

> 本文你将得到什么：
> 1. 纯手工计算 KDJ（K/D/J）和 RSI（6日/12日）
> 2. 理解 KDJ 的 J 值为什么能超过 100 和低于 0
> 3. 用"双指标共振"只保留同时满足条件的信号
> 4. 三面板可视化（价格 + KDJ + RSI）
> 5. 可运行的完整代码

---

## 痛点：单指标太容易骗线

KDJ 跑到 0 了，你以为是超卖，结果还能再跌一周。RSI 突破 70 了，你以为是超买，结果还能再涨 20%。

单个指标被"骗线"是常态，因为每个指标都有自己的盲区。KDJ 对价格波动过于敏感，RSI 在单边趋势里会长期停留在极端区。怎么办？

答案是**共振**：只有当两个指标同时发出同一方向的信号时，才认为有效。本文用 KDJ + RSI 搭一个"双确认"系统。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：拉取数据

```python
from mairui import Client

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
bars = client.stock_history(code="600519", period="d", dividend="f")

import pandas as pd
df = pd.DataFrame(bars)
df = df.rename(columns={"t": "date", "o": "o", "h": "h", "l": "l", "c": "c"})
df = df.sort_values("date").reset_index(drop=True)
df["c"] = df["c"].astype(float)
df["h"] = df["h"].astype(float)
df["l"] = df["l"].astype(float)
```

---

## 第二步：手工计算 KDJ

KDJ 的计算过程：
1. 求 N 日内的最低最低价 (LV) 和最高最高价 (HV)
2. RSV = (收盘价 - LV) / (HV - LV) × 100
3. K = (2/3)×前日K + (1/3)×RSV
4. D = (2/3)×前日D + (1/3)×K
5. J = 3K - 2D

```python
def calc_kdj(df, n=9):
    low_list = df["l"].rolling(window=n, min_periods=n).min()
    high_list = df["h"].rolling(window=n, min_periods=n).max()
    rsv = (df["c"] - low_list) / (high_list - low_list) * 100
    rsv = rsv.fillna(50)

    k, d = [50.0], [50.0]
    for i in range(1, len(rsv)):
        k.append((2/3) * k[-1] + (1/3) * rsv.iloc[i])
        d.append((2/3) * d[-1] + (1/3) * k[-1])

    k = pd.Series(k, index=df.index)
    d = pd.Series(d, index=df.index)
    j = 3 * k - 2 * d
    return k, d, j

k, d, j = calc_kdj(df)
print(f"K={k.iloc[-1]:.2f}, D={d.iloc[-1]:.2f}, J={j.iloc[-1]:.2f}")
```

**输出示例**：
```
K=25.83, D=33.77, J=9.96
```

解读：J 值接近 10，处于低位区，但未进入极端超卖（J<0）。

---

## 第三步：手工计算 RSI

RSI 的核心逻辑：涨的日子取平均涨幅，跌的日子取平均跌幅，比值映射到 0-100。

```python
def calc_rsi(closes, period=6):
    deltas = pd.Series(closes).diff()
    gain = deltas.clip(lower=0)
    loss = (-deltas).clip(lower=0)
    avg_gain = gain.rolling(window=period, min_periods=period).mean()
    avg_loss = loss.rolling(window=period, min_periods=period).mean()
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    return rsi.tolist()

rsi6 = calc_rsi(df["c"].tolist(), 6)
rsi12 = calc_rsi(df["c"].tolist(), 12)
print(f"RSI(6)={rsi6[-1]:.2f}, RSI(12)={rsi12[-1]:.2f}")
```

**输出示例**：
```
RSI(6)=50.00, RSI(12)=40.32
```

---

## 第四步：双指标共振检测

我们的规则：
- **超卖共振**：J < 0 且 RSI(6) < 30，视为可能的底部
- **超买共振**：J > 100 且 RSI(6) > 70，视为可能的顶部

只有当两个指标同时满足，才标记信号。单指标触发不行动。

```python
def find_resonance(df):
    signals = []
    for i in range(len(df)):
        row = df.iloc[i]
        if row["j"] < 0 and row["rsi6"] < 30:
            signals.append((row["date"], "oversold", row["c"]))
        if row["j"] > 100 and row["rsi6"] > 70:
            signals.append((row["date"], "overbought", row["c"]))
    return signals

df["k"] = k; df["d"] = d; df["j"] = j
df["rsi6"] = rsi6; df["rsi12"] = rsi12

signals = find_resonance(df)
for date, typ, price in signals:
    label = "超卖共振" if typ == "oversold" else "超买共振"
    print(f"{date} {label} @ {price:.2f}")
```

**输出示例**：
```
2025-10-09 超买共振 @ 11.33
```

在这个演示数据区间，只出现了一次超买共振，没有出现超卖共振。这说明双指标共振的门槛确实比单指标高——信号更少，但质量更高。

---

## 第五步：三面板可视化

```python
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

fig, axes = plt.subplots(3, 1, figsize=(12, 10),
                         gridspec_kw={"height_ratios": [2, 1, 1]})
x = range(len(df))

# 面板1：价格 + 共振标记
axes[0].plot(x, df["c"], color="black", linewidth=0.8)
for date, typ, price in signals:
    idx = df[df["date"] == date].index[0]
    color = "green" if typ == "oversold" else "red"
    marker = "^" if typ == "oversold" else "v"
    axes[0].scatter([idx], [price], color=color, marker=marker, s=100)
axes[0].set_title("收盘价与共振信号")
axes[0].set_ylabel("价格")
axes[0].grid(True, alpha=0.3)

# 面板2：KDJ
axes[1].plot(x, k, label="K", color="blue", linewidth=1)
axes[1].plot(x, d, label="D", color="orange", linewidth=1)
axes[1].plot(x, j, label="J", color="purple", linewidth=0.8, alpha=0.7)
axes[1].axhline(y=0, color="green", linestyle="--", alpha=0.4)
axes[1].axhline(y=100, color="red", linestyle="--", alpha=0.4)
axes[1].fill_between(x, 0, 20, color="green", alpha=0.1)
axes[1].fill_between(x, 80, 100, color="red", alpha=0.1)
axes[1].set_title("KDJ")
axes[1].set_ylabel("KDJ")
axes[1].legend()
axes[1].grid(True, alpha=0.3)

# 面板3：RSI
axes[2].plot(x, rsi6, label="RSI(6)", color="blue", linewidth=1)
axes[2].plot(x, rsi12, label="RSI(12)", color="orange", linewidth=1)
axes[2].axhline(y=30, color="green", linestyle="--", alpha=0.5)
axes[2].axhline(y=70, color="red", linestyle="--", alpha=0.5)
axes[2].fill_between(x, 0, 30, color="green", alpha=0.1)
axes[2].fill_between(x, 70, 100, color="red", alpha=0.1)
axes[2].set_title("RSI")
axes[2].set_ylabel("RSI")
axes[2].set_ylim(0, 100)
axes[2].legend()
axes[2].grid(True, alpha=0.3)

plt.tight_layout()
plt.savefig("kdj_rsi_chart.png", dpi=150)
```

图中绿色区域为 KDJ 超卖区（0-20）和 RSI 超卖区（0-30），红色区域为超买区。只有当两个指标同时进入同色区域，才触发共振信号。

---

## 关键认知：为什么共振能减少假信号

假设单指标准确率是 60%，两个独立指标同时满足时，理论上准确率提升到 1 - (1-0.6)^2 = 84%（简化估算）。实战中虽然指标不是完全独立，但"双确认"确实能过滤掉大量单指标的假突破。

本文的共振规则比较严格（J<0 + RSI<30），你也可以放宽为"J<20 + RSI<40"，根据自己的风险偏好调整。

---

## 常见坑与注意

1. **KDJ 的 J 值可以超出 0-100**：J = 3K - 2D，当 K 和 D 差距大时，J 可能为负或超过 100。这是正常数学结果，不是 bug。
2. **RSI 在强趋势中会"钝化"**：单边上涨时 RSI 可能长期 >70，此时超买共振频繁触发但价格继续涨。RSI 更适合震荡市。
3. **参数可调整**：KDJ 默认 N=9，RSI 默认 6/12。短线可以把 KDJ 调为 N=5，RSI 调为 4/8；长线反之。
4. **演示数据 vs 真实数据**：本文用演示证书跑通逻辑，换正式证书后即为真实行情，代码无需修改。

---

## 小结

本文完成了：
- 手工计算 KDJ（K/D/J）
- 手工计算 RSI（6日/12日）
- 双指标共振检测（超卖/超买）
- 三面板可视化

核心观点：**单指标容易骗线，双指标共振能显著降低噪音**。下一篇，我们把布林带加进来，做一个"通道突破 + 指标确认"的组合系统。

---

## 免责声明

本文仅为技术教学，不构成任何投资建议。投资有风险，入市需谨慎。

---

*代码与文档：https://github.com/MaiRuiApi*


KDJ 跑到 0 了，你以为是超卖，结果还能再跌一周。RSI 突破 70 了，你以为是超买，结果还能再涨 20%。

【Python量化技术指标实战 03】KDJ 和 RSI 谁更靠谱？用"双指标共振"过滤假信号

编程语言

算法

本文详解KDJ与RSI双指标共振策略，通过手工计算KDJ（K/D/J）和RSI（6/12日），实现超卖超买信号双确认，过滤单指标骗线噪音。附带完整Python代码和三面板可视化，适用于震荡市交易信号优化，降低假突破风险。

代码解释

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化技术指标实战 03】KDJ 和 RSI 谁更靠谱？用"双指标共振"过滤假信号-腾讯云开发者社区-腾讯云

【Python量化技术指标实战 03】KDJ 和 RSI 谁更靠谱？用"双指标共振"过滤假信号

【Python量化技术指标实战 03】KDJ 和 RSI 谁更靠谱？用"双指标共振"过滤假信号

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐