RSI を計算してチャートに重ねる | 生成AIxPythonで始める株式分析|Python×J-Quants

RSI(Relative Strength Index、相対力指数)は、一定期間の値上がり幅と値下がり幅の比から「買われ過ぎ・売られ過ぎ」を測るオシレーター系の指標です。本記事では、定義・計算式・pandas での実装・可視化までを扱います。

RSI が示すもの

RSI は 0 〜 100 の値を取り、次の解釈が広く使われています。

70 以上: オーバーボート(買われ過ぎ、overbought)
30 以下: オーバーソールド(売られ過ぎ、oversold)
50 付近: 中立。トレンドが定まらない / 緩やか

「70 を超えたから売り」「30 を割ったから買い」は、教科書的な解説でよく出てきますが、強いトレンドでは長期間 70 や 30 のラインに張り付くこともあります。値の絶対水準だけで判断しないのが定石です。

計算式

期間 $N$ (典型的には 14)を取り、過去 $N$ 日の上昇幅平均と下落幅平均から RS を作ります。

\mathrm{RS}_t = \frac{\overline{U}_t}{\overline{D}_t}, \qquad \mathrm{RSI}_t = 100 - \frac{100}{1 + \mathrm{RS}_t}

ここで $\overline{U}_t$ は直近 $N$ 日の 上昇日の値幅平均、 $\overline{D}_t$ は 下落日の値幅平均 です。下落幅は絶対値で扱います。

平均の取り方には次の 2 流派があり、結果の数値が少し違います。

Wilder のスムージング(原典・TA-Lib のデフォルト): $\alpha = 1/N$ の指数平滑
単純移動平均(SMA): 直近 $N$ 日の単純平均

本記事では、原典に近い Wilder のスムージング で実装します。

サンプルデータの準備

ランダムウォークから終値を作ります。

1
import numpy as np
2
import pandas as pd
3

4
rng = np.random.default_rng(seed=2026)
5
n = 250
6
returns = rng.normal(loc=0.0004, scale=0.014, size=n)
7
close = pd.Series(
8
    1200 * np.exp(np.cumsum(returns)),
9
    index=pd.date_range("2025-09-01", periods=n, freq="B"),
10
    name="C",
11
)

RSI を pandas で実装する

1
def rsi_wilder(close: pd.Series, window: int = 14) -> pd.Series:
2
    """Wilder のスムージングで RSI を計算する。"""
3
    delta = close.diff()
4
    up   = delta.clip(lower=0)
5
    down = (-delta).clip(lower=0)
6

7
    # 初期 N 日は単純平均で seed し、以降は α = 1/N の指数平滑
8
    avg_up   = up.ewm(alpha=1/window,   adjust=False, min_periods=window).mean()
9
    avg_down = down.ewm(alpha=1/window, adjust=False, min_periods=window).mean()
10

11
    rs = avg_up / avg_down.replace(0, np.nan)
12
    rsi = 100 - 100 / (1 + rs)
13
    rsi.name = f"rsi_{window}"
14
    return rsi
15

16
rsi14 = rsi_wilder(close, window=14)
17
print(rsi14.tail())

replace(0, np.nan) は、値下がりが 1 度も無い区間で avg_down がゼロになったとき、ゼロ除算を避けるための処置です。NaN になった行は実用上 RSI が「100 に近い」状態として扱います。

簡易版の SMA ベース RSI も載せておきます。

1
def rsi_sma(close: pd.Series, window: int = 14) -> pd.Series:
2
    delta = close.diff()
3
    up   = delta.clip(lower=0)
4
    down = (-delta).clip(lower=0)
5
    rs = up.rolling(window).mean() / down.rolling(window).mean().replace(0, np.nan)
6
    return 100 - 100 / (1 + rs)

両方を計算して比較すると、初期数日の挙動が少し異なります。長期間で見れば概ね近い値になります。

価格と RSI を 2 段で可視化する

価格チャートの下に RSI を並べます。

1
import matplotlib.pyplot as plt
2

3
fig, (ax1, ax2) = plt.subplots(
4
    nrows=2, sharex=True, figsize=(11, 6),
5
    gridspec_kw={"height_ratios": [3, 1]},
6
)
7

8
ax1.plot(close.index, close.values, color="black", linewidth=0.8)
9
ax1.set_title("C & RSI(14)")
10
ax1.set_ylabel("Price")
11
ax1.grid(alpha=0.3)
12

13
ax2.plot(rsi14.index, rsi14.values, color="tab:purple")
14
ax2.axhline(70, color="red",   linestyle="--", alpha=0.6)
15
ax2.axhline(30, color="green", linestyle="--", alpha=0.6)
16
ax2.fill_between(rsi14.index, 30, 70, color="gray", alpha=0.08)
17
ax2.set_ylim(0, 100)
18
ax2.set_ylabel("RSI")
19
ax2.set_xlabel("Date")
20
ax2.grid(alpha=0.3)
21

22
plt.tight_layout()
23
plt.savefig("rsi_chart.png", dpi=120)
24
plt.close(fig)

sharex=True で X 軸を揃え、height_ratios で価格側を広めに取るのが定番のレイアウトです。

オーバーソールド/オーバーボートのフラグ化

ライン越えのフラグを 0/1 で持たせると、後段の集計に使えます。

1
df = close.to_frame()
2
df["rsi"] = rsi14
3
df["overbought"] = df["rsi"] >= 70
4
df["oversold"]   = df["rsi"] <= 30
5

6
print(df["overbought"].sum(), "days overbought")
7
print(df["oversold"].sum(),   "days oversold")

「30 を下から上抜けたとき」のような エッジ を取りたければ、diff を使います。

1
df["enter_oversold"] = (df["oversold"]) & (~df["oversold"].shift(1).fillna(False))
2
df["exit_oversold"]  = (~df["oversold"]) & (df["oversold"].shift(1).fillna(False))

enter_oversold は「前日まで 30 超 → 当日 30 以下」の最初の 1 日だけが True になります。

ダイバージェンス(divergence)

価格と RSI が 逆方向に動く 状態をダイバージェンスと呼びます。

ベアリッシュダイバージェンス: 価格は高値更新、RSI は前回ピークを更新できない → 上昇の勢いが鈍化
ブリッシュダイバージェンス: 価格は安値更新、RSI は前回ボトムを更新できない → 下落の勢いが鈍化

機械的に検出する場合は、価格と RSI の 直近 2 ピーク を比較します。実装は手間がかかるため、まずは目視確認 → 仮説立てから始めるのが現実的です。

注意点

強トレンドでは張り付く: 強い上昇相場で RSI が 70 以上に長く滞在することは普通にある
N の選び方: 14 は慣例。短くすると敏感、長くすると鈍くなる。最適化のしすぎは過剰適合を招く
値幅の単位を揃える: 株式分割があった日は調整済み終値を使う。生終値だとリターンが偽の値になる
シグナル単独で売買しない: トレンド指標(SMA / MACD)と組み合わせる構成が多い

生成AI へのプロンプト例

ロング形式のデータに対して、Code ごとの RSI を一括計算する関数を依頼します。

入力 DataFrame:
- columns: Date (datetime64), Code (str), C (float)

Code ごとに Wilder のスムージングで RSI(14) を計算し、
列 rsi14 を追加した DataFrame を返す関数 add_rsi(df) を書いてください。

要件:
- pandas 2.2 系
- Code ごとに日付昇順に整列してから計算
- 各 Code の冒頭 13 日は NaN を許容
- 動作確認のサンプルコードを末尾に付ける
- 関数の docstring に Wilder と SMA の差を 2 行で書く

まとめ

RSI は「直近 N 日の上昇幅 / 下落幅」の比から 0〜100 を作る指標
Wilder のスムージングは ewm(alpha=1/N, adjust=False) で書ける
70 / 30 は教科書的なライン。トレンドが強いと張り付く点は常に意識する
価格と RSI を 2 段で並べると視覚的に把握しやすい
単独運用ではなく、トレンド指標と組み合わせると判断材料が増える

目次