Кратко про осцилляторы RSI и Stochastic

Привет, Хабр!

Осцилляторы — это технические индикаторы, которые колеблются в пределах заданного диапазона, обычно от 0 до 100, и используются для определения состояния перекупленности или перепроданности рынка.

Осцилляторы способны предсказывать возможные изменения трендов до того, как эти изменения произойдут.

Принцип работы осцилляторов основан на сравнении текущей цены актива с его ценовыми уровнями за определенный период. Например, если текущая цена находится близко к верхнему диапазону за последний период, осциллятор покажет высокие значения, указывая на перекупленность. И наоборот, если цена находится близко к нижнему диапазону, это указывает на перепроданность.

Осцилляторы могут использоваться в различных рыночных условиях, включая трендовые и боковые рынки. В трендовых рынках осцилляторы помогают находить точки входа в направлении основного тренда, а в боковых — выявлять моменты разворота.

Relative Strength Index (RSI)

RSI был разработан Дж. Уэллсом Уайлдером и представлен в его книге «New Concepts in Technical Trading Systems» в 1978 году. RSI является осциллятором, который измеряет скорость и изменение ценовых движений актива, оценивая условия его перекупленности или перепроданности. Он колеблется между значениями от 0 до 100 и помогает трейдерам определять моменты для покупки или продажи активов.

Расчет RSI включает два шага:

1. Расчет относительной силы (RS):

   

2. Расчет самого RSI:

   

Стандартный период для расчета RSI составляет 14 дней. Например, если актив закрылся выше за 7 из последних 14 дней с средним приростом 1%, а остальные 7 дней закрылись ниже со средней потерей 0.8%, то начальное значение RS будет 1.25 (1% / 0.8%). Далее применяется формула для получения RSI.

Значения RSI интерпретируются так:

• Выше 70 — актив перекуплен, возможно, будет коррекция вниз.

• Ниже 30 — актив перепродан, возможно, ожидается рост цены.

RSI помогает трейдерам выявлять перекупленные и перепроданные состояния рынка, что может сигнализировать о возможных разворотах трендов. Например, если RSI превышает 70, это указывает на перекупленность актива, что может привести к его коррекции. Наоборот, если RSI падает ниже 30, это сигнализирует о перепроданности, что может привести к росту цены.

Дивергенции RSI происходят, когда тренд цен актива и тренд самого RSI расходятся, что может указывать на ослабление текущего тренда и возможный разворот.

• Бычья дивергенция возникает, когда цена делает новый минимум, а RSI формирует более высокий минимум. Это указывает на ослабление нисходящего тренда и возможный разворот вверх.

• Медвежья дивергенция происходит, когда цена делает новый максимум, а RSI формирует более низкий максимум. Это сигнализирует о слабости восходящего тренда и возможном развороте вниз.

Примеры кода для расчета RSI

Python

import pandas as pd  def calculate_rsi(data, period=14):     delta = data['Close'].diff()     gain = (delta.where(delta > 0, 0)).fillna(0)     loss = (-delta.where(delta < 0, 0)).fillna(0)      avg_gain = gain.rolling(window=period).mean()     avg_loss = loss.rolling(window=period).mean()      rs = avg_gain / avg_loss     rsi = 100 - (100 / (1 + rs))     return rsi  # Example usage data = pd.DataFrame({     'Close': [45.15, 46.23, 45.56, 46.33, 45.86, 46.71, 47.24, 46.69, 47.28, 47.88, 48.07, 47.86, 47.33, 47.59] })  data['RSI'] = calculate_rsi(data) print(data) 

JavaScript

function calculateRSI(closes, period = 14) {     let gains = [];     let losses = [];      for (let i = 1; i < closes.length; i++) {         let change = closes[i] - closes[i - 1];         gains.push(change > 0 ? change : 0);         losses.push(change < 0 ? -change : 0);     }      let avgGain = gains.slice(0, period).reduce((a, b) => a + b, 0) / period;     let avgLoss = losses.slice(0, period).reduce((a, b) => a + b, 0) / period;     let rs = avgGain / avgLoss;     let rsi = [100 - (100 / (1 + rs))];      for (let i = period; i < gains.length; i++) {         avgGain = (avgGain * (period - 1) + gains[i]) / period;         avgLoss = (avgLoss * (period - 1) + losses[i]) / period;         rs = avgGain / avgLoss;         rsi.push(100 - (100 / (1 + rs)));     }      return rsi; }  // example let closes = [45.15, 46.23, 45.56, 46.33, 45.86, 46.71, 47.24, 46.69, 47.28, 47.88, 48.07, 47.86, 47.33, 47.59]; console.log(calculateRSI(closes));

R

calculate_rsi <- function(prices, n = 14) {     deltas <- diff(prices)     seed <- deltas[1:n]     up <- seed[seed >= 0]     down <- -seed[seed < 0]     up[is.na(up)] <- 0     down[is.na(down)] <- 0      avg_gain <- sum(up) / n     avg_loss <- sum(down) / n     rs <- avg_gain / avg_loss     rsi <- 100 - (100 / (1 + rs))      rsi_values <- c(rep(NA, n), rsi)          for (i in (n+1):length(deltas)) {         delta <- deltas[i]         gain <- ifelse(delta > 0, delta, 0)         loss <- ifelse(delta < 0, -delta, 0)          avg_gain <- (avg_gain * (n - 1) + gain) / n         avg_loss <- (avg_loss * (n - 1) + loss) / n         rs <- avg_gain / avg_loss         rsi <- 100 - (100 / (1 + rs))          rsi_values <- c(rsi_values, rsi)     }      return(rsi_values) }  # example prices <- c(45.15, 46.23, 45.56, 46.33, 45.86, 46.71, 47.24, 46.69, 47.28, 47.88, 48.07, 47.86, 47.33, 47.59) rsi <- calculate_rsi(prices) print(rsi)

Стохастический осциллятор

Стохастический осциллятор был разработан Джорджем Лейном в конце 1950-х годов. Это технический индикатор, который измеряет отношение текущей цены закрытия к диапазону цен за определенный период времени. Основная идея стохастического осциллятора заключается в том, что в восходящем тренде цены закрытия обычно находятся ближе к верхней границе диапазона, а в нисходящем тренде — ближе к нижней границе.

Стохастический осциллятор состоит из двух основных компонентов: линии %K и линии %D.

1. %K линия рассчитывается по формуле

   
   где:

   • — текущая цена закрытия,

   • — самая низкая цена за последние N периодов,

   • — самая высокая цена за последние N периодов.

2. %D линия представляет собой скользящее среднее линии %K за три периода:

   

По дефолту используют период в 14 дней для %K и 3 дня для %D, но эти параметры могут быть изменены в зависимости от предпочтений.

Значения стохастического осциллятора колеблются от 0 до 100. Уровни выше 80 указывают на перекупленность актива, а уровни ниже 20 — на его перепроданность.

• Перекупленность: когда осциллятор превышает 80, это может указывать на возможный разворот вниз. Трейдеры используют это как сигнал для продажи.

• Перепроданность:когда осциллятор падает ниже 20, это может указывать на возможный разворот вверх. Это сигнал для покупки.

Стохастический осциллятор хорош в условиях бокового рынка, где он помогает выявлять краткосрочные колебания. В трендовых рынках осциллятор может оставаться в зоне перекупленности или перепроданности длительное время, что требует доп. индикаторов для подтверждения сигналов.

Дивергенции стохастического осциллятора возникают, когда направление осциллятора не совпадает с направлением цены актива.

Примеры рассчетов в коде

Python

import pandas as pd  def calculate_stochastic_oscillator(data, k_period=14, d_period=3):     low_min = data['Low'].rolling(window=k_period).min()     high_max = data['High'].rolling(window=k_period).max()      data['%K'] = 100 * ((data['Close'] - low_min) / (high_max - low_min))     data['%D'] = data['%K'].rolling(window=d_period).mean()     return data  # example data = pd.DataFrame({     'High': [127.01, 128.48, 128.43, 128.72, 128.22, 128.43, 128.72, 128.21, 128.35, 128.75, 128.37, 128.57, 128.88, 128.78],     'Low': [125.36, 126.41, 126.74, 126.82, 126.32, 126.74, 126.82, 126.41, 126.35, 126.82, 126.41, 126.72, 126.92, 126.72],     'Close': [126.45, 127.98, 127.98, 128.43, 127.38, 127.68, 128.43, 127.88, 127.88, 128.28, 127.78, 128.15, 128.43, 128.23] })  data = calculate_stochastic_oscillator(data) print(data[['%K', '%D']])

JavaScript

function calculateStochasticOscillator(highs, lows, closes, kPeriod = 14, dPeriod = 3) {     let stochastics = [];     let percentK = [];     let percentD = [];      for (let i = 0; i < closes.length; i++) {         if (i >= kPeriod - 1) {             let highMax = Math.max(...highs.slice(i - kPeriod + 1, i + 1));             let lowMin = Math.min(...lows.slice(i - kPeriod + 1, i + 1));             let k = ((closes[i] - lowMin) / (highMax - lowMin)) * 100;             percentK.push(k);              if (percentK.length >= dPeriod) {                 let d = percentK.slice(-dPeriod).reduce((a, b) => a + b) / dPeriod;                 percentD.push(d);             } else {                 percentD.push(null);             }         } else {             percentK.push(null);             percentD.push(null);         }          stochastics.push({             K: percentK[percentK.length - 1],             D: percentD[percentD.length - 1]         });     }      return stochastics; }  // example let highs = [127.01, 128.48, 128.43, 128.72, 128.22, 128.43, 128.72, 128.21, 128.35, 128.75, 128.37, 128.57, 128.88, 128.78]; let lows = [125.36, 126.41, 126.74, 126.82, 126.32, 126.74, 126.82, 126.41, 126.35, 126.82, 126.41, 126.72, 126.92, 126.72]; let closes = [126.45, 127.98, 127.98, 128.43, 127.38, 127.68, 128.43, 127.88, 127.88, 128.28, 127.78, 128.15, 128.43, 128.23];  console.log(calculateStochasticOscillator(highs, lows, closes));

R

calculate_stochastic <- function(highs, lows, closes, k_period = 14, d_period = 3) {     K <- rep(NA, length(closes))     D <- rep(NA, length(closes))          for (i in seq(k_period, length(closes))) {         high_max <- max(highs[(i - k_period + 1):i])         low_min <- min(lows[(i - k_period + 1):i])         K[i] <- ((closes[i] - low_min) / (high_max - low_min)) * 100     }          for (i in seq((k_period + d_period - 1), length(closes))) {         D[i] <- mean(K[(i - d_period + 1):i], na.rm = TRUE)     }          return(data.frame(K = K, D = D)) }  # example highs <- c(127.01, 128.48, 128.43, 128.72, 128.22, 128.43, 128.72, 128.21, 128.35, 128.75, 128.37, 128.57, 128.88, 128.78) lows <- c(125.36, 126.41, 126.74, 126.82, 126.32, 126.74, 126.82, 126.41, 126.35, 126.82, 126.41, 126.72, 126.92, 126.72) closes <- c(126.45, 127.98, 127.98, 128.43, 127.38, 127.68, 128.43, 127.88, 127.88, 128.28, 127.78, 128.15, 128.43, 128.23)  stochastic <- calculate_stochastic(highs, lows, closes) print(stochastic)

Оба индикатора могут быть использованы в сочетании с другими инструментами технического анализа для повышения точности сигналов. Например, использование RSI и стохастического осциллятора вместе с трендовыми линиями, скользящими средними или уровнями поддержки и сопротивления часто улучшает торговые стратегии.

Больше инструментов для анализа данных эксперты из OTUS разбирают в рамках практических онлайн-курсов. Подробнее в каталоге.