做技术分析的人几乎没有不知道RSI的。Relative Strength Index相对强弱指数从提出到现在几十年一直是震荡行情里最常用的指标之一。但真正在实盘里反复用过它的人心里都清楚这东西的脾气钝化、滞后、背离之后还有背离到了单边行情里更是说失灵就失灵。最近谷歌放出一个重磅研究项目Dream-RSI把RSI从一个历史统计指标重新建模成“未来路径的概率分布”我第一次看到这个思路就被吸引了——它解决的不是RSI本身好不好用的问题而是把整个“技术指标怎么用”这件事往前推了一大步。这篇文章我想从RSI的经典痛点讲起把Dream-RSI的核心机制、可能的技术实现、适用场景以及复现时容易踩的坑都梳理一遍。不管你是量化策略研究员、技术分析爱好者还是只在关注AI和金融交叉方向的路人读完之后应该都能对“生成式AI怎么改造老指标”这件事有一个完整的认识。1. 先搞懂RSI为什么“不够用”老指标的老毛病1.1 经典计算RSI是移动均线的变体不是玄学RSI的全称是Relative Strength Index中文一般叫相对强弱指数。它的核心思想特别朴素统计最近N根K线里上涨力量占总体波动的比例。公式写出来就是RS 平均上涨幅度 / 平均下跌幅度 RSI 100 - 100 / (1 RS)实际计算时最常见的默认参数是14也就是看过去14根K线。先分别算出这些K线里上涨日的平均涨幅、下跌日的平均跌幅两者一除得到RS再套进公式变成0到100之间的数值。数值超过70习惯上叫超买低于30叫超卖。听着很简单但你要真把它当成一个“买卖信号发生器”那就错了。RSI的本质是一个对过去价格波动的平滑统计它的数学内核接近于一个动态的涨跌动量比值。换句话说它回答的问题是“过去这段时间多头力量到底占了多少便宜”而不是“未来价格会怎么走”。很多新手把RSI当成水晶球说白了是误解了它的定义。这个底层逻辑有个直接后果RSI天然滞后。因为它基于过去N根K线的平均值你看到的任何RSI数值都是对历史的总结不是对未来的预测。这也是后面所有骂RSI失灵的声音真正的来源。1.2 实测中最常见的四类失效场景我接触过的交易和研究系统里RSI被吐槽最多的场景基本就四类每类我都亲眼见过翻车案例第一类是钝化。2019年到2020年那种单边行情里RSI可以连续几十天在70上方高位钝化你按超买就做空账户分分钟教你做人。钝化的本质是趋势太强超买之后还能更超买均值回归迟迟不来。第二类是滞后。RSI的背离信号尤其是顶背离经常变成“背了又背”。价格创新高、RSI不创新高你以为头部出现了结果价格继续往上拉RSI只是在高位横一横又重新抬头。我见过有人在背离信号里连续三次进场做空最后被迫止损离场。第三类是参数敏感。把周期从14改成6超买超卖阈值从70/30改成80/20复盘时怎么调怎么好看一上实盘就开始打脸。原因不复杂参数一旦在历史数据上调优本质就是在做曲线拟合未来数据不会永远按你的剧本走。第四类是级别冲突。日线RSI和60分钟RSI经常给出完全相反的信号日线显示超买分钟线显示超卖到底信哪个很多人到最后干脆不信了。这些毛病的根源是一样的RSI把市场状态简化成了“一条过去统计线的当前数值”丢掉了很多关于未来不确定性的信息。而Dream-RSI这个研究的切入点恰好就是这里。2. Dream-RSI到底改了什么从一条曲线到一个未来分布2.1 “Dream”前缀与生成式研究背景谷歌在生成式AI方向做过不少以“Dream”为前缀命名的研究这套命名的隐含意思是模型不只是在“识别”已知模式还能在给定条件下“想象”出多种合理的后续结果。放到Dream-RSI上这个语义就很有意思了——它要做的不是预测一个确定的RSI数值而是让模型基于历史行情想象出未来RSI可能走出的多条路径。我知道看到这里的人第一反应都是这跟传统回归有什么区别区别大了。传统回归输出的是一个点估计比如“明天RSI是65.3”Dream-RSI输出的是一整组路径集合比如“未来32根K线里RSI有40%的概率先冲到75再回落有30%的概率在60到70之间震荡还有30%的概率直接掉到45以下”。这个差异不是数学形式上的花活而是对“市场可预测性”认知的根本区别。市场不是一个确定性系统同样的K线形态后面可以走出完全不同的行情。传统的RSI点估计是强行把多分支的未来压成一个平均值这种压缩会丢掉最关键的决策信息——不确定性本身有多大。2.2 核心逻辑把RSI当成可采样的随机过程从方法论上看Dream-RSI应该是把RSI从“一个指标输出”重新定义成了“一个随机过程的状态变量”。所谓随机过程就是一批随时间变化、带随机性的可能路径。传统做法是输入过去一段行情直接输出RSI的下一个值或者输出“超买/超卖/中性”三个类别。Dream-RSI的框架则是输入过去一段行情输出未来K个时间步的RSI路径分布P(RSI_t1 到 RSI_tK | 历史行情)。这样做的好处用一个生活类比解释最清楚。传统RSI像天气预报只告诉你“明天25度”Dream-RSI像天气预报告诉你“明天25度但有40%概率冲到28度还有30%概率降到20度”。前者你出门前纠结要不要带外套后者你可以直接按概率决策——如果超过一半的路径显示温度大跌那带外套就是高性价比选择。在交易决策里这个“概率分布”比“点估计”有用得多。比如两条路径集合一条显示RSI稳定在65附近震荡另一条显示RSI有很高的概率冲上80进入超买区。前者意味着市场处于高确定性的中性状态后者意味着市场正在酝酿极端情绪。这两者对仓位管理的意义完全不同但传统RSI给出来的可能都是同一个数字。2.3 为什么偏偏是生成模型来接这个活RSI失效的核心原因在于它建模的是“均值趋势”但金融市场天然是多模态的。什么叫多模态就是在同一个历史形态下未来可以走多种截然不同的路径。这种多分支的分布用传统回归模型很难表达——你让一个MSE损失函数去拟合两个相距很远的可能结果它只能给一个“中间值”而这个中间值在真实场景里往往不会发生。生成式模型不怕多模态。无论是扩散模型还是基于Transformer的自回归生成模型它们天生就会输出“多个互斥但合理的候选样本”。扩散模型尤其擅长这一点它的训练过程相当于让模型学会从噪声中一点点还原数据分布推理时你给同一个条件多采样几次每次都可以得到一条不同的合理路径。谷歌在这个方向做研究本质上就是看中了生成模型表达复杂分布的能力。RSI本身只是一个很简单的标量序列但预测它的未来并不简单。你预测的其实是未来市场情绪的演化过程这个过程受太多因素影响不可能用一条线概括。用生成模型输出一组路径是在数学表达上和这个问题的真实复杂度对齐。3. 模型实现层面的关键环节与参数选择说句公道话Dream-RSI目前公开的信息更多停留在研究框架层面很多底层实现细节并没有完全公开。但按我的经验一个序列生成项目要做起来一定跑不过数据准备、模型结构、训练目标和推理读法这几道关。下面按我觉得最合理的技术路线把每个环节拆开讲。3.1 数据准备输入特征、预测窗口与标签构造第一步是确定模型看什么。如果只把RSI的历史值喂进去模型的输入信息太单薄未来路径的猜测空间会很大。合理的做法是喂一段完整的多维行情快照包括K线的开高低收、成交量、收益率、振幅、成交量变化率等。这些特征在进模型之前要仔细处理。价格类特征最好先做分段归一化而不是用全局归一化。什么叫分段归一化就是每一段训练样本按各自窗口内的历史统计量做标准化。这么做是为了避免未来信息泄漏——如果整段行情用全局最大值最小值来缩放模型在训练时等于提前看到了窗口外的未来尺度这样的指标在实盘里肯定会变形。预测窗口的设计也很有讲究。太短比如只预测未来5根K线路径分布的意义不大RSI本来就不是一个适合超短线刻画的指标太长比如预测未来128根K线分布会发散到几乎没有参考价值。从RSI的记忆长度看输入过去256根K线、预测未来32根K线是我个人认为比较平衡的区间。这个设置正好覆盖RSI默认周期14的两个周期以上又不会长到让路径输出变成纯粹的噪声。标签构造是整个数据环节里最容易出问题的地方。模型要学的目标不是“未来RSI的真实值”——因为未来只有一个真实值但你希望模型输出多条合理路径。这里更合理的做法是直接根据未来窗口的K线计算标准RSI序列把它作为监督信号。训练时模型学习的是条件分布推理时才能通过采样生成不同路径。3.2 网络结构与训练目标扩散损失和分位数回归怎么选网络结构上如果让我搭一个最小可行版本我会选一个编码器加一个生成骨干的组合。编码器负责把历史行情压缩成一个条件向量这个向量里包含“当前市场所处的状态”信息。生成骨干负责在这个条件下生成未来的RSI路径。生成骨干有两种主流选择。一种是Transformer解码器把RSI路径当token序列做自回归生成另一种是扩散模型把RSI路径当成一个整体从高斯噪声出发逐步去噪还原成合理路径。扩散模型在时序生成上的好处是它天然不需要按时间步从左到右生成每一步都拿到全局条件生成的路径连贯性更好。训练目标方面如果是扩散模型路线最经典的是噪声预测损失L E[ || ε - ε_θ(路径, 条件, 噪声步数) ||² ]意思就是让模型学会预测“加入的噪声”训练完成后从噪声反推数据。如果走Transformer自回归路线目标大多是交叉熵或者加权回归损失。我个人的体会是扩散模型在这类多模态预测问题上表现更稳但训练和推理成本更高。如果你暂时不想上生成模型想先用一个轻量方案验证思路也可以直接训练一个分位数回归网络。让模型同时输出10%、50%、90%分位数的RSI路径用分位数损失训练。这个方案虽然采样的灵活性不如扩散模型但训练快、推理便宜作为基线对比特别好用。3.3 推理阶段采样64条未来路径之后怎么读数模型训练完真正用起来的时候推理策略决定了研究能产出什么价值。最简单的推理方式就是对同一个历史输入反复采样多次。比如采样64条未来RSI路径然后对这64条路径做统计分析。需要注意如果你用的是扩散模型采样步数不能设太短。步数太少路径会显得很粗糙甚至会出现跳变毛刺通常设到20步到50步之间能得到比较平滑的结果。拿到64条路径后我习惯按三个维度去读结果。第一个维度是中位路径。把64条路径在每一个时间步上的RSI值取中位数得到一条代表“模型认为最可能”的RSI曲线。这条曲线比传统RSI的最大优势是它对噪声的平滑能力更强因为它融合了多种可能性。第二个维度是分位数带。计算每一时间步的10%和90%分位数形成一个通道。通道窄说明模型对后市方向有共识通道宽说明模型心里也没底。这个“没底”的信号本身就是一个有用的交易信息——它意味着此刻不宜下重注。第三个维度是概率事件。比如统计64条路径里有多少条在某个时间步超过了70于是得到“未来第N个周期进入超买区的概率”。基于这个概率可以设计更细的规则。路径里这个概率超过80%才触发警告比单个RSI值越过70就报警要稳健得多。3.4 评估指标别只用准确率要用CRPS模型做出来到底好不好评估方式同样重要。如果你按“预测RSI的方向对不对”来看误差指标很容易被极端行情带偏。我推荐一个在概率预测领域更常用的指标CRPS连续排名概率得分。CRPS度量的是预测分布和真实观测值之间的差距。它同时惩罚两件事一是不够准真实值落在低概率区域二是不够锐利预测分布太宽没有信息量。用大白话说CRPS要求你既要猜得准又要敢表达确定性。这个特性和交易决策的需求高度匹配——你不想模型永远输出一个宽到没有任何指导意义的分布。另外还要关注区间覆盖率。设定一个90%置信区间看真实路径落在这个区间内的比例是否接近90%。如果远低于90%说明模型过度自信如果远高于90%说明模型太保守。理想情况下覆盖率应该和设定置信水平基本一致。这个指标不需要太高深的理解却是复现过程中最能快速发现问题的工具。4. 可以落地的场景与影响范围分析我看完Dream-RSI这个思路后最深的感受是它的影响范围不局限于某个交易策略而是会慢慢改变一批人使用指标的姿势。下面分三个不同视角来展开。4.1 对量化策略研究的真实价值量化研究员更关心的不是“指标怎么画”而是“指标能不能变成可计算的因子”。传统RSI因子在处理极端行情时会失效因为它的超买超卖定义是固定的。把Dream-RSI的思路用进去后可以构造出一类新因子未来进入超买状态的概率。这个概率是动态的行情越极端它越高但它同时带着方向不确定性的信息。举个例子你可以在原有策略上叠加一个过滤条件只有当模型输出“未来10根K线内RSI进入超买区的概率超过80%”时才允许触发反向信号。相比传统RSI的超买阈值这种过滤条件多了一层概率校准理论上能明显减少“背了又背”的假信号。另外多尺度融合也有了新玩法。日线概率和分钟线概率可以分别计算当两个尺度同时给出高概率一致信号时策略仓位可以上调当两个尺度矛盾时强制把仓位降下来。这个思路放在传统RSI上很难严格执行因为它给不出“概率”这个统一标尺。4.2 对技术分析玩家的使用方式改变对不做量化、只看盘的普通玩家来说Dream-RSI改变的是读图的方式。过去你看到一个超买第一反应是“可能该跑了”但不确定概率有多大于是经常提前下车。有了路径分布后你可以问自己的是“这波超买是大概率延续的极端行情还是小概率的情绪冲顶”这种区别在日常盘面上非常值钱。比如价格创新高、RSI也创新高传统分析会说“趋势正常”但如果你看到模型采样的路径里RSI继续上行的概率只有30%而回落到中性的概率有60%那你就知道这波创新高的“成色”并不足。反向也可以看价格新低RSI路径分布没有创新低那底背离信号的质量就明显比传统RSI背离高。说白了Dream-RSI没有否定RSI本身它只是给RSI的每一个读数增加了一个置信度。看到任何信号时先问“这个信号在当前市场状态下的概率有多大”我觉得这是技术分析从“艺术”走向“工程”的一个关键习惯。4.3 对AI加金融研究方向的启发从更宏观的视角看Dream-RSI代表了一种方法论的迁移把过去金融领域习惯的“点预测任务”改写成“条件生成任务”。指标预测不是唯一适合这样改造的领域。波动率、成交量、资金流向这些序列数据天然多模态都有成为“条件生成对象”的潜力。谷歌在RSI这个经典得不能再经典的指标上开刀更像是在打样给我任何一个老指标我都能把它从统计描述升级成概率推断工具。这种研究对行业的影响不只是技术层面的。它把生成式AI的价值从一个热闹的“内容创作工具”延伸到了严肃的“风险感知工具”。当一个模型能清晰地说出“未来有三种主要走法每种走法的概率是这样”的时候它就不再是让你跟单的黑盒而是一个帮你想清楚各种情况的参谋。这个定位对金融研究环境的建设是有正面意义的。5. 冷思考复现必读的经验与坑任何研究项目宣传时听着都美好自己动手复现时才会遇到真问题。Dream-RSI的方向我认可但有几个坑我预判很多人会踩这里提前写下来。5.1 三个容易翻车的细节第一个坑把分布预测当点预测用。有些人拿到模型后只取中位路径去做回测完全忽略分位数带的宽度信息。这么用等于把生成模型降级成了一个普通的回归模型而且因为训练目标不同它的点预测精度可能还不如传统回归。分布的价值就在于“分布本身”丢掉它等于丢掉半个模型。第二个坑在剧烈单边行情里照单全收。生成模型学的是训练数据里的历史规律如果训练数据里没有覆盖过当前这种级别的极端走势模型生成出来的路径照样会整体跑偏。这套方法对“已知市场状态”的预测更可靠对“从未出现过的状态”并没有神奇的应对能力。第三个坑评估时只看画出来的路径好不好看。人的眼睛很容易被几条看起来合理的路径说服但科学的评估必须落到CRPS、覆盖率、分位数带宽这些客观指标上。我在调参的时候经常发现主观觉得“哇这个分布好合理”的版本CRPS反而更差。数据不会骗人感觉会。再补一个训练阶段的细节金融数据的信噪比很低扩散模型去噪步数如果设得太少生成路径会在时间维度上出现不自然的跳跃看起来像满屏噪声。这个现象在模型初始化阶段特别明显不代表方向错了多跑一会儿、步数拉上去通常会好很多。5.2 落地前必须想清楚的边界条件Dream-RSI再新也只是一个信息处理工具。它输出的概率分布描述的是“基于历史数据模型认为的市场走向”不是“市场一定会怎么走”。任何策略系统在接入这类生成式模型前都应该先想清楚三件事。第一数据质量一定大于模型复杂度。喂进去的K线数据有脏数据、有未来函数、有复权处理不当再先进的生成模型也白搭。我见过太多项目死在数据这一关而不是死在模型上。第二算力成本要算清楚。每次推理都要采样几十条路径如果策略本身是分钟级别高频调用的采样带来的计算开销可能远超你的预期。在正式上生产前先量化评估一次推理延迟和GPU占用。第三一切策略上线前都必须做模拟环境验证不要拿真实资金去测试还没跑通的假设。我个人的态度是Dream-RSI这类研究值得跟但跟的方式不是急着找代码跑回测而是先把它的方法论吃透——为什么用分布代替点估计为什么用生成模型表达多模态为什么评估要看CRPS。把这些问题想明白了你甚至不等谷歌开源也能在自己的研究环境里搭出一个简化版。从RSI到Dream-RSI这个变化最触动我的地方在于一个被用了十几年的老指标原来还能用全新的数学框架重新理解一遍。过去我们用RSI是在问“现在超买了吗”现在它换了一种问法“未来有多大概率进入超买如果进入了又会停留多久”这两种问法的差别大概就是拿着望远镜看路和拿着后视镜看路的差别。接下来我打算在自己的研究环境里先按这个思路搭一个简化版跑起来从小周期指数和主流品种开始看看分布生成在真实行情里的表现到底如何。