / Pavg_loss[i] += ((P - 1) * avg_loss[i-1] + row['loss']) / Plast_row = row.copy()data['avg_gain'] = avg_gaindata['avg_loss'] = avg_lossdata['RS'] = data['avg_gain'] / data['avg_loss']data['RSI'] = 100 - 100 / (1 + data['RS'])return data
有了該功能，我們可以將 RSI 及其相關(guān)列添加到我們的數(shù)據(jù)框中：
data = calcRSI(data.copy())# Get values to mark RSI highs/lows and plotrsi_hh = getHigherHighs(rsi, order)rsi_lh = getLowerHighs(rsi, order)rsi_ll = getLowerLows(rsi, order)rsi_hl = getHigherLows(rsi, order)
我們將遵循與上述相同的格式來繪制我們的結(jié)果：
fig, ax = plt.subplots(2, figsize=(20, 12), sharex=True)ax[0].plot(data['Close'])ax[0].scatter(dates[hh_idx], price[hh_idx-order],marker='^', c=colors[1])ax[0].scatter(dates[lh_idx], price[lh_idx-order],marker='v', c=colors[2])ax[0].scatter(dates[hl_idx], price[hl_idx-order],marker='^', c=colors[3])ax[0].scatter(dates[ll_idx], price[ll_idx-order],marker='v', c=colors[4])_ = [ax[0].plot(dates[i], price[i], c=colors[1]) for i in hh]_ = [ax[0].plot(dates[i], price[i], c=colors[2]) for i in lh]_ = [ax[0].plot(dates[i], price[i], c=colors[3]) for i in hl]_ = [ax[0].plot(dates[i], price[i], c=colors[4]) for i in ll]ax[0].set_ylabel('Price ($)')ax[0].set_title(f'Price and Potential Divergence Points for {ticker}')ax[0].legend(handles=legend_elements)ax[1].plot(data['RSI'])ax[1].scatter(dates[rsi_hh_idx], rsi[rsi_hh_idx-order],marker='^', c=colors[1])ax[1].scatter(dates[rsi_lh_idx], rsi[rsi_lh_idx-order],marker='v', c=colors[2])ax[1].scatter(dates[rsi_hl_idx], rsi[rsi_hl_idx-order],marker='^', c=colors[3])ax[1].scatter(dates[rsi_ll_idx], rsi[rsi_ll_idx-order],marker='v', c=colors[4])_ = [ax[1].plot(dates[i], rsi[i], c=colors[1]) for i in rsi_hh]_ = [ax[1].plot(dates[i], rsi[i], c=colors[2]) for i in rsi_lh]_ = [ax[1].plot(dates[i], rsi[i], c=colors[3]) for i in rsi_hl]_ = [ax[1].plot(dates[i], rsi[i], c=colors[4]) for i in rsi_ll]ax[1].set_ylabel('RSI')ax[1].set_title(f'RSI and Potential Divergence Points for {ticker}')ax[1].set_xlabel('Date')plt.tight_layout()plt.show()
這只是一個(gè)短暫的 7 個(gè)月窗口，因此我們可以清楚地看到價(jià)格和 RSI 的走勢，因此只有一個(gè)背離可見。我們在 RSI 圖表（橙色，向上的三角形）上看到 6 月中旬在價(jià)格圖表（藍(lán)色，向下的三角形）中一系列較低的低點(diǎn)中間確認(rèn)更高的低點(diǎn)。我們不權(quán)衡圖表，所以讓我們把一個(gè)算法放在一起來測試這個(gè) RSI 背離模型。
建立 RSI 發(fā)散模型
到目前為止，我們有一些通用規(guī)則來識別我們有背離的情況，但我們?nèi)匀恍枰M(jìn)入和退出規(guī)則。首先，我們可以求助于 Kaufmann 出色的交易系統(tǒng)和方法，在那里他列出了一個(gè)示例策略，其中包含以下規(guī)則：
如果指標(biāo)高于目標(biāo)水平（例如 RSI = 50），則在確定背離時(shí)輸入頭寸。如果指標(biāo)背離消失，則退出。如果我們在價(jià)格創(chuàng)出更高的高點(diǎn)而 RSI 創(chuàng)出更低的高點(diǎn)時(shí)做空，那么我們的 RSI 會(huì)移動(dòng)到更高的高點(diǎn)，那么我們就出局了。一旦指標(biāo)達(dá)到目標(biāo)水平就退出。允許背離轉(zhuǎn)換為趨勢位置。為此，我們使用單獨(dú)的趨勢指標(biāo)（例如 EMA 交叉），如果趨勢與背離方向相同，我們將持有頭寸。如果背離消失但趨勢繼續(xù)，我們持有，并僅在趨勢消失時(shí)退出。我們將根據(jù) Kaufmann 規(guī)則構(gòu)建兩種模型，一種僅交易背離（規(guī)則 1-3），另一種具有背離加趨勢（所有 4 條規(guī)則）。當(dāng)然，您可以根據(jù)自己的需要隨意修改這些，并自己嘗試各種方法。
接下來，我將構(gòu)建一些輔助函數(shù)來標(biāo)記我們的峰值。第一組將修改我們的 getHigherHighs 函數(shù)組的輸出。這些是為上述可視化而構(gòu)建的，但我們只需要為我們的模型提取趨勢的確認(rèn)點(diǎn)。另請注意，由于我們正在向索引添加順序，因此我們可能會(huì)獲得會(huì)引發(fā)索引錯(cuò)誤的確認(rèn)點(diǎn)，因此我們會(huì)刪除任何大于我們擁有的數(shù)據(jù)點(diǎn)數(shù)量的索引。
四個(gè)函數(shù)如下：
def getHHIndex(data: np.array, order=5, K=2):extrema = getHigherHighs(data, order, K)idx = np.array([i[-1] + order for i in extrema])return idx[np.where(idx<len(data))]def getLHIndex(data: np.array, order=5, K=2):extrema = getLowerHighs(data, order, K)idx = np.array([i[-1] + order for i in extrema])return idx[np.where(idx<len(data))]def getLLIndex(data: np.array, order=5, K=2):extrema = getLowerLows(data, order, K)idx = np.array([i[-1] + order for i in extrema])return idx[np.where(idx<len(data))]def getHLIndex(data: np.array, order=5, K=2):extrema = getHigherLows(data, order, K)idx = np.array([i[-1] + order for i in extrema])return idx[np.where(idx<len(data))]
為了減少重寫代碼，我將引入一個(gè)名為 getPeaks 的函數(shù)，它獲取我們的數(shù)據(jù)幀并將我們的高點(diǎn)和低點(diǎn)的輸出編碼為列向量。它將使用我們上面定義的四個(gè)函數(shù)，并從我們觸及更高高點(diǎn)到 Close_highs 列分配值 1。如果我們的高點(diǎn)在確認(rèn)較低的高點(diǎn)后呈下降趨勢，那么我們在同一列中用 -1 標(biāo)記。它會(huì)為低點(diǎn)做同樣的事情。記住哪些值為 1 哪些值為 -1 很重要，因此如果趨勢正在增加（更高的高點(diǎn)或更高的低點(diǎn)），我將其設(shè)為 1，如果趨勢正在下降（更低的高點(diǎn)或更低的低點(diǎn)），我將其設(shè)為 1 ）。
def getPeaks(data, key='Close', order=5, K=2):vals = data[key].valueshh_idx = getHHIndex(vals, order, K)lh_idx = getLHIndex(vals, order, K)ll_idx = getLLIndex(vals, order, K)hl_idx = getHLIndex(vals, order, K)data[f'{key}_highs'] = np.nandata[f'{key}_highs'][hh_idx] = 1data[f'{key}_highs'][lh_idx] = -1data[f'{key}_highs'] = data[f'{key}_highs'].ffill().fillna(0)data[f'{key}_lows'] = np.nandata[f'{key}_lows'][ll_idx] = 1data[f'{key}_lows'][hl_idx] = -1data[f'{key}_lows'] = data[f'{key}_highs'].ffill().fillna(0)return data
最后，我們可以制定我們的戰(zhàn)略。在這里，我們只是遵循上面列出的前 3 條規(guī)則。
def RSIDivergenceStrategy(data, P=14, order=5, K=2):'''Go long/short on price and RSI divergence.- Long if price to lower low and RSI to higher low with RSI < 50- Short if price to higher high and RSI to lower high with RSI > 50Sell if divergence disappears.Sell if the RSI crosses the centerline.'''data = getPeaks(data, key='Close', order=order, K=K)data = calcRSI(data, P=P)data = getPeaks(data, key='RSI', order=order, K=K)position = np.zeros(data.shape[0])# position[:] = np.nanfor i, (t, row) in enumerate(data.iterrows()):if np.isnan(row['RSI']):continue# If no position is onif position[i-1] == 0:# Buy if indicator to higher low and price to lower lowif row['Close_lows'] == -1 and row['RSI_lows'] == 1:if row['RSI'] < 50:position[i] = 1entry_rsi = row['RSI'].copy()# Short if price to higher high and indicator to lower highelif row['Close_highs'] == 1 and row['RSI_highs'] == -1:if row['RSI'] > 50:position[i] = -1entry_rsi = row['RSI'].copy()# If current position is longelif position[i-1] == 1:if row['RSI'] < 50 and row['RSI'] < entry_rsi:position[i] = 1# If current position is shortelif position[i-1] == -1:if row['RSI'] < 50 and row['RSI'] > entry_rsi:position[i] = -1data['position'] = positionreturn calcReturns(data)def calcReturns(df):# Helper function to avoid repeating too much codedf['returns'] = df['Close'] / df['Close'].shift(1)df['log_returns'] = np.log(df['returns'])df['strat_returns'] = df['position'].shift(1) * df['returns']df['strat_log_returns'] = df['position'].shift(1) * df['log_returns']df['cum_returns'] = np.exp(df['log_returns'].cumsum()) - 1df['strat_cum_returns'] = np.exp(df['strat_log_returns'].cumsum()) - 1df['peak'] = df['cum_returns'].cummax()df['strat_peak'] = df['strat_cum_returns'].cummax()return df
關(guān)于退出條件需要注意的一件事，我們要等待趨勢的變化。我沒有等待 5 天來確認(rèn) RSI 的峰值，而是添加了一個(gè)條件，即如果 RSI 跌破我們的多頭倉位的入場 RSI 或高于我們的空頭倉位的入場 RSI，我們應(yīng)該退出。這是有效的，因?yàn)槿绻覀冊?RSI 的較低高點(diǎn)做空，那么如果情況逆轉(zhuǎn)，我們將退出。如果 RSI 收于我們的入場 RSI 上方，那么要么成為更高的高點(diǎn)，從而打破我們的趨勢，要么更高的高點(diǎn)仍將到來。設(shè)置這個(gè)條件只會(huì)讓我們更快地退出交易。
好了，解釋夠了，讓我們用 2000-2020 年的數(shù)據(jù)測試一下。
start = '2000-01-01'end = '2020-12-31'data = yfObj.history(start=start, end=end)# Drop unused columnsdata.drop(['Open', 'High', 'Low', 'Volume', 'Dividends','Stock Splits'], axis=1, inplace=True)df_div = RSIDivergenceStrategy(data.copy())plt.figure(figsize=(12, 8))plt.plot(df_div['cum_returns'] * 100, label='Buy-and-Hold')plt.plot(df_div['strat_cum_returns'] * 100, label='RSI Divergence')plt.xlabel('Date')plt.ylabel('Returns (%)')plt.title(f'Buy-and-Hold and RSI Divergence Returns for {ticker}')plt.legend()plt.show()df_stats = pd.DataFrame(getStratStats(df_div['log_returns']),index=['Buy and Hold'])df_stats = pd.concat([df_stats,pd.DataFrame(getStratStats(df_div['strat_log_returns']),index=['Divergence'])])df_stats
最后，背離策略的表現(xiàn)優(yōu)于買入并持有的策略（忽略?？松梨谥Ц兜墓上ⅲ?。它的波動(dòng)性較小，跌幅較小，但在 2004 年至 2020 年期間表現(xiàn)不佳。換句話說，在 2020 年突破之前，你會(huì)等待 16 年，而這種策略看起來像是對底層證券的虧損。這種策略可能在其他地方更有效或適合多元化的投資組合，但至少在這種情況下， 純 RSI 背離策略看起來不太好。
RSI 背離和趨勢
對于下一個(gè)模型，讓我們采用 Kaufman 的建議并應(yīng)用趨勢轉(zhuǎn)換。為此，我們將選擇 EMA 交叉。因此，該模型將像我們上面看到的背離模型一樣進(jìn)行交易，但會(huì)檢查我們的 EMA 交叉所指示的趨勢。如果我們做多且 EMA1 > EMA2，我們將保持該頭寸。
EMA 計(jì)算代碼和策略如下：
def _calcEMA(P, last_ema, N):return (P - last_ema) * (2 / (N + 1)) + last_emadef calcEMA(data, N):# Initialize seriesdata['SMA_' + str(N)] = data['Close'].rolling(N).mean()ema = np.zeros(len(data))for i, _row in enumerate(data.iterrows()):row = _row[1]if i < N:ema[i] += row['SMA_' + str(N)]else:ema[i] += _calcEMA(row['Close'], ema[i-1], N)data['EMA_' + str(N)] = ema.copy()return datadef RSIDivergenceWithTrendStrategy(data, P=14, order=5, K=2, EMA1=50, EMA2=200):'''Go long/short on price and RSI divergence.- Long if price to lower low and RSI to higher low with RSI < 50- Short if price to higher high and RSI to lower high with RSI > 50Sell if divergence disappears or if the RSI crosses the centerline, unlessthere is a trend in the same direction.'''data = getPeaks(data, key='Close', order=order, K=K)data = calcRSI(data, P=P)data = getPeaks(data, key='RSI', order=order, K=K)data = calcEMA(data, EMA1)data = calcEMA(data, EMA2)position = np.zeros(data.shape[0])# position[:] = np.nanfor i, (t, row) in enumerate(data.iterrows()):if np.isnan(row['RSI']):continue# If no position is onif position[i-1] == 0:# Buy if indicator to higher high and price to lower highif row['Close_lows'] == -1 and row['RSI_lows'] == 1:if row['RSI'] < 50:position[i] = 1entry_rsi = row['RSI'].copy()# Short if price to higher high and indicator to lower highelif row['Close_highs'] == 1 and row['RSI_highs'] == -1:if row['RSI'] > 50:position[i] = -1entry_rsi = row['RSI'].copy()# If current position is longelif position[i-1] == 1:if row['RSI'] < 50 and row['RSI'] < entry_rsi:position[i] = 1elif row[f'EMA_{EMA1}'] > row[f'EMA_{EMA2}']:position[i] = 1# If current position is shortelif position[i-1] == -1:if row['RSI'] < 50 and row['RSI'] > entry_rsi:position[i] = -1elif row[f'EMA_{EMA1}'] < row[f'EMA_{EMA2}']:position[i] = -1data['position'] = positionreturn calcReturns(data)
在我們的數(shù)據(jù)上運(yùn)行這個(gè)模型，我們得到：
plt.figure(figsize=(12, 8))plt.plot(df_trend['cum_returns'] * 100, label=f'Buy-and-Hold')plt.plot(df_trend['strat_cum_returns'] * 100, label='RSI Div + Trend')plt.xlabel('Date')plt.ylabel('Returns (%)')plt.title(f'Buy-and-Hold and Divergence with Trend Returns for {ticker}')plt.legend()plt.show()df_trend = RSIDivergenceWithTrendStrategy(data.copy())df_stats = pd.concat([df_stats,pd.DataFrame(getStratStats(df_trend['strat_log_returns']),index=['Div + Trend'])])df_stats
添加我們的趨勢指標(biāo)大大增加了我們的回報(bào)。它以較低的波動(dòng)性（盡管比 RSI 背離策略更多）和較高的風(fēng)險(xiǎn)調(diào)整回報(bào)。最大回撤小于底層證券經(jīng)歷的最大回撤，而且持續(xù)時(shí)間更短。
你準(zhǔn)備好交易了嗎？
我們研究了兩種 RSI 背離策略的編碼和交易，一種很好，另一種則不然。這是否意味著您應(yīng)該出去用 EMA 交叉交易 RSI 背離？
在這里給你一些關(guān)于這些指標(biāo)的想法和解釋。這些快速的回測很有用，因?yàn)槟梢粤私馊绾螠y試想法，并且可以在各種證券和市場上進(jìn)行測試以開始縮小選擇范圍。也許更嚴(yán)格的測試表明 RSI 背離是您系統(tǒng)中真正有價(jià)值的部分，而趨勢模型是一個(gè)異常值。除非你測試它，否則你永遠(yuǎn)不會(huì)知道！