3. RSI多周期超买超卖信号

任务目标

基于同一只股票的日线、周线、月线收盘价，分别计算RSI(14)，生成各周期的超买(RSI≥70)与超卖(RSI≤30)信号，并融合为综合信号。综合信号规则：任一周期超卖则综合为买入信号；任一周期超买则综合为卖出信号；若同时出现超买与超卖（极端背离），以月线信号优先，其次周线，最后日线。

环境与依赖

仅需Python 3.8+与pandas、numpy。无需外部数据文件，使用内置示例数据直接验证。

关键完整代码

import pandas as pd
import numpy as np

def compute_rsi(close: pd.Series, period: int = 14) -> pd.Series:
    delta = close.diff()
    gain = delta.clip(lower=0)
    loss = -delta.clip(upper=0)
    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

def resample_weekly_monthly(df: pd.DataFrame):
    df = df.set_index('date').sort_index()
    weekly = df['close'].resample('W-FRI').last().dropna()
    monthly = df['close'].resample('ME').last().dropna()
    return weekly, monthly

def generate_signals(df: pd.DataFrame) -> pd.DataFrame:
    weekly, monthly = resample_weekly_monthly(df)
    df = df.set_index('date').sort_index()

    df['rsi_daily'] = compute_rsi(df['close'])
    df['rsi_weekly'] = compute_rsi(weekly).reindex(df.index, method='ffill')
    df['rsi_monthly'] = compute_rsi(monthly).reindex(df.index, method='ffill')

    def signal_from_rsi(rsi):
        if rsi >= 70:
            return 'overbought'
        elif rsi <= 30:
            return 'oversold'
        return 'neutral'

    df['sig_d'] = df['rsi_daily'].apply(signal_from_rsi)
    df['sig_w'] = df['rsi_weekly'].apply(signal_from_rsi)
    df['sig_m'] = df['rsi_monthly'].apply(signal_from_rsi)

    def combine(row):
        has_ob = row['sig_d'] == 'overbought' or row['sig_w'] == 'overbought' or row['sig_m'] == 'overbought'
        has_os = row['sig_d'] == 'oversold' or row['sig_w'] == 'oversold' or row['sig_m'] == 'oversold'
        if has_ob and has_os:
            if row['sig_m'] != 'neutral':
                return 'sell' if row['sig_m'] == 'overbought' else 'buy'
            if row['sig_w'] != 'neutral':
                return 'sell' if row['sig_w'] == 'overbought' else 'buy'
            return 'sell' if row['sig_d'] == 'overbought' else 'buy'
        if has_ob:
            return 'sell'
        if has_os:
            return 'buy'
        return 'hold'

    df['combo_signal'] = df.apply(combine, axis=1)
    return df.reset_index()

# 示例数据（2023-2024两年日线）
dates = pd.date_range('2023-01-01', '2024-12-31', freq='B')
np.random.seed(42)
close = 100 + np.cumsum(np.random.normal(0.2, 1.5, len(dates)))
sample_df = pd.DataFrame({'date': dates, 'close': close})

result = generate_signals(sample_df)
print(result[['date', 'close', 'rsi_daily', 'rsi_weekly', 'rsi_monthly', 'sig_d', 'sig_w', 'sig_m', 'combo_signal']].tail(10))

运行与验证

运行方式：将上述代码整体保存为 rsi_combo.py，在命令行执行 python rsi_combo.py。

验证方法：程序输出最后10个交易日的完整信号明细。检查以下三点确认实现正确：

• 各周期RSI值均在0～100区间内，且日线RSI与直接调用compute_rsi(sample_df['close'])结果一致。
• 当某日任一周期RSI≤30时，combo_signal为buy；任一周期RSI≥70时为sell；全部处于30～70之间时为hold。
• 若同一日既有超买又有超卖（本例随机数据可能出现），按月线→周线→日线的优先级决定最终买卖方向。

预期输出特征：由于使用随机游走数据，输出中三类信号（buy/sell/hold）均会出现，且每行信号与RSI数值逻辑自洽。例如某行rsi_daily=25.3、rsi_weekly=45.1、rsi_monthly=52.0时，该行sig_d='oversold'、combo_signal='buy'。

常见问题

• 周线/月线RSI前几行为NaN：属于正常现象，RSI需要至少14个周期数据才能计算，重采样后前期数据不足。代码已用ffill将最近可得值向前填充，不影响信号生成逻辑。
• 若使用真实股票数据：将sample_df替换为包含date（datetime类型）和close列的DataFrame即可，无需其他修改。