在上一篇文章里，我们聊到一个现实问题：
当所有人都在跑同一个因子（例如价值、动量、ROE），最终谁在赚谁的钱？
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：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> R S I = 平均涨幅 平均涨幅 + 平均跌幅 × 100 RSI = \frac{平均涨幅}{平均涨幅 + 平均跌幅} \times 100 </math>RSI=平均涨幅+平均跌幅平均涨幅×100
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------
当前市场上有多少资金在跑类似的RSI逻辑？ RSI 信号是不是太拥挤、太被共识化了？
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：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> C r o w d R S I ( t ) = 1 N ∑ i = 1 N ∣ R S I i ( t ) − 50 50 ∣ Crowd_{RSI}(t) = \frac{1}{N} \sum_{i=1}^{N} \left| \frac{RSI_i(t) - 50}{50} \right| </math>CrowdRSI(t)=N1i=1∑N 50RSIi(t)−50
我们把每只股票的 RSI 和 50 这个中性点作比较。
RSI > 50 表示偏强，RSI < 50 表示偏弱。
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：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> C r o w d R S I ( t ) = 标准差 ( R S I i ( t ) ) Crowd_{RSI}(t) = \text{标准差}(RSI_i(t)) </math>CrowdRSI(t)=标准差(RSIi(t))
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：
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block"> C r o w d R S I v o l ( t ) = ∑ i V o l u m e i ( t ) ⋅ ∣ R S I i ( t ) − 50 ∣ ∑ i V o l u m e i ( t ) Crowd_{RSI}^{vol}(t) = \frac{\sum_i Volume_i(t) \cdot |RSI_i(t) - 50|}{\sum_i Volume_i(t)} </math>CrowdRSIvol(t)=∑iVolumei(t)∑iVolumei(t)⋅∣RSIi(t)−50∣
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：
从「分歧 → 一致 → 过热 → 冷却 → 再次分歧」。
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：
多数股票都出现同方向短期波动，赚钱效应极强，但持续性极差。
📉 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：
市场在冷却、重新定价、筹码重新分布。
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
python
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。😉