先说我最近在量化社区里看到的一个现象：聊RSI的人变少了，但聊AI+RSI的人变多了。以前大家讨论的是“RSI参数用14还是9”“70和30的阈值是不是太机械”，现在讨论的是“能不能让模型自己决定什么时候看RSI、看多长周期的RSI、以及RSI到底该配合哪些信息一起用”。这个转变挺有意思的——RSI这个1980年代就流行的技术指标，正在被AI重新拆开、重新组装。

这篇综述就是我过去一段时间对“AI赋能RSI”方向的系统梳理。我会先把RSI的计算逻辑和传统用法讲透，再讲它到底有什么先天缺陷值得AI介入，接着按改造深度列出五种主流技术路线，然后落到数据、特征、模型、回测和部署这些工程细节。内容适合三类人看：写量化策略发现自己总在RSI信号上亏钱的交易员，想找AI落地场景的研究者，以及准备把AI模型接进实盘系统的工程师。我不会给“包赚”的结论，但会把可复现的路数讲清楚。

1. RSI技术的基本盘：公式、参数与三种标准用法

1.1 从涨跌均值出发：RSI的计算逻辑再走一遍

RSI全称是Relative Strength Index，中文一般叫相对强弱指数。它衡量的是在一段时间内，价格上涨力度相对下跌力度的强弱。标准计算分四步：

1. 取周期N（最常用14）内的每日收盘涨跌幅；
2. 把上涨日的涨幅单独平均，得到平均上涨幅度AG（Average Gain）；
3. 把下跌日的跌幅单独平均，得到平均下跌幅度AL（Average Loss）；
4. 算出RS = AG / AL，然后套进公式：

RSI = 100 - 100 / (1 + RS)

这里有个细节值得注意：第一个N周期之后，很多软件用的是Wilder平滑，也就是：

AG_now = (AG_prev × (N - 1) + 今日涨幅) / N
AL_now = (AL_prev × (N - 1) + 今日跌幅) / N

而不是简单地把过去N天重新平均一次。Wilder平滑的优点是让指标连续、圆滑，不会因为某个历史极值突然滑出窗口就剧烈跳变。这个“记忆性”在后续做特征工程时很重要，因为它本质上是给时间序列引了一层递归结构。

除了标准的RSI(14)，实际策略里也经常用RSI(6)、RSI(2)甚至RSI(3)来做更灵敏的短线信号。周期越短，波动越剧烈，假信号也越多。RSI的取值范围被压缩在0到100之间，但真正有区分度的是40到70这一段——跌不到0，涨不到100，大部分时间都在中间区域震荡。

1.2 三种标准用法和它们背后的市场假设

传统RSI的用法基本逃不出三类：

超买超卖。RSI高于70视为超买，行情可能回调；低于30视为超卖，行情可能反弹。实际使用中，有人在RSI(2)上把阈值放到90/10，也有人把RSI(14)的阈值改成80/20，目的都是减少钝化期的假信号。

背离。价格创了新低，但RSI没有再创新低，叫底背离，空头力量在衰竭；反过来，价格创新高但RSI没跟上，叫顶背离。背离信号比单纯超买超卖要晚，但准确率通常更高。

趋势强度确认。RSI在50上方运行，说明多头占优，这时候结合均线或趋势指标做多；RSI跌破50再结合其他信号做空。这种用法把RSI从“拐点预测器”降级成了“状态确认器”。

这三种用法隐含了一个共同假设：价格存在均值回归或至少存在可识别的不均衡状态。超买超卖假设“涨太多会跌回来”，趋势强度假设“RSI高低能划分多空主导权”。如果市场进入强单边行情，或者波动结构发生剧烈变化，这些假设就会松动——这正是AI需要介入的第一个理由。

1.3 在用AI加工RSI之前，为什么建议先补这一课

我见过太多项目直接把RSI数值丢进神经网络，效果不理想就开始加层数、换模型。问题往往不在模型，而在对RSI本身的理解太浅。比如没有考虑Wilder平滑带来的递归性，直接拿原始RSI序列做特征；比如把RSI和价格放进同一个标准化流程，导致量纲被压成一个奇怪的分布。

所以我不建议跳过基础部分直接上AI。你要先能解释清楚：RSI在你的策略语境里到底是均值回归信号，还是趋势状态变量？这个定位决定了后续的特征设计和标签设计。同一个RSI数值，在震荡市和单边市里的含义完全不同，如果模型没有足够的信息去区分市场状态，它就只能在统计上“平均化”处理，最终得到一个什么都想要、什么都做不好的策略。

2. 为什么需要AI改造RSI：五个绕不开的局限

2.1 固定周期无法适配多变的市场状态

RSI(14)意味着它天生假设过去14天的涨跌模式能代表当前状态。但市场的波动特征会变：低波动环境里，14天可能覆盖一段漫长横盘；高波动环境里，14天可能只覆盖了一个急跌急涨的短周期。同样的RSI值在后一种情况下根本没有参考价值。

你当然可以手工调周期，但手工调参的本质是对市场状态做主观分段，本身就容易滞后。AI在这里的第一个切入点是让周期或权重随波动率、成交量、市场微观结构自动变化。

2.2 阈值和规则的机械性

70和30不是数学推导出来的，是经验值。经验值的麻烦在于它隐含了“全市场、全时段都适用”的假设。实际上，不同品种的RSI分布差异很大：有的品种长期在60到80之间运行，跌到60就已经算超卖；有的品种常态在30到50之间。同一个70/30规则，在一个品种上是过滤器，在另一个品种上是噪声发生器。

AI可以做的是把“阈值”变成一个可学习的边界函数，让RSI的每个取值在不同市场环境下都被重新打分，而不是一刀切。

2.3 信号滞后：RSI本质上是历史数据的映射

RSI完全由历史价格计算而来，天然滞后。它描述的是“过去N天买卖力量对比”，而不是“未来N天会发生什么”。超买之后可以继续超买，超卖之后可以继续超卖，尤其在强趋势行情里，RSI钝化是常态。传统解决方法是加背离或者等RSI突破趋势线，但本质上还是在用历史结构推断未来，滞后性没有消除。

AI的介入思路不是说“让指标变快”，而是把RSI和其他前瞻性信息（订单流、波动率结构、文本情绪）放在一起学习，让模型尽可能从更多信息中压缩出对未来的预测增量。

2.4 信息维度单一

这是RSI最受诟病的一点：它只用价格，不看成交量、不看资金流向、不看市场情绪。价格本身是多方博弈的结果，但博弈过程、持仓变化、交易热度都体现在其他维度里。一个只有价格维度计算出来的RSI，相当于只看考试分数不看学生平时作业和出勤率。

AI改造RSI的一个重要方向就是多模态融合：把RSI从价格指标扩展为“价格+成交+资金+情绪”的综合状态特征。这一步之后，RSI的含义事实上已经变了——它不再是那个孤立的技术指标，而是整个特征体系的一部分。

2.5 钝化与摩擦：信号到收益之间还隔着成本

RSI信号就算方向判断正确，从信号到实际盈亏之间还有执行成本。频繁出现的超买超卖信号，如果不加过滤，会在震荡市里反复打脸。传统做法是提高阈值、增加确认条件，但这又会丢失真正的拐点。AI在这里的价值不是简单提高准确率，而是在预测目标中直接嵌入交易成本和收益风险比，让模型自己学会“不值得交易的时候别交易”。

3. AI改造RSI的具体技术路线：按侵入程度从浅到深

3.1 浅层改造：把RSI当成机器学习的输入特征

这是门槛最低、也最容易做错的路线。做法很简单：把RSI值、RSI变化量、RSI分位数、RSI与其移动均线的偏离度等构造为特征，交给XGBoost、LightGBM或随机森林，去预测未来方向或收益率。

这里有个实用的构造技巧：不要只用RSI原始值，要构造它的“情境化”特征。比如RSI在近250天内的历史分位数，比RSI原始值更能体现当前相对位置；RSI的一阶差分比RSI水平值更能反映短期动量；RSI和价格指数、ATR的比值，可以消除部分波动率变化带来的影响。

这种路线的优点是迭代快、可解释性强、容易嵌入现有策略。缺点是它对RSI本身没有做任何结构性改进，模型能挖出多少信息完全取决于特征工程的质量。如果样本内外表现差异巨大，先怀疑特征构造，再怀疑模型。

3.2 中层改造：自适应周期与市场状态识别

这一层开始动RSI的参数了。常见做法是先用隐马尔可夫模型（HMM）或聚类算法把市场切成几个状态，比如低波动震荡、高波动单边、危机模式，然后在不同状态下使用不同的RSI周期和阈值。

我自己的实践里，比较稳的方案是先计算滚动波动率、滚动成交量和趋势强度，作为聚类特征，把市场分为三个簇。每个簇内单独做RSI周期搜索，把“簇标签+最优周期”拼成一个复合特征，再交给下游分类器。这种方案比单用固定RSI(14)在样本外有一定提升，但提升幅度取决于状态划分的稳定性——如果状态标签频繁跳变，策略反而会因为换挡频繁而付出额外交易成本。

3.3 深度改造：用监督学习直接预测未来收益

这是目前论文和开源项目里最主流的路线，把RSI从“决策指标”变成“预测任务的输入”。典型结构是：

• 输入：一段历史窗口内的OHLCV + RSI + 若干衍生特征；
• 标签：未来h个周期的收益方向、收益率或风险调整收益；
• 模型：LSTM、GRU、Transformer或它们与CNN的混合结构；
• 输出：预测值，再转化为交易头寸。

这条路线要特别注意三点。第一，RSI只是众多输入之一，不要指望它单独扛起预测能力，真正有效的往往是RSI与成交量、波动率特征的交互项；第二，REINFORCE式的端到端训练很容易过拟合，不如先用一个强分类器做基线；第三，预测目标不要用“涨跌方向”这种二分类标签，更建议用“剔除交易成本后的风险调整收益”，否则模型会学会在高波动区域频繁预测反转，实际扣掉滑点根本不赚钱。

3.4 系统性改造：强化学习与多目标优化

强化学习路线把RSI完全放进交易环境里。智能体的状态包含RSI、持仓、账户权益、市场波动信息，动作是加仓、减仓、持有，奖励是扣除成本后的收益或夏普比率。RSI在这里不再单独给出买卖信号，而是和所有状态一起被价值网络或策略网络使用。

这个方向听起来高级，实际落地最困难。问题有三个：奖励信号稀疏（单笔交易周期长）、环境不平稳（市场结构在变，环境本身不是固定概率分布）、评估困难（同一条策略在相似市场里有巨大方差）。我的建议是，不要一上来就跑端到端强化学习，而是先用规则策略生成初始数据，用离线强化学习做策略提升，这样至少能保证训练过程不会因为随机探索而崩坏。

3.5 外延改造：多模态融合与Agent化

这是这两年才冒出来的方向。RSI不再单独存在，而是和其他模态数据一起进入模型——价格图像（K线图）、新闻情绪向量、资金流数据、甚至是宏观事件的文本嵌入。RSI作为其中一个特征通道，与这些模态做交叉注意力或特征拼接。

同时，“AI Agent”也开始出现在交易系统里。Agent负责拆解任务：先判断当前市场状态，再决定是否参考RSI信号，然后调取模型预测结果分配仓位，最后执行订单并检查异常。RSI在这个架构里不是被替代，而是被“调度”和“上下文化”了。这个方向工程复杂度高，但逻辑最接近真实交易员的工作方式——不是死盯一个指标，而是综合所有信息后做判断。

4. 实验设计中的关键决策：标签、特征与数据切分

4.1 标签设计：预测目标决定了模型的性格

标签设计是AI+RSI项目里最容易出问题的一步。你是不是直接用了“未来涨还是跌”作为二分类标签？如果是，大概率会训练出一个倾向预测“涨幅不大”的保守模型，因为它无法区分“小涨”和“大涨”。

我更推荐三种标签：

• 未来h期收益率的连续值（回归任务）；
• 排序标签：未来收益在样本池中的横截面分位（learning-to-rank思路）；
• 剔除成本后的风险调整收益，比如未来h期的收益减去固定交易成本和波动惩罚。

第三种在我的实验里最贴合实盘，因为它让模型在训练阶段就知道“没有空间的波动不值得参与”。注意时间窗h不要拍脑袋定，要结合品种的持仓周期去设。日内策略可以取30分钟或60分钟，波段策略取5到20日。

4.2 特征工程：RSI特征组与其他特征组的配合

RSI特征组可以围绕四个维度展开：

• 水平：当前RSI值、RSI(6)、RSI(14)、RSI(28)；
• 变化：RSI的一阶差分、加速度；
• 分布：RSI在250日窗口内的百分位排名、过去N日RSI最大值和最小值的距离；
• 交互：RSI与价格动量、成交量、波动率、持仓量的比值或差。

交互特征往往比RSI本身更重要。举例来说，RSI(14)小于30且同时满足“成交量放大到过去20日均量的1.5倍”和“波动率处于近60日低位”，这个组合在统计上比单纯低RSI值有更高的反弹概率。这些交互不是模型自动发现的，而是先靠经验构造出来喂给模型的。

4.3 数据切分：从源头杜绝未来函数

时间序列预测最怕未来的信息泄漏进训练数据。传统K折交叉验证在时间序列上是危险的——训练集和验证集如果混在不同的时间段，相当于让模型看到了“未来样本分布”，测试分数会被严重高估。

正确的做法是Walk-Forward切分：

1. 按时间顺序把数据切成连续段；
2. 用前一段训练，中间一段做模型选择，最后一段做样本外测试；
3. 每过一段时间滚动一次窗口，而不是固定一个训练集。

在特征工程层面也有两种隐蔽的未来函数要防：一是z-score归一化用了全局均值和标准差，应该只用训练窗口内的统计量；二是标签生成时不小心用了未来K线数据，比如用当日收盘价触发信号、次日开盘价成交，看起来没错，但如果你在特征生成时引用了次日数据，就泄漏了。

4.4 评估指标：不要只盯准确率

分类准确率在交易场景里几乎没有任何意义，因为市场方向本身不平衡，且正确方向的幅度差异巨大。我更建议看这些指标：

• IC（信息系数）：预测值与未来收益的Spearman相关系数，稳定高于0.03才有实用价值；
• 分层回测：把预测值分成5组或10组，看多空组合的单调性；
• 扣费后的夏普比率和最大回撤；
• 不同市场状态下的分组表现：单边上涨、单边下跌、震荡市分别单独评估。

一个预测准确率58%但IC只有0.01的模型，和准确率52%但IC稳定在0.05的模型，在实际交易中后者的价值远高于前者。

5. 模型对照与实测结果：同一条数据下的基线比较

5.1 先跑规则基线：没有比较就没有伤害

任何AI模型都应该先和传统规则型RSI策略做对照。规则基线的定义很简单：固定RSI(14)，采用70/30阈值和背离过滤，叠加一个简单的移动止损。我跑下来的经验是，AI模型如果连这种基线都打不过，问题大概率不是模型不够好，而是数据或特征有问题。

把规则基线结果写进实验记录里非常有用。它能帮你判断收益到底来自模型结构，还是来自特征里新增的波动率、成交量信息。

5.2 主流模型对比：XGBoost、LSTM与Transformer

我在同一份沪深300指数增强类数据上做过一轮比较，特征相同、标签相同、时间段相同，结果的大致规律如下：

这说明三件事：一是只加AI不大幅提升效果，提升更多来自特征维度扩展；二是在中小体量数据上，树模型往往就够用，深度模型的增量有限；三是模型越复杂，对特征工程的要求越高，如果你给Transformer喂的还是那几个简单特征，效果会被XGBoost反超。

5.3 集成与Stacking的边际收益

把不同模型的结果做集成，通常能获得1-2个百分点的稳定性提升。常见做法是把XGBoost的概率输出、LSTM的预测值、规则RSI信号强度一起喂给一个逻辑回归，让元模型学一个加权组合。

但要注意，集成不能掩盖特征工程和标签设计的根本问题。如果每个子模型都在同一个错误方向上过拟合，集成只是平均了错误。我会在集成之前先确认各个子模型的预测相关性，相关系数低于0.7的集成才有价值。

5.4 一份实验记录模板

每次实验至少记录：数据集、时间段、特征清单、标签定义、模型超参数、验证IC、样本外年化、最大回撤、扣费前后收益差异、交易次数。没有这些信息，你根本不知道一次“策略变好了”是因为模型升级还是因为运气。

6. 回测、部署与监控：从论文到实盘的最后一公里

6.1 回测细节：手续费、滑点、成交假设

很多AI+RSI项目在论文里展示漂亮的净值曲线，实盘一跑就变样。罪魁祸首是回测假设过于理想。我给所有回测定的硬规则：

• 交易成本双边至少万分之三；
• 滑点按1-2个tick设置，并在敏感度分析里测试5个tick的极端情况；
• 信号在收盘后计算，下一个交易日的开盘价成交，不允许用当日收盘价在同一根K线上成交；
• 涨跌停、停牌、低流动性时段直接跳过，不参与回测。

这一套规则执行下来，原本看似稳健的年化20%策略往往掉到10%以下。能在这样严苛假设下还赚钱的模型，才值得继续测试。

6.2 Walk-Forward滚动回测优于一次性回测

固定训练集和测试集的回测结果参考价值有限，因为市场结构在变，模型的有效期也在变。更好的方式是滚动回测：每30个交易日重新训练一次模型，用最近20个交易日做验证，逐步向前滚动。这样得到的样本外收益曲线，才更接近实盘。

我在跑这种滚动测试时发现，一个模型的IC会随时间明显波动。有的时间段IC在0.06以上，有的时间段只有0.01甚至负值。如果负值阶段恰好与高波动期重合，说明模型在这个市场状态下是失效的，需要引入状态开关来保护。

6.3 部署架构：从研究到生产的路径

AI+RSI策略的部署架构，一般不会太重。分成三层就够了：

• 数据层：定时脚本从行情接口拉取日线或分钟线，存入数据库，同时计算RSI特征表；
• 模型层：训练脚本按计划重训练，将模型序列化后放到模型仓库，推理服务读取模型实时生成预测；
• 交易层：根据预测和风控规则生成目标仓位，通过交易接口下单，同时记录订单、成交和持仓。

如果使用Agent架构，可以在交易层加一个“调度模块”来串管线：判断市场状态是否适合交易、决定是否调用RSI过滤逻辑、把模型预测结果转成仓位建议。这里的关键是Agent不能随便改变下单逻辑，它只能决定“要不要启用某套策略”，最终的风险检查还是交给独立的规则引擎。

6.4 监控与重训练：模型漂移是必然的

市场结构在变，模型必然漂移。我建议至少监控三类指标：特征分布（RSI均值、波动率、成交量均值是否偏离训练期）、预测分布（模型给出的预测值是否越来越极端或越来越平坦）、业绩指标（滚动IC、回撤、交易次数）。任何一个指标超过阈值，都应该触发重训练或停止交易。

重训练频率不用太高。过度频繁的重训练会把噪声当成信号学进去，导致策略变得更加不稳定。我的经验是：低频策略（日线级别）每两周到一个月重训练一次，中高频策略（分钟级别）每天或每周做增量更新。重训练之后要保留上一版模型，做一段时间的A/B对比，不要直接切换。

7. 我总结的七条AI+RSI实操经验

第一，规则RSI不是要被“消灭”的，而是要被“结构化”的。先把传统信号的结果记录下来，再慢慢叠加AI改造，否则你连自己到底改进了什么都说不清。

第二，特征工程通常比模型重要。同一组RSI数据，构造了上下文特征之后，喂给朴素逻辑回归的效果就能超过直接喂给复杂Transformer的效果。

第三，不要在二分类“涨跌”上死磕。改成连续收益预测、排序任务或者考虑成本的定制目标，模型的实用价值会高很多。

第四，样本外测试必须跨越多轮牛熊。只测一个上涨波段，AI模型几乎必然过拟合。至少要覆盖震荡、单边、危机式下跌三种区间。

第五，交易成本是不可省略的过滤器。扣完成本之后还能存活，模型才进入候选名单。

第六，模型越复杂，越要警惕解释性丧失。如果你完全说不清模型为什么在某个时间段持续亏损，这本身就是风险信号。

第七，AI+RSI的意义不在于“替代人工看指标”，而在于把“什么时候看什么指标、看完之后怎么决策”这个隐式的经验，变成显式的、可回测的、可迭代的系统工程。

我个人在这些项目里体会最深的一点，是耐心。RSI本身是一个很“简单”的指标，把它和AI结合的过程，最难的从来不是跑通某个模型，而是愿意花大量时间做数据清洗、特征构造和严谨回测。这些脏活累活，决定了模型在实盘里到底是提款机还是绞肉机。如果你正打算做类似的方向，先从一份严格的可复现实验记录开始，不要急着看净值曲线。