RSI Impact Heat Map [Trendoscope]

在技术分析的世界里，相对强弱指数（RSI）可能是被使用频率最高的动量指标之一。然而，传统用法往往停留在“超买卖出、超买卖入”或“金叉死叉”的粗糙判断上，很少去追问一个关键问题：当RSI穿越某一数值之后，价格到底会走多远？公开交易社区中，该策略作者 Neo 给出了一份简洁却极富启发性的工具：“RSI 事件影响热力图”。它并不试图预测下一秒的方向，而是把历史同类事件发生后的价格位移摊开成一张统计热力图，让交易者用统计的眼光重新审视每一个RSI信号。

策略解读

一个把“信号”升级为“统计模型”的小工具

RSI 的经典算法并不复杂：它度量一定周期内价格涨跌动量的相对强弱，数值介于0到100之间。交易者通常以70和30作为超买超卖的分界线，也有人用50作为多空分界。但传统RSI给出的是一个二元判断：上穿，或者下穿；超买，或者超卖。它并没有告诉我们“上穿之后平均波动多少”“下穿之后最大风险多大”这类更深层的问题。

该策略作者的做法，是将RSI信号拆解成一个个可以被统计的事件，并记录这些事件发生后N根K线内的实际价格位移。这是典型的“事件驱动研究”（Event-Driven Research）思路：不关心指标本身的连续数值，只关注“穿越”这一瞬间之后发生了什么，然后将大量同类事件汇集在一起，寻找统计上的规律。

事件：RSI不会含糊其辞，只会“穿越”或“跌破”

所谓“事件”，在这个策略中被严格定义为两类：RSI向上穿越某一设定值（Crossover），或向下穿越某一设定值（Crossunder）。

比如，设定RSI参考值为50，那么当RSI从下方上穿50时，就产生一个“上穿事件”；当RSI从上方下穿50时，就产生一个“下穿事件”。同理，如果你把参考值设置成70，那么当RSI从下方突破70时，也是一个上穿事件。事件的触发点是一个明确的时间戳，而不是一段连续区间。这使得后续的统计口径非常干净：每触发一次，只记录一条结果。

影响度量：用N根K线的“最高位移”和“最低位移”说话

事件触发后，盘面不会立刻给出答案。价格可能快速拉开，也可能先反抽。为了刻画“事件之后价格最远能走多远”，作者引入了两个核心度量：

• 最高位移（Highest Displacement）：事件触发K线收盘价之后，N根K线内出现过的最高价，相对于触发时收盘价的涨幅。
• 最低位移（Lowest Displacement）：事件触发K线收盘价之后，N根K线内出现过的最低价，相对于触发时收盘价的跌幅。

这里有一个容易被忽视的关键细节：最高位移和最低位移是“并行记录”的，而不是一个结果。也就是说，一个上穿事件发生后，即使后来价格涨了很多，只要中途出现过一次较大回撤，这条回撤也会被完整记录下来。这相当于同时衡量了事件的“上行潜力”和“下行风险”，比单纯记录最终涨跌幅要丰富得多。

另一个重要设计是影响单位的可选择性。作者提供了两种单位：

第一种是ATR倍数。ATR（平均真实波幅）是衡量市场波动水平的经典指标。用ATR倍数来做单位，相当于把位移量“除以当时市场的平均波动”，得到一个标准化后的相对值。举例来说，某只股票ATR为2元，事件后最高位移为4元，那么上行影响就是2倍ATR。这个数值在不同品种之间具有可比性：高波动股票和低波动股票虽然绝对价格位移差异巨大，但在ATR维度上可能处于同一水平。

第二种是价格百分比。这种做法更直观，直接用位移幅度除以触发时的价格。对于波动相对平稳的品种，百分比单位更容易被理解。

热力图的聚合逻辑：让历史数据自己说话

该工具要解决的问题是：不同RSI数值上的穿越，是否会给后续走势带来不同量级的冲击？要回答这个问题，就必须对大量历史事件进行分类汇总。作者将所有历史触发事件按“穿越方向”“穿越当时的RSI数值区间”以及“影响大小”进行分类，然后以热力图形式呈现。

这里需要做一个合理推断：由于原文在“Plotting……”处截断，我们可以推测其绘图思路是——将RSI阈值区间作为横轴，上穿/下穿分别作为不同组别，纵轴则表示N根K线后的位移，用颜色深浅表达影响强度。例如，一张热力图上可能会显示出：当RSI在75至80区间发生下穿时，随后20根K线内的最大负向位移平均达到1.5倍ATR；而在40至45区间发生下穿时，最大负向位移只有0.6倍ATR。这些信息远比“下穿70意味着转弱”这样一句泛泛之谈更有参考价值。

倘若读者想把它用在实战中，需要做两件事：第一，事后反复观察热力图是否呈现出某种稳定的颜色脉络；第二，结合自己的交易周期和风控要求，选择那些历史上表现具有显著区分度的RSI阈值位置作为信号过滤器。这样，这个工具就不再是一个简单的信号提示器，而是一张可迭代的“统计地图”。

名词解释

1. RSI（相对强弱指数，Relative Strength Index）：由 Welles Wilder 在1978年提出，通过比较一段时间内价格上涨幅度与下跌幅度的平均值，量化市场买卖力度的强弱。数值范围为0到100，通常以70/30作为超买超卖参考线，以50作为多空分界。

2. Crossover / Crossunder（上穿/下穿）：技术指标中常用的两种事件类型。Crossover 指指标线从下方向上突破某条参考线或另一条指标线；Crossunder 则指指标线从上方向下跌破参考线。它们都强调“穿越瞬间”，而非连续状态。

3. ATR（平均真实波幅，Average True Range）：用于度量市场波动水平的指标，由 Welles Wilder 提出。ATR 并不指示方向，只反映价格的剧烈程度。真实波幅（True Range）取当前最高价减最低价、最高价减前收盘价的绝对值、最低价减前收盘价的绝对值中的最大值，ATR则是其N期平均值。

4. 热力图（Heatmap）：一种二维可视化方式，用颜色深浅或颜色种类表示数据数值大小。在金融分析中，热力图常被用来展示不同参数条件下某种统计量的大小，帮助交易者快速锁定“高影响区”或“低影响区”。

5. 事件驱动研究（Event-Driven Research）：以特定事件（如指标金叉、财报公布、政策发布）为锚点，分析事件发生前后资产价格行为的一类方法。其核心不是预测事件本身，而是统计事件发生后的规律。

6. 最高/最低位移（Highest / Lowest Displacement）：事件触发后某一时间窗口内，最高价相对触发K线收盘价的上行距离，以及最低价相对触发K线收盘价的下行距离。它刻画的是窗口内的极端波动范围，而非最终收盘涨跌。

7. 回看窗口（Lookback Window）：事件触发后继续观察的K线数量，即原描述中的“N”。N越大，观察越充分，但受噪音和后续新事件干扰的可能性也越大。

策略思路讲解

该策略的整体流程可以拆解为以下几步：

第一步：确定事件定义。 交易者需要选定一条参考数值（比如50、70、30），并指定事件类型（上穿或下穿）。每一次RSI穿越这个数值，都生成一个“事件标记”。

第二步：选择观察窗口N。 例如N取10，意味着在事件触发后的第1根至第10根K线范围内观察价格反应；N取20则观察后面20根K线。

第三步：计算位移。 在窗口内，找出最高价与事件触发K线收盘价的差，记为最高位移；找出最低价与事件触发K线收盘价的差，记为最低位移。

第四步：标准化。 将两个位移值分别转化为ATR倍数或价格百分比。这个步骤避免了不同波动率时期之间的直接比较陷阱。

第五步：积累样本。 将所有历史事件分别按“上穿事件”和“下穿事件”存储，并附上事件触发时RSI的具体数值区间和计算得到的位移。作者在原描述中提及使用自定义类型数组，本质上就是一种结构化存储方式——把每次触发的相关字段整体保存，以便后续查询和聚合。

第六步：绘制热力图。 将积累的数据按矩阵形式汇总。一个维度是RSI数值区间，另一个维度是事件类型或观察指标（如最高位移平均值、最低位移平均值），颜色表达强度。通过观察颜色分布的区块差异，交易者可以识别出哪些RSI事件在历史上更有影响力。

第七步：实际应用。 如果交易者发现某组RSI区间在历史上触发后最低位移长期偏小、而最高位移显著放大，则可将该区间视为高价值信号；反之，如果热力图呈现出接近随机分布的色块，说明该指标在该参数下缺乏统计优势，不值得作为交易依据。

这种思路真正有意思的地方在于：它把“某一次信号准不准”的问题，转化为“某一类信号在历史上到底怎样”的问题。通过统计聚合，交易者得以摆脱单次交易中好坏运气的干扰，回归到更接近期望值的维度去审视策略。

优点

第一，将信号影响力可视化，提升了复盘效率。 传统RSI信号往往只给出“金叉/死叉”或“超买/超卖”的提示，缺少对后续变动幅度的量化展示。热力图把历史统计结果浓缩在一张图上，让交易者可以迅速比较不同RSI数值触发信号的“含金量”。

第二，同时捕获上行潜力和下行风险。 该策略同时记录最高位移与最低位移，等于在统计中兼顾了盈利空间与回撤成本。这种双向记录方式能避免只看最终涨跌带来的幸存者偏差——即便最终价格上涨，如果中途经历大幅回撤，这条记录的“风险端”也会被如实保留。

第三，ATR标准化使跨品种对比成为可能。 高波动股票和低波动股票之间的绝对价格位移差异巨大，但如果以ATR倍数为计量单位，二者便拥有统一的比较基准。这种设计让策略具有很强的适应性，交易者可以把在某一只标的上总结出的经验，初步迁移到另一只标的上进行验证。

第四，参数设计灵活，可适应多种交易风格。 RSI参考值、N窗口、ATR周期、位移单位都可以调整。短线交易者可以选择较小的N值，观察事件发生后5根K线内的即时反应；波段交易者则可以选择更大的N值，捕捉更完整的价格演变。

第五，策略哲学中立，不与方向预测绑定。 它既不对多头更友好，也不对空头更友好；只客观展示历史统计结果。这种“描述性统计工具”的属性，使它能够嵌入到不同的交易体系之中，既可以用来过滤趋势信号，也可以用来管理事件型交易的风险敞口。

缺点

第一，历史统计不能保证未来有效性。 热力图上的颜色差异属于历史概率推断，但在市场结构变化、宏观环境突变或流动性骤降的情形下，以往的统计规律可能瞬时失效。这类基于历史数据的工具，本质上都带有“后视镜”式的局限性。

第二，样本不足时会产生误导。 如果某一RSI区间上的穿越事件在历史中出现次数极少，热力图显示出来的颜色可能由两三次极端行情主导，统计意义很低。交易者若不加辨别地采信这些偏色区域，很容易被小样本噪音引入歧途。

第三，未区分市场环境。 RSI穿越50或70的意义，在单边趋势与区间震荡中截然不同。该策略并未引入“趋势/震荡”状态过滤器，因此热力图呈现的结果可能是不同环境混合后的平均效果，从而抹掉了那些真正具有区分度的局部规律。

第四，存在信号滞后性。 事件触发发生在K线收盘时，实际入场价格可能比触发收盘价高出不少或低了不少；而位移测量也是以收盘价为起点。这在跳空行情中可能导致实际交易结果与统计结果之间有不可忽略的偏差。

第五，忽略了事件后的再次触发。 如果在N根K线之内，RSI又发生了反向穿越，那么这段窗口内的价格位移究竟应归因于第一次事件还是第二次事件，工具并没有做区分。这种事件叠加会造成影响的重复计算，让热力图颜色呈现偏复杂的混杂含义。

起源年份考证

RSI 本身由 Welles Wilder 于1978年提出，但“以事件为锚点、统计事件后价格行为”的思想在金融工程领域的出现要更早——学术界的“事件研究法”（Event Study）自20世纪60年代末以来就被广泛运用于分析公司公告对股价的影响，并在80年代逐步流行。1990年代至2000年代，随着个人电脑与量化分析工具的发展，技术分析师开始尝试用统计回溯的方式检验指标信号，但当时的可视化手段有限，主要依赖于表格与刻度曲线。

2000年代后期到2010年代，金融数据可视化技术快速演进，“热力图”这种高密度信息展现方式从生物信息学和地理信息系统逐步进入到金融分析中。2015年以后，在线交易平台和公开交易社区允许用户编写自定义指标并分享研究思路，事件驱动型统计工具开始大量出现；将RSI事件与热力图结合，则是2020年前后此类“事件统计型可视化工具”逐渐流行之后才变得常见的一种具体形态。

需要特别说明：以上时间线属于对该类方法起源与流变脉络的考证，而非对该策略具体发布日期的考证。 该策略作者究竟在哪一年、受什么因素启发创造这件工具，无法从公开资料中确切考证。

改进建议

第一，增加市场状态过滤。 在统计事件影响时，可以根据价格均线排列、ADX方向强度指标或波动率水平将历史样本划分为“趋势市”“震荡市”与“高波动市”，分别绘制热力图。这将帮助交易者区分同一RSI穿越在不同市场环境下截然不同的含义。

第二，引入胜率与盈亏比统计。 目前策略着重刻画最高位移和最低位移的平均值，但并未直观呈现“向上位移超过某阈值”的经历占比。建议在热力图上同时叠加胜率（例如最高位移超过0.5倍ATR的比例），以均值与胜率双维度共同评估一个信号的可靠性。

第三，增加事件确认条件。 例如，只有在RSI上穿某一数值的同时，成交量出现放大，或者价格站上短期均线，才将该穿越记为“有效事件”。增加确认条件虽然会减少样本量，但通常能显著提升事件样本的同质性和统计意义。

第四，采用时间衰减加权。 近期的市场行为通常比半年前的更具参考价值。建议在聚合历史事件时，对样本赋予按时间衰减的权重，使近一年的事件对热力图颜色产生更大影响，从而让工具更贴合当前市场状态。

第五，加入最小样本量阈值。 在热力图中，将事件次数少于一定数量的格子直接标记为“样本不足”或填充为灰色，避免交易者被少数极端行情造成的“鲜艳色块”误导。

第六，支持多时间周期联动。 可以将日线RSI事件与小时线RSI事件结合，当多个时间周期同时发生同向穿越时再触发信号。多周期共振往往比单一周期的穿越更具参考价值。

第七，对极端位移进行稳健化处理。 统计中可以使用中位数、百分位数或截尾均值（如剔除前后5%的异常值）来代替简单平均值，从而减少偶发极端行情对整体颜色分布的扭曲。比如，一次黑天鹅事件可能让某个格子中所有值都被拉高，稳健统计能让热力图更贴近日常行情下的典型表现。

总结

RSI 事件影响热力图是一个“小而精巧”的研究型工具。它的核心价值并不是提供新的买卖信号，而是改变交易者观察指标的方式——从“信号发生与否”升级为“信号发生之后的统计分布”。借助事件化定义、N段窗口位移测量、ATR标准化和热力图可视化，它把一个古老指标重新放回统计框架之下，让人们能够直观地看到哪些穿越更有分量、哪些穿越只是噪音。它当然不完美，历史规律会失效，样本会不足，市场环境也不会静止不变。但作为辅助研究工具，它的确为交易者打开了一扇新的窗户：在每一次金叉死叉背后，还隐藏着一张等待被挖掘的因果地图。读懂这张地图的人，未必能预测未来，但至少能对自己的信号多一分笃定，对潜在的风险多一分准备。