【维克】动量指标家族：RSI、ROC、CCI、Momentum全面解析

维克 · 量化笔记系列 第65篇

Why：RSI告诉你"超买"，然后市场继续涨了三个月

我见过最惨的交易员，不是不懂技术分析的那种。

恰恰相反------他太懂了。

小王。 CFA持证人。技术分析玩了六年。均线、MACD、RSI、布林带，信手拈来。

2024年初，他盯上了一只票。

RSI = 75。超买区。

"这票涨太多了，该回调了。"

做空。

一周后，RSI = 82。继续涨。

"更超买了。肯定得跌。"

加仓做空。

两周后，RSI = 88。

再两周，RSI = 91。

一个月后，那只票又涨了40%。

小王爆了仓。

他后来跟我说了一句话，我到现在还记得------

"RSI告诉我该卖了。但市场没听RSI的。"

这句话，说对了一半。

RSI确实告诉他"超买"了。但"超买"不等于"该卖"。

就像温度计告诉你38度------你发烧了。但温度计没告诉你该吃什么药。

这就是动量指标的问题。

人人都在用。但大多数人的用法------是错的。

今天这一篇。把动量指标家族从头到尾拆一遍。

RSI、ROC、CCI、Momentum。

四个指标。每个都讲透。

最后告诉你------怎么把它们组合起来用，才不会像小王一样被市场教做人。

What：动量指标到底在衡量什么

在拆具体指标之前，先搞清楚一件事------

动量（Momentum）是什么？

物理学里的定义------

动量 = 质量 × 速度

翻译到金融市场------

价格动量 = 价格变化的速度和力度

说白了：

价格涨得快、涨得猛 → 正动量大

价格跌得快、跌得猛 → 负动量大

价格不怎么动 → 动量接近零

所有动量指标，本质上都在回答同一个问题------

"价格现在跑得多快？"

注意：只问速度，不问方向。

速度告诉你车开得多快。但车是在上坡还是下坡？那是另一回事。

好。搞清楚了动量的本质，我们逐个拆解。

一、RSI：相对强弱指标

发明人 ：J. Welles Wilder（1978年）

全称 ：Relative Strength Index

核心问题 ：最近的涨幅，在总波动中占多大比例？

计算公式

RSI = 100 - 100 / (1 + RS)
其中：
RS = 平均上涨幅度 / 平均下跌幅度

拆开看------

1. 算每天的涨跌幅

2. 把涨的天和跌的天分开

3. 分别求平均值（用指数平滑）

4. 涨的平均 ÷ 跌的平均 = RS

5. 套公式 → RSI

结果范围 ：0 到 100

经典解读 ：

• RSI > 70 → 超买区（涨太多了？）

• RSI < 30 → 超卖区（跌太多了？）

• RSI = 50 → 多空分界线

数学直觉

假设一个股票过去14天------涨了10天，每天平均涨2块。跌了4天，每天平均跌1块。

RS = (10 × 2) / (4 × 1) = 20 / 4 = 5
RSI = 100 - 100 / (1 + 5) = 100 - 16.67 = 83.33

RSI = 83。超买。

但注意------这只代表过去14天里，涨的力度远大于跌的力度。

它没说"该跌了"。

它只说"目前涨得猛"。

"涨得猛"和"该跌了"是两件事。

这就是小王踩的坑。

参数选择

默认参数：14天

• 短周期（7天）：更敏感，信号多但假信号也多

• 中周期（14天）：经典值，大多数人的选择

• 长周期（21天/25天）：更平滑，信号少但更可靠

没有"最好"的参数。 参数取决于你的交易周期和市场特征。

二、ROC：变动率指标

全称 ：Rate of Change

核心问题 ：现在的价格，比N天前变了多少？

计算公式

ROC = (今日收盘价 - N日前收盘价) / N日前收盘价 × 100

就这么简单。

比如------

今天收盘价 110块。12天前收盘价 100块。

ROC(12) = (110 - 100) / 100 × 100 = 10%

12天涨了10%。就这么直白。

和RSI的区别

|----------|----------------|---------------|
| 维度 | RSI | ROC |
| 衡量什么 | 涨跌的相对比例 | 价格变化的绝对幅度 |
| 值域 | 0~100（固定） | -∞ ~ +∞（无界） |
| 对极端行情的反应 | 容易钝化（到顶/底区不动了） | 不会钝化（可以一直涨/跌） |
| 适用场景 | 判断超买超卖 | 判断趋势强度和转折 |

ROC的核心优势 ：不会钝化。

RSI到了80以上就"卡住了"------你分不清80和90的区别，因为都在超买区。

但ROC可以。ROC = 15% 和 ROC = 30%，差距一目了然。

经典用法

• ROC > 0 → 上升趋势

• ROC < 0 → 下降趋势

• ROC从正变负 → 可能的卖出信号

• ROC从负变正 → 可能的买入信号

注意 ：ROC对趋势的判断很直接，但假信号也多。特别是在震荡市里，ROC在零轴附近反复穿越，给你一堆没用的信号。

三、CCI：顺势指标

发明人 ：Donald Lambert（1980年）

全称 ：Commodity Channel Index

最初目的 ：发现商品期货中的周期性转折点

核心问题 ：当前价格偏离统计平均值的程度有多大？

计算公式

CCI = (典型价格 - 典型价格的N日简单平均) / (0.015 × 平均绝对偏差)
其中：
典型价格 = (最高价 + 最低价 + 收盘价) / 3
平均绝对偏差 = N日内 |每个典型价格 - 平均值| 的平均值

拆开看------

1. 算典型价格（TP）

2. 算TP的N日均值

3. 算每个TP偏离均值的绝对距离，再求平均（MAD）

4. (当前TP - TP均值) / (0.015 × MAD)

那个0.015是个常数------Lambert选的，为了让70%~80%的值落在-100到+100之间。

值域特征

CCI没有固定范围。但大多数值在 -100 到 +100 之间。

• CCI > +100 → 强势区（价格大幅高于均值）

• CCI < -100 → 弱势区（价格大幅低于均值）

• CCI在-100~+100之间 → 震荡区

和RSI的关键区别

RSI的值固定在0~100之间------有天花板和地板。

CCI没有天花板和地板------可以突破+100、跌破-100继续走。

这意味着------

CCI比RSI更适合捕捉极端行情。

当市场出现剧烈波动时，RSI可能已经卡在70不动了（钝化），但CCI可以继续飙到+200、+300，给你更清晰的信号。

经典用法

• CCI从-100以下回升到-100以上 → 买入信号

• CCI从+100以上回落到+100以下 → 卖出信号

• CCI > +200 → 极强趋势（但别急着做空------可能是主升浪）

• CCI < -200 → 极弱趋势（但别急着抄底------可能是主跌浪）

四、Momentum：动量线

最朴素的动量指标。没有之一。

计算公式

MOM(N) = 今日收盘价 - N日前收盘价

对。就是减法。

今天110，12天前100。MOM = 10。

就这么简单。

ROC是百分比版本，MOM是绝对值版本。

ROC = MOM / N日前收盘价 × 100

为什么还要学MOM？

因为它最直观。

ROC说"涨了10%"------你知道比例。

MOM说"涨了10块"------你知道绝对金额。

在实盘里，有时候你更关心"我赚了多少块"而不是"涨了几个百分点"。

另外，MOM的一些衍生用法------比如MOM的均线、MOM的背离------在实战中有独特价值。

经典用法

• MOM > 0 → 价格在N日高点之上

• MOM < 0 → 价格在N日低点之下

• MOM由负转正 → 买入信号

• MOM由正转负 → 卖出信号

注意 ：MOM和ROC的信号几乎完全一致------只是尺度不同。所以在实际策略中，选一个用就行。大多数人选ROC，因为它标准化了。

五大指标横向对比

|--------|--------|----------|----------|------------|
| 指标 | 值域 | 核心优势 | 核心弱点 | 最适合的场景 |
| RSI | 0~100 | 标准化、好理解 | 极端行情钝化 | 震荡市的超买超卖 |
| ROC | 无界 | 不钝化、直观 | 震荡市假信号多 | 趋势强度判断 |
| CCI | 无界 | 捕捉极端行情 | 参数敏感 | 期货/周期转折 |
| MOM | 无界 | 最简单、最直观 | 未标准化 | 辅助确认 |

How：Python实操 + 组合策略 + 避坑指南

第一步：环境准备

// python

安装依赖

pip install numpy pandas ta-lib matplotlib

如果talib装不上（Windows常见），可以用pandas_ta替代

pip install pandas_ta

第二步：准备数据

// python
import pandas as pd
import numpy as np

生成模拟数据（实盘中替换为你的真实数据）

np.random.seed(42)
n_days = 500

模拟一个有趋势的股价

returns = np.random.normal(0.001, 0.02, n_days) # 日均收益0.1%，日波动率2%
close = 100 * np.cumprod(1 + returns)

生成OHLC数据

high = close * (1 + np.abs(np.random.normal(0, 0.01, n_days)))
low = close * (1 - np.abs(np.random.normal(0, 0.01, n_days)))
open_price = close * (1 + np.random.normal(0, 0.005, n_days))

df = pd.DataFrame({
'open': open_price,
'high': high,
'low': low,
'close': close,
'volume': np.random.randint(1000000, 10000000, n_days)
})

print(df.tail())

第三步：计算RSI

// python
def calc_rsi(close, period=14):
"""
手动计算RSI（不依赖talib）

参数：
close: 收盘价序列
period: RSI周期，默认14
返回：
RSI序列
"""
delta = close.diff() # 每日涨跌

gain = delta.where(delta > 0, 0) # 只保留涨的部分
loss = (-delta).where(delta < 0, 0) # 只保留跌的部分（取正值）

指数移动平均（Wilder平滑法）

avg_gain = gain.ewm(alpha=1/period, min_periods=period).mean()
avg_loss = loss.ewm(alpha=1/period, min_periods=period).mean()

rs = avg_gain / avg_loss
rsi = 100 - (100 / (1 + rs))

return rsi

df'rsi_14' = calc_rsi(df'close', 14)
df'rsi_7' = calc_rsi(df'close', 7) # 短周期
df'rsi_21' = calc_rsi(df'close', 21) # 长周期

查看结果

print(df\['close', 'rsi_7', 'rsi_14', 'rsi_21'].dropna().tail(10))

逐行讲解 ：

• close.diff()：算每天的涨跌额。今天100，昨天98，diff = +2

• gain.where(delta > 0, 0)：只保留涨的天，跌的天填0

• (-delta).where(delta < 0, 0)：只保留跌的天并取正值（跌2块 → loss = 2）

• ewm(alpha=1/period)：Wilder的指数平滑法。alpha = 1/14 ≈ 0.071，意味着最新一天权重7.1%，之前的权重递减

• rs = avg_gain / avg_loss：平均涨幅 ÷ 平均跌幅

• rsi = 100 - 100 / (1 + rs)：转换为0~100的值

第四步：计算ROC

// python
def calc_roc(close, period=12):
"""
计算ROC变动率

参数：
close: 收盘价序列
period: ROC周期，默认12
返回：
ROC序列（百分比）
"""
roc = (close - close.shift(period)) / close.shift(period) * 100
return roc

df'roc_12' = calc_roc(df'close', 12)
df'roc_6' = calc_roc(df'close', 6) # 短周期
df'roc_25' = calc_roc(df'close', 25) # 长周期

print(df\['close', 'roc_6', 'roc_12', 'roc_25'].dropna().tail(10))

逐行讲解 ：

• close.shift(period)：把收盘价序列往下移period天。shift(12)就是12天前的价格

• (close - close.shift(12))：今天价格 - 12天前价格 = 绝对涨跌

• / close.shift(12) * 100：除以12天前价格，转成百分比

就这么简单。一行核心代码。

第五步：计算CCI

// python
def calc_cci(high, low, close, period=20):
"""
计算CCI顺势指标

参数：
high: 最高价序列
low: 最低价序列
close: 收盘价序列
period: CCI周期，默认20
返回：
CCI序列
"""

第一步：算典型价格

typical_price = (high + low + close) / 3

第二步：算典型价格的N日简单移动平均

tp_sma = typical_price.rolling(window=period).mean()

第三步：算平均绝对偏差（MAD）

每个典型价格偏离均值的绝对距离，然后求平均

mad = typical_price.rolling(window=period).apply(
lambda x: np.mean(np.abs(x - x.mean())), raw=True
)

第四步：套公式

cci = (typical_price - tp_sma) / (0.015 * mad)

return cci

df'cci_20' = calc_cci(df'high', df'low', df'close', 20)
df'cci_14' = calc_cci(df'high', df'low', df'close', 14)

print(df\['close', 'cci_14', 'cci_20'].dropna().tail(10))

逐行讲解 ：

• typical_price = (high + low + close) / 3：典型价格 = 日内三个关键价格的平均

• tp_sma = typical_price.rolling(window=period).mean()：N日简单移动平均

• mad = ...：平均绝对偏差。rolling + apply，对每个窗口内的数据算 |每个值 - 均值| 的平均

• 0.015 * mad：乘以常数0.015，这是Lambert设定的，让大多数CCI值落在-100到+100之间

• (typical_price - tp_sma) / (0.015 * mad)：当前典型价格偏离均值的程度，标准化后就是CCI

第六步：计算Momentum

// python
def calc_momentum(close, period=12):
"""
计算Momentum动量线

参数：
close: 收盘价序列
period: 动量周期，默认12
返回：
Momentum序列（绝对值）
"""
mom = close - close.shift(period)
return mom

df'mom_12' = calc_momentum(df'close', 12)

print(df\['close', 'mom_12', 'roc_12'].dropna().tail(10))

对比一下MOM和ROC------

• MOM = 今天价格 - N天前价格（绝对值，单位是"块"）

• ROC = (今天价格 - N天前价格) / N天前价格 × 100（百分比）

一个是绝对涨跌，一个是相对涨跌。

第七步：可视化------四个指标同屏对比

// python
import matplotlib.pyplot as plt

plt.rcParams'font.sans-serif' = 'SimHei', 'Arial Unicode MS', 'DejaVu Sans'
plt.rcParams'axes.unicode_minus' = False

fig, axes = plt.subplots(5, 1, figsize=(14, 16), sharex=True)

图1：价格走势

axes0.plot(df.index, df'close', color='#2196F3', linewidth=1)
axes0.set_title('价格走势', fontsize=12)
axes0.set_ylabel('价格')
axes0.grid(True, alpha=0.3)

图2：RSI

axes1.plot(df.index, df'rsi_14', color='#FF9800', linewidth=1, label='RSI(14)')
axes1.axhline(y=70, color='red', linestyle='--', alpha=0.5, label='超买线(70)')
axes1.axhline(y=30, color='green', linestyle='--', alpha=0.5, label='超卖线(30)')
axes1.axhline(y=50, color='gray', linestyle=':', alpha=0.3)
axes1.fill_between(df.index, 70, 100, alpha=0.1, color='red')
axes1.fill_between(df.index, 0, 30, alpha=0.1, color='green')
axes1.set_title('RSI(14)', fontsize=12)
axes1.set_ylabel('RSI')
axes1.legend(loc='upper left', fontsize=8)
axes1.grid(True, alpha=0.3)

图3：ROC

axes2.plot(df.index, df'roc_12', color='#4CAF50', linewidth=1, label='ROC(12)')
axes2.axhline(y=0, color='gray', linestyle='-', alpha=0.5)
axes2.fill_between(df.index, 0, df'roc_12',
where=df'roc_12' > 0, alpha=0.2, color='green')
axes2.fill_between(df.index, 0, df'roc_12',
where=df'roc_12' < 0, alpha=0.2, color='red')
axes2.set_title('ROC(12)', fontsize=12)
axes2.set_ylabel('ROC(%)')
axes2.legend(loc='upper left', fontsize=8)
axes2.grid(True, alpha=0.3)

图4：CCI

axes3.plot(df.index, df'cci_20', color='#9C27B0', linewidth=1, label='CCI(20)')
axes3.axhline(y=100, color='red', linestyle='--', alpha=0.5, label='+100')
axes3.axhline(y=-100, color='green', linestyle='--', alpha=0.5, label='-100')
axes3.axhline(y=0, color='gray', linestyle=':', alpha=0.3)
axes3.fill_between(df.index, 100, df'cci_20'.clip(lower=100),
alpha=0.2, color='red')
axes3.fill_between(df.index, -100, df'cci_20'.clip(upper=-100),
alpha=0.2, color='green')
axes3.set_title('CCI(20)', fontsize=12)
axes3.set_ylabel('CCI')
axes3.legend(loc='upper left', fontsize=8)
axes3.grid(True, alpha=0.3)

图5：Momentum

axes4.plot(df.index, df'mom_12', color='#F44336', linewidth=1, label='MOM(12)')
axes4.axhline(y=0, color='gray', linestyle='-', alpha=0.5)
axes4.fill_between(df.index, 0, df'mom_12',
where=df'mom_12' > 0, alpha=0.2, color='green')
axes4.fill_between(df.index, 0, df'mom_12',
where=df'mom_12' < 0, alpha=0.2, color='red')
axes4.set_title('Momentum(12)', fontsize=12)
axes4.set_ylabel('MOM')
axes4.set_xlabel('交易日')
axes4.legend(loc='upper left', fontsize=8)
axes4.grid(True, alpha=0.3)

plt.tight_layout()
plt.savefig('momentum_indicators_comparison.png', dpi=150, bbox_inches='tight')
plt.show()

第八步：组合策略------多指标共振

单独用一个指标，假信号太多。

核心思路 ：多个动量指标同时发出信号时，可信度大幅提升。

这叫"多指标共振"。

// python
def momentum_composite_strategy(df):
"""
动量指标组合策略

买入条件（全部满足）：

1. RSI(14) 从30以下回升到30以上（超卖恢复）
2. ROC(12) > 0（价格在上涨）
3. CCI(20) 从-100以下回升到-100以上（弱势恢复）

卖出条件（全部满足）：

1. RSI(14) 从70以上回落到70以下（超买回落）
2. ROC(12) < 0（价格在下跌）
3. CCI(20) 从+100以上回落到+100以下（强势回落）
   """

计算指标

df'rsi' = calc_rsi(df'close', 14)
df'roc' = calc_roc(df'close', 12)
df'cci' = calc_cci(df'high', df'low', df'close', 20)

===== 买入信号 =====

RSI从30以下回升

rsi_buy = (df'rsi' > 30) & (df'rsi'.shift(1) <= 30)

ROC > 0

roc_buy = df'roc' > 0

CCI从-100以下回升

cci_buy = (df'cci' > -100) & (df'cci'.shift(1) <= -100)

三个信号同时满足（共振）

注意：三个信号很难在同一天同时触发

实际中可以用"窗口期"------5天内三个信号都出现过

buy_strict = rsi_buy & roc_buy & cci_buy

宽松版：5天窗口内三个信号都出现过

buy_window = (
rsi_buy.rolling(5).max().astype(bool) &
roc_buy.rolling(5).max().astype(bool) &
cci_buy.rolling(5).max().astype(bool)
)

===== 卖出信号 =====

rsi_sell = (df'rsi' < 70) & (df'rsi'.shift(1) >= 70)
roc_sell = df'roc' < 0
cci_sell = (df'cci' < 100) & (df'cci'.shift(1) >= 100)

sell_strict = rsi_sell & roc_sell & cci_sell

sell_window = (
rsi_sell.rolling(5).max().astype(bool) &
roc_sell.rolling(5).max().astype(bool) &
cci_sell.rolling(5).max().astype(bool)
)

df'buy_strict' = buy_strict
df'buy_window' = buy_window
df'sell_strict' = sell_strict
df'sell_window' = sell_window

return df

df = momentum_composite_strategy(df)

统计信号

print("=" * 50)
print("信号统计")
print("=" * 50)
print(f"严格买入信号（同日共振）：{df'buy_strict'.sum()} 次")
print(f"窗口买入信号（5日共振）：{df'buy_window'.sum()} 次")
print(f"严格卖出信号（同日共振）：{df'sell_strict'.sum()} 次")
print(f"窗口卖出信号（5日共振）：{df'sell_window'.sum()} 次")

第九步：避坑指南------六个实战要点

坑1：RSI超买 ≠ 该做空

强势趋势中，RSI可以在70以上停留很久。

2020-2021年的新能源赛道，RSI连续3个月在70以上。

你去做空？三个月亏光。

正确做法 ：RSI超买 + 趋势向下确认（比如跌破20日均线）才考虑做空。

坑2：参数越调越差（过拟合）

你在回测里发现RSI(7)在你的数据上效果最好。

然后你换了RSI(7)。

结果实盘------亏。

因为RSI(7)只是对历史数据的最佳拟合。不代表对未来有效。

正确做法 ：用经典参数（RSI-14, ROC-12, CCI-20）。这些参数经过了几十年、无数市场的验证。别为了回测好看去调参数。

坑3：忽视市场环境

RSI在震荡市里好用------超买超卖来回切换，信号准。

但在趋势市里------RSI会持续给出错误信号。

正确做法 ：先用ADX判断市场是趋势市还是震荡市。趋势市用趋势指标（均线、MACD），震荡市用动量指标（RSI、CCI）。

坑4：多指标共线性

你同时看了RSI、ROC、MOM。三个都发出买入信号。你觉得"三重确认，稳了"。

但问题是------RSI、ROC、MOM本质上衡量的都是动量。它们高度相关。

这不是"三重确认"，这是"同一个信号看了三遍"。

正确做法 ：组合不同类别的指标。比如：

• 动量类：RSI（判断超买超卖）

• 趋势类：均线/MACD（判断方向）

• 波动类：ATR/布林带（判断空间）

三类指标各给一个维度的信息，才是真正的多维度确认。

坑5：忽视背离

动量指标最有价值的用法不是超买超卖，而是背离 。

什么是背离？

价格创新高，但RSI没有创新高 → 顶背离 → 可能见顶

价格创新低，但RSI没有创新低 → 底背离 → 可能见底

背离 = 价格还在走，但动量已经在衰减。就像车还在前进，但油门已经松了。

// python
def detect_divergence(close, rsi, lookback=20):
"""
检测RSI背离

顶背离：价格创新高，RSI没创新高
底背离：价格创新低，RSI没创新低
"""
divergence = \[\]

for i in range(lookback, len(close)):
window_close = closei-lookback:i+1
window_rsi = rsii-lookback:i+1

顶背离：最近价格创窗口新高，但RSI没创新高

if closei == window_close.max() and rsii < window_rsi.max():
divergence.append(('顶背离', i, closei, rsii))

底背离：最近价格创窗口新低，但RSI没创新低

if closei == window_close.min() and rsii > window_rsi.min():
divergence.append(('底背离', i, closei, rsii))

return divergence

检测背离

divergences = detect_divergence(df'close', df'rsi')
print(f"检测到 {len(divergences)} 个背离信号")
for div_type, idx, price, rsi_val in divergences-5::
print(f" 第{idx}天: {div_type}, 价格={price:.2f}, RSI={rsi_val:.1f}")

坑6：动量指标不适合做唯一决策依据

再说一遍------

动量指标是辅助工具，不是交易系统的核心。

它可以告诉你"现在涨得快/跌得快"。但不能告诉你"该买/该卖"。

完整的交易系统需要：

1. 方向判断（趋势指标）

2. 入场时机（动量指标）

3. 仓位管理（资金管理）

4. 风险控制（止损止盈）

动量指标只负责第2步。

实用速查表

|---------|-------------|----------|------------------|
| 场景 | 推荐指标 | 参数 | 怎么用 |
| 震荡市判断顶底 | RSI | 14 | <30超卖买，>70超买卖 |
| 判断趋势强度 | ROC | 12 | >0上升，<0下降 |
| 捕捉极端行情 | CCI | 20 | <-100弱势，>100强势 |
| 快速判断方向 | MOM | 12 | >0上涨，<0下跌 |
| 多指标共振入场 | RSI+ROC+CCI | 14/12/20 | 三个信号5日内共振 |
| 发现趋势衰竭 | RSI背离 | 14 | 价格新高/低但RSI不配合 |

小结

动量指标家族四个成员，各有特点：

• RSI ：最经典，适合震荡市的超买超卖判断，但趋势市会钝化

• ROC ：不钝化，适合判断趋势强度和转折点

• CCI ：无界指标，擅长捕捉极端行情和周期转折

• Momentum ：最朴素，最直观，适合辅助确认

但请记住------

动量指标衡量的是"速度"，不是"方向"。

车跑得快，不代表它不会撞墙。

把动量指标当成你车上的速度表------它告诉你跑多快，但方向盘（趋势判断）和刹车（风险控制）得靠你自己。

量化笔记系列

下一篇：波动率指标------ATR、Bollinger Bands、KDJ的正确打开方式