量化实战篇：如何计算RSI指标的“拥挤度指标”？

在上一篇文章里，我们聊到一个现实问题：

解决思路之一就是构建“拥挤度指标”来监控市场过热信号。 今天我们不讲空话，带大家实战地计算一个最具代表性的技术指标——RSI的拥挤度。

一、先搞清楚：什么是RSI？

RSI（Relative Strength Index，相对强弱指标）本质上衡量的是市场短期超买/超卖程度。 计算公式如下：

通常：

• RSI > 70 代表超买
• RSI < 30 代表超卖

很多量化策略会在RSI < 30 时买入，RSI > 70 时卖出，这类信号在A股非常常见。

但问题是： 当越来越多的量化策略、CTA、量化私募都在用RSI逻辑， 这类“超买超卖信号”会失效，甚至反噬。

于是我们需要一个 “RSI 拥挤度指标” 来告诉我们——

二、RSI 拥挤度指标的构建思路

我们可以从信号一致性的角度来刻画拥挤度。 简单说：

• 如果市场上绝大多数股票的 RSI 同时极端（比如都在超买区间）， 那说明这个信号非常拥挤。
• 相反，如果 RSI 分布分散，说明信号未被过度共识，拥挤度低。

第一种算法思路：看“平均偏离度”

于是我们可以定义一个指标：

我们把每只股票的 RSI 和 50 这个中性点作比较。

于是我们计算：每只股票离 50 的距离有多远，再取平均。

简单来说：

• 如果所有股票都离 50 很远（比如都到 70、80 以上），说明大家都在一个方向上冲，拥挤！
• 如果有的高有的低，平均偏离就小，说明大家分散，不拥挤。

第二种算法思路：看“标准差”

或者更直观地用统计分布刻画：

更简单理解：
我们看一眼市场里所有股票的 RSI 值，是不是都差不多？

• 如果大家的 RSI 都集中在一起，比如都在 60 左右，说明大家步调一致 → 拥挤；
• 如果 RSI 有的 30、有的 70，分布很散 → 不拥挤。

“标准差”就是用来衡量这种“分散程度”的数学指标。标准差越小，越集中；越大，越分散。

第三种改进：加上成交量权重（资金视角）

当然，还可以进一步扩展： 加入成交量加权或行业分布，比如：

这样可以衡量主力资金在哪些区域过度集中。 想象两只股票：

• 一只是冷门小票，成交量很小；
• 一只是热门大票，成交量暴涨。

显然，热门大票的 RSI 变化更能代表主力资金的态度。 所以我们可以给成交量大的股票更高权重，让拥挤度更“贴近真金白银”的流向。

这样：

• 如果大资金扎堆在超买区域，那拥挤风险更高；
• 如果小票分歧大，但主力没怎么动，那风险其实不大。

三、拥挤度结论

我用方法3绘制出了“拥挤度指标”，数据是从25年1月到10月17号的。

基于全市场股票，计算出每日的成交量加权 RSI 拥挤度，并将结果画成时间序列。 （如下图所示）

从图中可以看到几个关键结论：

1️⃣ 拥挤度呈现明显的周期性波动

拥挤度曲线并不是平稳的，而是不断在高低区间之间震荡。 这说明市场情绪在持续经历一个循环过程：

也就是说，市场并不是长期拥挤，而是阶段性地出现一致交易行为。 这恰好印证了：“因子有效性是周期性的”。

2️⃣ 拥挤度高点往往对应市场的“共识极端”

从图中来看，2025年2月–3月、7月–8月期间，RSI 拥挤度飙升到 15~17 区间。 这代表：

• 全市场大部分股票的 RSI 同时偏离中性区；
• 且这些股票的成交量也集中在同一方向（即主力资金同步行动）。

在这些阶段，市场行为极度一致，典型特征就是：

结合行情来看，这类阶段往往对应市场的局部顶部或短线过热区。 也就是说： RSI 拥挤度的高点，是一种市场“情绪过热预警信号”。

3️⃣ 拥挤度低点对应市场的“情绪冷却期”

例如在 2025 年 4–5 月、9 月之后，拥挤度下降至 6~8 左右，说明：

• 市场内资金分歧较大；
• 股票 RSI 分布分散，没有形成统一方向。

这种状态通常意味着：

从交易角度看，这正是许多反转策略、左侧布局策略开始具备性价比的阶段。

四、RSI 拥挤度指标的Python实现（实操篇）

下面是基于成交量加权的拥挤度算法

import pandas as pd
import numpy as np
import talib
import matplotlib.pyplot as plt

def calc_rsi_talib(df, period=14):
    """用 TA-Lib 计算 RSI"""
    df['rsi'] = talib.RSI(df['close'].values, timeperiod=period)
    return df

def calc_crowd_rsi_vol_daily(quotes_dict, period=14):
    """
    计算每天的成交量加权 RSI 拥挤度
    quotes_dict: dict {symbol: df}，每个 df 至少包含 ['date','close','volume']
    返回: DataFrame(date, crowd_rsi_vol)
    """
    # 1 对每只股票计算 RSI
    all_df = []
    for symbol, df in quotes_dict.items():
        df = df.sort_values('date')
        df = calc_rsi_talib(df, period)
        df['symbol'] = symbol
        all_df.append(df[['date', 'symbol', 'rsi', 'volume']])
    df_all = pd.concat(all_df)

    # 2 计算每天的成交量加权拥挤度
    def weighted_rsi(group):
        valid = group.dropna(subset=['rsi', 'volume'])
        if len(valid) == 0:
            return np.nan
        return np.sum(valid['volume'] * abs(valid['rsi'] - 50)) / np.sum(valid['volume'])

    crowd_df = df_all.groupby('date').apply(weighted_rsi).reset_index(name='crowd_rsi_vol')
    return crowd_df

def plot_crowd_rsi_vol(crowd_df):
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']  # 中文
    plt.rcParams['axes.unicode_minus'] = False
    """画出 RSI 拥挤度的时间序列折线图"""
    plt.figure(figsize=(10, 5))
    plt.plot(crowd_df['date'], crowd_df['crowd_rsi_vol'], color='steelblue', linewidth=2)
    plt.title('成交量加权 RSI 拥挤度变化', fontsize=14)
    plt.xlabel('日期')
    plt.ylabel('拥挤度')
    plt.grid(True, linestyle='--', alpha=0.6)
    plt.tight_layout()
    plt.show()

# ======== 示例用法 ========
# quotes_dict = {
#     '000001.SZ': df1,  # 每个 df 必须含有 ['date','close','volume']
#     '600000.SH': df2,
#     ...
# }
# crowd_df = calc_crowd_rsi_vol_daily(quotes_dict, period=14)
# plot_crowd_rsi_vol(crowd_df)

上面的代码行情数据替换成你自己的就可以直接跑通了。基于miniQMT行情数据的完整代码已经放到知识星球了，需要的自取。

五、RSI 拥挤度的延伸应用思路

你可以用这个指标做出很多有意思的分析：

1️⃣ 风格热度监控 当 RSI 拥挤度过低，说明市场在同一方向过度一致， 可以作为反向信号使用（例如避开短期过热区域）。

2️⃣ 多因子模型风险修正项 在多因子Alpha模型中，将拥挤度作为“风险惩罚项”， 在拥挤度高时自动降低该因子的权重。

3️⃣ 策略回测中的状态切换 当 RSI 拥挤度进入历史极端低位时（例如过去1年分位数 < 5%）， 可认为RSI逻辑暂时失效，应切换至动量或波动率因子。

学会监控“共识的风险”

量化的本质是数据、模型、资金、情绪的互动。 而“拥挤度指标”其实是一面镜子—— 它反映的不是指标本身，而是整个市场的共识密度。

RSI 拥挤度只是一个切入点。 你也可以延伸到：

• MACD 拥挤度
• 因子IC 拥挤度
• 板块轮动拥挤度

真正成熟的量化系统，不仅预测市场，还预测别人也在预测什么。 当别人都盯着同一个信号时，你就该往别的方向看了。