Overlap：RMA（运行移动平均线）技术指标详解

Overlap：RMA（运行移动平均线）技术指标详解

一、RMA的定义

RMA（Running Moving Average，运行移动平均线）也被称为Wilder’s Moving Average（威尔德移动平均线），是技术分析大师J. Welles Wilder在1978年出版的《技术交易系统新概念》（New Concepts in Technical Trading Systems）一书中引入的一种特殊移动平均线。

核心定位

RMA的本质其实是一种指数移动平均线（EMA），但它采用了一个特定的平滑系数公式。你可以把它理解为“威尔德版本的EMA”，而它最著名的应用场景，就是作为RSI（相对强弱指数）指标的核心计算组件。

RMA与EMA的区别

这一公式也说明了为什么RMA（或Wilder平滑）常被评价为“速度较慢”，因为它相当于一个有较长有效周期的EMA。

二、RMA的计算方法

1. 核心公式

RMA的计算基于一个递归公式：
RMAt=Pricet×α+RMAt−1×(1−α) \mathrm{RMA}_t = \mathrm{Price}_t \times \alpha + \mathrm{RMA}_{t-1} \times (1 - \alpha)RMAt​=Pricet​×α+RMAt−1​×(1−α)
其中平滑系数α\alphaα为周期的倒数：
α=1length \alpha = \frac{1}{\mathrm{length}}α=length1​

2. 计算步骤

第一步：初始化第一个RMA值

与EMA类似，第一个RMA值通常使用简单移动平均（SMA）作为初始值。
RMAinitial=SMA(Price,length) \mathrm{RMA}_{\text{initial}} = \mathrm{SMA}(\mathrm{Price}, \mathrm{length})RMAinitial​=SMA(Price,length)
第二步：递归计算后续值

从第length + 1个数据点开始，使用递推公式计算：
RMAt=1length×Pricet+(1−1length)×RMAt−1 \mathrm{RMA}_t = \frac{1}{\mathrm{length}} \times \mathrm{Price}_t + \left(1 - \frac{1}{\mathrm{length}}\right) \times \mathrm{RMA}_{t-1}RMAt​=length1​×Pricet​+(1−length1​)×RMAt−1​

3. 计算示例

以length = 3为例：

4. pandas_ta中的实现

在pandas_ta库中，RMA函数直接调用了pandas的ewm方法，并传入alpha = 1 / length作为平滑参数：

# pandas_ta中RMA的简化实现defrma(close,length=10):alpha=1.0/lengthreturnclose.ewm(alpha=alpha,min_periods=length).mean()

5. 参数说明

三、RMA的使用方法

1. 作为RSI的核心计算组件

RMA最广为人知的应用是作为RSI指标的计算基础。在RSI计算中：

• 上涨幅度的平滑使用RMA（周期14）
• 下跌幅度的平滑同样使用RMA（周期14）

2. 作为趋势跟踪工具

与EMA类似，RMA可以作为趋势跟踪均线使用：

3. 价格穿越信号

价格与RMA的穿越是最简单的入场/出场信号：

4. 与其他指标配合

RMA本身并不作为独立的交易信号源使用，更多是作为其他指标（如RSI、ADX）的计算基础。pandas_ta库的许多函数都支持通过mamode参数指定使用RMA作为平滑方式。

四、使用pandas_ta计算RMA

1. 函数完整参数

pandas_ta.overlap.rma(close,length=None,offset=None,**kwargs)

返回值：pd.Series——RMA值序列。

2. 示例代码

importpandasaspdimportpandas_taastaimportnumpyasnpimportmatplotlib.pyplotasplt# ========== 第一步：准备数据 ==========np.random.seed(42)dates=pd.date_range(start='2023-01-01',end='2024-12-31',freq='D')n=len(dates)trend=np.linspace(0,45,n)cycle=np.sin(np.linspace(0,6*np.pi,n))*15noise=np.random.randn(n)*3price_series=100+trend+cycle+noise# 添加趋势变化区间price_series=price_series.astype(float)foriinrange(300,450):price_series[i]=price_series[300]+(i-300)*0.2foriinrange(450,600):price_series[i]=price_series[450]-(i-450)*0.15df=pd.DataFrame(index=dates[:n])df['close']=price_series[:n]print("="*60)print("数据预览：")print(df.head())print("\n"+"="*60+"\n")# ========== 第二步：计算RMA ==========# 默认参数 length=10df['RMA']=ta.rma(df['close'])print("RMA计算结果（最近10行）：")print(df[['close','RMA']].tail(10))print("\n"+"="*60+"\n")# ========== 第三步：不同周期RMA对比 ==========df['RMA_5']=ta.rma(df['close'],length=5)df['RMA_10']=ta.rma(df['close'],length=10)df['RMA_20']=ta.rma(df['close'],length=20)print("不同周期RMA对比（最近5行）：")print(df[['close','RMA_5','RMA_10','RMA_20']].tail())print("\n"+"="*60+"\n")# ========== 第四步：RMA与EMA对比 ==========# 计算等效周期的EMA进行对比# RMA(period) ≈ EMA(2*period - 1)df['EMA_19']=ta.ema(df['close'],length=19)# 对应RMA(10)print("RMA(10) vs EMA(19) 对比（最近10行）：")print(df[['close','RMA_10','EMA_19']].tail(10))print("\n"+"="*60+"\n")# ========== 第五步：价格穿越信号 ==========df['price_above_rma']=df['close']>df['RMA_10']df['cross_above']=(df['price_above_rma']==True)&(df['price_above_rma'].shift(1)==False)df['cross_below']=(df['price_above_rma']==False)&(df['price_above_rma'].shift(1)==True)df['signal']=''df.loc[df['cross_above'],'signal']='买入（价格上穿RMA）'df.loc[df['cross_below'],'signal']='卖出（价格下穿RMA）'print("价格穿越信号统计：")print(f"买入信号数量：{df['cross_above'].sum()}")print(f"卖出信号数量：{df['cross_below'].sum()}")print("\n"+"="*60+"\n")# ========== 第六步：策略回测 ==========# 策略：价格 > RMA 时持仓多头df['position']=(df['close']>df['RMA_10']).astype(int)df['returns']=df['close'].pct_change()df['strategy_returns']=df['position'].shift(1)*df['returns']total_return_buyhold=(1+df['returns']).prod()-1total_return_strategy=(1+df['strategy_returns']).prod()-1print("="*60)print("策略绩效统计（RMA穿越策略回测）：")print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")print(f"RMA穿越策略总收益率：{total_return_strategy:.2%}")print("\n注意：此为简化回测，仅供参考")print("="*60+"\n")# ========== 第七步：可视化 ==========plt.figure(figsize=(14,10))plt.subplot(2,1,1)plt.plot(df.index[-200:],df['close'][-200:],label='Close Price',linewidth=1.5,color='black')plt.plot(df.index[-200:],df['RMA_10'][-200:],label='RMA (10)',linewidth=1.5,color='blue')plt.plot(df.index[-200:],df['EMA_19'][-200:],label='EMA (19) - Equivalent',linewidth=1,color='orange',linestyle='--')plt.title('RMA(10) vs EMA(19) 对比 (Last 200 days)',fontsize=14)plt.ylabel('Price')plt.legend()plt.grid(True,alpha=0.3)plt.subplot(2,1,2)plt.plot(df.index[-200:],df['close'][-200:],label='Close Price',linewidth=1,alpha=0.5,color='black')plt.plot(df.index[-200:],df['RMA_5'][-200:],label='RMA (5) - 短线',linewidth=1,alpha=0.7)plt.plot(df.index[-200:],df['RMA_10'][-200:],label='RMA (10) - 标准',linewidth=1.5,color='blue')plt.plot(df.index[-200:],df['RMA_20'][-200:],label='RMA (20) - 长线',linewidth=1.5,color='green')plt.title('RMA：不同周期对比与穿越信号',fontsize=14)plt.xlabel('Date')plt.ylabel('Price')plt.legend(loc='upper left')plt.grid(True,alpha=0.3)plt.tight_layout()plt.show()

五、总结

RMA（运行移动平均线）是技术分析大师威尔德引入的一种特殊移动平均线，其核心价值与定位如下：