于永瑞  江门农村商业银行股份有限公司

摘要：RSI指标是量化从业者经常用到的指标，在证券投资分析与决策中，RSI指标根据给定时间内上涨天数总幅度的占比来判断买卖点，过去几十年该指标在期货、股票、基金领域有着非常广泛的应用，最近几年量化交易人员逐渐探索将该指标应用于债券交易。本文选取债券指数日数据作为分析对象，使用RSI指标制定波段交易策略，取得了较好的效果，最终选择回溯天数、下限和上限分别为9、20、80，得到的亏损概率为44.07%，单次最大回撤1.15%，年化收益率为3.28%，年平均买卖次数为3.7次。研究结果表明，量化交易具有广阔的发展前途，深入分析其它指标在债券交易中的应用是下一步继续研究的方向。

关键词：技术指标；RSI

一、引言

技术分析是量化交易的重要流派，可回溯、可编程的优点促使很多量化交易从业人员深入研究。技术分析源远流长，最早可追溯到上世纪四十年代，后来伴随着计算机技术的发展快速应用于金融交易中，刚开始在集中交易模式的期货交易中较常见，本世纪初逐步拓展到股票、基金等领域，最近几年，债券量化交易逐渐兴起，很多学者开始探索技术指标应用于债券交易的方法，取得了较好的效果。

RSI（英文名称Relative Strength Index）指标又称相对强弱线指标，是实际应用效果较好的指标，最早由威尔士·王尔德提出，同其它技术指标一样，最早应用于期货市场，最近二三十年开始在股票市场中得到广泛应用。

相对强弱线指标的原理是通过一段时间内股票收盘价或指数的涨跌判断金融市场上买方与卖方力量的相对强度，推测股票价格或这书未来的走势变化。一般原理是，首先选定一个观察期，比如6个交易日，观察股票收盘价或指数在六个交易日上涨或下跌的幅度，如上涨幅度大则证明买方力量较强，反之，如下跌幅度大则证明卖方力量较强，然后用6个交易日内上涨的幅度之和除以观察日上涨与下跌幅度绝对值之和，便可看到上涨和下跌哪一方力量更强。在实际应用中，RSI数值在50%左右附近，为了分析方便，一般会将结果乘以100。

在实际交易中，一般股票收盘价或指数是长期上涨的，观察期内是上涨的幅度会等于或略大于下跌的幅度，50是判断市场强弱的分界线。一般运用原则是，当RSI数值介于20-80之间认为多空力量相对平衡，此时不进行操作。当RSI数值低于20时，认为市场情绪相对较弱，卖方力量占优，市场可能发生反转，此时应该逆市场操作买入；反之，当RSI数值大于80时，认为市场情绪相对较强，买方力量占优，市场可能发生反转，此时应该逆市场操作卖出。

相比较而言，期货市场交易量最大，各国期货交易都采用场内集中交易模式，基于计算机技术和算法的技术指标交易也最先应用于期货市场。股票交易同样采用场内集中交易模式，但受限于单只股票交易量相对较低，技术指标交易在期货市场应用成熟后才逐步拓展到股票市场。目前，各国银行间市场是债券交易的最大市场，参与者主要为银行或非银行金融机构，大多采用交易员之间互相询价的模式，交易效率比集中交易要小很多，技术指标交易最后才开始银行间市场应用。2014年国债期货重新上市后，很多投资者开始将技术指标交易应用于国债期货交易，经过近十年的发展，技术指标交易向现券交易发展的趋势非常明显，银行、基金、券商、私募等头部机构开始研究和应用技术指标指导债券现货交易，并取得了不错的效果，回撤可控，收益率可观，这也是本文研究的意义所在。

二、国内外研究进展

任何成果都是首先有理论，然后才会有应用与实践，技术指标交易也不例外，在技术指标量化交易的历史长河中，很多专家学者进行了深入的研究，最近几年的研究成果主要包括：成晋波（2015）使用上证综指作为研究对象，分析RSI指标的应用范围，对历次行情持续时间的长短进行统计分析，得出其概率分布，帮助投资者获取收益^[1]。刘强等（2016）使用BOLL+RSI组合策略对上证50股指期货进行了程序化交易实证，证明了布林线和相对强弱指标的组合策略能够在上证50期货市场中发挥重要作用^[2]。吴卫星（2018）研究了随机森林在量化选股中的应用，通过回溯历史数据发现随机森林模型适用于中国的A股市场，累计收益能够跑赢大盘指数，对量化投资者具有较强的指导意义^[3]。杨丽华等（2011）从博易大师数据终端提取数据，使用多种技术指标研究在期货价格预测中的应用，验证了技术指标分析的有效性^[4]。刘叶玲等（2010）使用5日均线、KDJ和RSI三大典型指标建立了非线性回归预测模型，最终使用多元线性回归模型预测股票价格，最终结果准确率较高^[5]。王品等（2011）用仿真实验的方法，以上交所和深交所数据为依据，研究了RSI指标的应用效果，最终得出RSI交易系统的开平仓点不一定是最佳买卖点的结论^[6]。王慧莹等（2021）使用平滑异同移动平均线、平均趋向、相对强弱、布林线、相对强弱五个指标和下一周股价走势作为随机森林预测模型的特征，构建股价走势预测模型，结果表明GS-RF模型收益率最高、风险最小^[7]。麦根（2019）使用多种技术指标构建了量化交易策略模型，得出结论：新模型可以有效避免出现数据过度拟合的现象，参数集合在样本外数据表现稳定，实盘应用前景较佳^[8]。张芳（2009）使用相对强弱指标、变动率指标、投资心理线指标和随机指标四个指标预测三只股票的变化趋势，结论是利用技术分析指标取得成功的关键是技术分析方法要符合市场状况^[9]。肖元（2013）结合个股的证券面板数据，构建N-N算法实现根据历史时间序列预测未来价格走势，验证了新的时间序列模型在理论上和实际应用中的准确性和有效性^[10]。潘晔（2014）选取沪深300股指期货5分钟高频数据，建立高频策略模型，验证了两个高频交易策略模型的应用效果^[11]。胡华挺（2013）通过格兰杰因果检验筛选变量，构建ARMA、GARCH和Logistic模型预期大豆期货价格走势，结果表明三个模型都能起到预判大豆期货价格波动的功能^[12]。郑双阳等（2016）使用数学模型和计算机编程相结合的技术，构建RSI指标的量化投资策略，使用改进后的策略，投资者可以在控制风险的情况下获得较平稳的收益^[13]。梁淇俊（2015）以标的资产的连涨连跌过程作为研究对象，提出一种应用于证券市场的量化投资方法，验证择时策略的应用效果，结果表明，该模型择时效率较高，且能够推广到基金等领域^[14]。张华（2020）构建了基于遗传算法的外汇量化交易策略，采用移动视窗技术对指标进行重复优化和检验，最终得到较好的结果^[15]。延红梅（2013）使用RSI模型对股票市场进行了检验，指出了该模型的优缺点^[16]。谢丁（2010）使用中国股票市场数据，对四种常用技术指标的参数进行优化，得出股票价格与技术指标之间的相关关系，最终提出了最佳的资产优化配置方案^[17]。梁淇俊等（2015）使用生存分析模型，通过T检验得出结论，MACD指标较RSI指标更加优秀，或者说在两者联合的策略中MACD的贡献更大^[18]。

上述十八位学者使用量化分析的方法，对期货、股票、债券进行了技术分析，大部分得出了较好的结果，但也存在一些不足之处，表现在两个方面：一是大部分研究集中于期货和股票，对债券市场进行技术分析的文献较少。二是没有得出可以应用于实战的详细系统。本文针对上述研究的不足，使用RSI指标检验债券市场的应用效果，具有重大的理论和现实意义。

三、原理

RSI指标又称相对强弱指标，是指一定时期内根据上涨幅度和下跌幅度各自之和的比率相互关系判断买点和卖点的指标，该理论经过很多从业者优化，已经广泛应用于金融市场期货和股票交易，主要的领域是应用于日线级别的短线交易。该理论的公式如下：

上式中，n表示回溯的天数，A表示上涨天数的日收益率之和，B表示下跌天数日收益率之和的绝对值。一般来说，RSI低于20表明处于超卖状态，价格可能会反弹，高于80表示处于超卖状态，价格存在调整的可能。

四、提取数据

一般来说，使用实际交易的数据最好，比如国债期货，每天交易量很大，价格日内连续性比国债现货要强很多，除交易价格外，每天也有成交量和持仓量数据，国债期货的致命缺陷是存在换月现象，每隔三个月换月时主力合约会发生变化，直接使用在换月日期附近的数据存在收益率大幅波动现象，最终只能放弃。另外一个可选数据是债券现货，债券现货的缺点是交易量较少，主力券的活跃交易天数同样较少，单只债券每天最大交易量不到2000次，主力券的变化会产生类似国债期货的换月现象，同样也只能放弃。考虑多种因素，最后使用债券指数，债券指数的最大优点是克服了国债期货的换月现象，缺点是价格只有日价格数据，价格数据是多种债券价格的拟合，此外没有成交量数据。综合多重因素，本文选择中债总指数（7-10年）2006至2021年数据为研究对象。

五、分析步骤

步骤一，提取数据。提取数据这一步相对较简单，目前大部分资讯终端可以下载数据，本文数据来源于Wind资讯终端，数据选取的时间段为2006年1月1日至2021年12月31日，共计16年实际交易数据。

步骤二，确定参数n、上限、下限的数值，分别计算买入和卖出信号，初始值可以设定为6、20、80。以后不断变动三个参数的上下区间，对每次得到的开平仓信号、收益率、回撤等数据进行记录。

步骤三，根据RSI的数值确定历史数据的所有买入和卖出信号，判断买卖的规则请见式（1）。

步骤四，根据参数n、上限和下限设计VBA程序，日数据数据量不大，运算不是特别负责，为了更好地与Excel函数兼容，本文采取Excel自带的VBA程序编辑器，以后如使用5分钟线、10分钟收盘价等高频数据，可以考虑运算效率更高的Matlab程序。

步骤五，计算不同的参数数值对应的开平仓情况，计算收益率、买卖次数、回撤等数据。

步骤六，调整参数步长，计算各种情况下对应的收益率等数据。

步骤七，得到不同参数的结果，然后优化参数，选择最优解。

六、结果分析

根据上面的七个步骤，得到的运行结果如下。

表1 RSI运行结果

从表1可以看出，当回溯天数为9、下限为20、上限为80时效果最好，此时历史数据合计收益率为52.43%，亏损概率为44.05%，单次最大回撤为1.15%，交易日天数为5826，年化平均价差收益率为3.28%，开平仓总次数为59次，平均每年开平仓次数为3.7次。

七、结论与建议

从上面的分析我们可以看出，RSI应用于债券交易取得了较好的效果，证明技术指标同样适用于债券市场，主要的结论如下：

（一）通过调整三个参数，RSI指标应用于债券交易取得了很好的效果，所有参数都能实现正收益，最优结果对应的参数分别为9、20、80。其它参数对应的收益率也有较好的表现，年化收益率没有出现负值，证明技术指标具有较强的适用性，存在一定的应用前景。从亏损概率指标来看，亏损概率基本都小于50%，最低值33.33%，最高值51.11%，盈亏比优于MACD等技术指标。从单次最大损失指标来看，如不设置止损，各参数对应的最小损失为-1.18%，最大损失为-2.34%，相对债券波动比较稳定的品种属性来看偏大，过大的单次最大损失不适于风险偏好比较低的金融机构，这就提示我们进行投资时不能过度依赖技术指标，要将定性分析与定量研究结合起来研判市场，才有可能取得更好的效果，同时，在后续的测试时，也可以设置止损比率。从分析的天数来看，回溯天数取值在6-20之间，基本符合债券交易的实际要求，主力国债期货合约活跃天数约50个交易日，最大值小于20的设置也能够满足国债期货交易的要求，以后投资时国债期货和现货债券相结合能够制定更多的投资策略。

（二）技术指标作为一门分析工具，不仅可以应用于期货和股票，同样可以应用于债券交易，技术分析应用于技术交易的前景非常广阔。从目前的国内的实践来看，量化技术在投资中的应用起始于2008年全球金融危机，金融危机爆发后大批华尔街投资人士回国就业客观上迅速带动了国内量化交易的发展。从全球发展趋势来看，量化交易最早可以追溯到上世纪70年代，随着计算机的普及和应用，基于复杂算法的量化交易蓬勃发展，诞生了一大批完全量化的基金，如文艺复兴基金，国内最近几年量化基金发展也非常迅速，如杭州幻方量化基金管理规模迅速超过1000亿。从应用范围来看，量化交易最早应用于期货市场，进入21世纪后，国内开始在股票市场得到广泛应用，量化交易在债券市场中应用较晚，主要原因一是国债交易的主流市场是银行间市场，不同于期货和股票的集合竞价交易模式，银行间市场更多采用询价和中介做市的模式达成交易，成交效率较低，价格存在较多滑点，不利于技术指标分析；二是因为债券现货非常分散，标准化程度低于期货和股票，单只债券成交量较低，以交易最活跃的10年期国开债为例，单日交易量只有约500笔，最大也不超过1000笔，远低于期货和股票的成交笔数，当然，中国国债期货合约开市交易已经将近十年时间，国债期货的交易参与者越来越多，交投日趋活跃，对国债现货具有价格发现和价格引领作用，极大促进了量化交易在国债现券中的应用。最近几年债券现货量化交易进入快速发展阶段，相信未来几年技术指标的应用会越来越广泛。

当然，RSI指标相对来说较简单，后续有很多优化的地方，以后可在如下几个方面继续完善：

（一）开发多指标互相验证的智能分析系统，进一步提高分析的准确率，降低开平仓误判率，减少止损次数。完全凭借RSI信号开平仓比较简单，以后可开发更多指标如MACD、BOLL、ROC等，多个指标互相验证，加上定性分析和判断，取得的效果预计会远大于单一指标。标的选择方面，本文采用的中债总指数（7-10年）只是几十只债券“拟合”而成的数据，不能代表实际交易的债券现货和国债期货，指数缺陷非常明显，如数据公布时间较晚，每天下午五点多才会计算出当日价格，盘中不能实时变化，也没有最高价、最低价、成交量、持仓量等对交易有重要指导作用的数据，对实际交易的指导性较弱。为更加贴近实际，考虑以后使用国债期货实际交易数据进行参数验证，开发适合于中国金融市场的交易策略。总之，开发多指标互相验证，盘中提示开平仓信号，与实际交易情况结合更加紧密的智能分析系统是下一步的重要工作。

（二）技术分析向深度拓展，使用大数据和人工智能技术，进一步分析量化交易在债券市场中的应用。本文使用的数据频率是日级别，相对来说频率较低，主要应用于配置方面。如开发高频交易策略，需要研究更高频率的行情数据，做高频分析涉及到更加高效的开发平台，VBA显然无法满足要求。此外，技术指标分析流派涉及到的指标计算相对简单，难点是最优参数的选择，最近几年基于大数据的人工智能技术取得了长足进步，很多同业应用于金融市场交易，如何将人工智能技术引入到债券现货和国债期货交易中是未来研究的方向。

（三）根据交易实际，解决交易的所有细节问题，如考虑冲击成本和交易成本等，开发量化交易系统直接投入实战，系统交易涉及到软件和硬件两个方面，投入非常大，但这是国家政策鼓励和未来技术发展的方向，以后如有合适机会可以采购软硬件，上线完全不用人工干预的集交易、仓位管理、止盈止损等于一体的智能化投资交易平台。

参考文献：

[1] 成晋波.基于RSI的证券投资统计决策[J].经济研究,2015(05):111-112.

[2] 刘强,童伟哲.上证50股指期货BOLL+RSI组合策略程序化交易实证[J].经济论坛,2016(08):67-72.

[3] 吴卫星.随机森林在技术指标量化选股中的应用[D].电子科技大学,2018.

[4] 杨丽华,魏宗有.谈技术指标在期货价格预测中的应用[J].商业时代,2011(02):54-55.

[5] 刘叶玲,高玲.利用技术指标及多元回归模型预测股票价格[J].技术与创新管理,2010(03):235-237.

[6] 王品,马辉.基于历史数据的RSI交易系统的实证分析[J].中国证券期货,2011(09):18-19.

[7] 王慧莹,郝泳涛.基于技术指标和随机森林的股价走势预测算法[J].现代计算机,2021(27):43-52.

[8] 麦根.基于技术分析指标组合的外汇量化交易策略优化研究[D].广西大学,2019.

[9] 张芳.基于技术分析指标的上海股票市场实证研究[D].山东科技大学,2009.

[10]肖元.基于技术分析和CBR的证券时间序列预测模型研究[D].昆明理工大学,2013.

[11]潘晔.基于高频交易模式下期货投资组合策略研究[D].华南理工大学,2014.

[12]胡华挺.基于价格波动的我国大豆期货市场投资研究[D].浙江大学,2013.

[13]郑双阳,王程,陈文敏.基于量价关系原理改进RSI指标的量化投资策略研究-以震荡行情的A股市场证券为例[J].福建金融管理干部学院学报, 2016(01):8-19.

[14]梁淇俊.基于生存分析的量化投资模型及其策略实现[D].暨南大学,2015.

[15]张华.基于遗传算法的外汇量化交易策略优化研究[J].天津商务职业学院学报, 2020(06):14-20.

[16]延红梅.浅析超买超卖型技术指标RSI的应用[J].中国证券期货, 2013(08):260-262.

[17]谢丁.股票技术分析指标的参数设置方法实证研究[J].河北金融, 2010(03):5-6.

[18]梁淇俊,郑贵俊,徐守萍.基于生存分析的择时策略择优体系研究[J].金融经济学研究, 2015(01):96-106.