布林线选股公式源代码-布林选股源码

布林线（Bollinger Bands），由约翰·布林格（John Bollinger）在1980年代创立，是当今金融市场中应用最广泛的技术分析指标之一。它本质上是一种通道型指标，通过统计学中的标准差概念，构造出一个围绕股价移动平均线动态变化的带状区域。这个区域由三条线构成：中轨（通常为简单移动平均线）、上轨（中轨加上若干倍标准差）和下轨（中轨减去若干倍标准差）。其核心哲学在于认为股价的波动性并非恒定，而是周期性的，价格倾向于在由波动性定义的上下轨之间运行。布林线选股公式，便是基于这一工具的逻辑，通过量化的方式筛选出符合特定技术形态的股票，旨在捕捉价格从波动收敛（挤压）到扩张的转折点，或识别价格在趋势中的相对位置与潜在支撑阻力。在实际应用中，它并非一个孤立的“圣杯”，其价值主要体现在对市场状态（如震荡、趋势启动、超买超卖）的界定上。
例如，当布林带收窄（“布林带挤压”）时，往往预示着波动率降至低点，随后可能产生方向性的剧烈波动；而当股价触及或穿越下轨时，可能意味着短期超卖，结合其他指标可寻找反弹机会。值得注意的是，单纯依靠股价突破布林带上轨或跌穿下轨进行交易风险极高，因为布林线本身不具备预测趋势方向的能力，在强势单边行情中，股价可能沿上轨持续上行。
也是因为这些，一个有效的选股公式必须将布林线与其他技术因子（如成交量、动量指标、趋势确认指标）进行多维结合，并充分考虑不同市场环境下的参数适应性（如周期长度、标准差倍数）。对于通过易搜职考网等平台学习金融知识的投资者来说呢，深入理解布林线的构建原理及其统计学内涵，远比机械套用公式更为重要，这是构建科学、理性交易系统的基础环节。

要构建或理解布林线选股公式的源代码，首先必须透彻掌握其背后的理论逻辑。布林线的核心参数有三个：移动平均线的周期（N）、标准差计算的周期（通常与N相同）以及标准差的倍数（K）。默认设置常为（20， 2），即基于20期收盘价计算简单移动平均线作为中轨，再计算这20期收盘价的标准差，用中轨值加上2倍标准差得到上轨，减去2倍标准差得到下轨。

选股逻辑主要围绕以下几个经典形态展开：

• 布林带挤压（Band Squeeze）：当布林带的上轨和下轨之间的距离（带宽）收缩到历史较低水平时，表明市场波动性极低，多空力量暂时平衡。这种挤压状态通常被视为“暴风雨前的宁静”，预示着即将到来的价格突破和波动性爆发。选股公式可以量化“带宽”与其自身移动平均的比值，筛选出处于极度收敛状态的股票。
• 下轨支撑反弹：在上升趋势或震荡市中，股价回调至布林带下轨附近时，下轨可能起到动态支撑作用。选股公式可筛选出股价触及或轻微跌破下轨，但同时出现诸如成交量萎缩、动量指标（如RSI）底背离或其他见底信号的股票。
• 中轨趋势确认：布林带中轨本身可作为动态的趋势分界线。股价自下而上放量突破中轨，且中轨本身走平或拐头向上，可能意味着短期趋势由弱转强。选股公式可结合价格与中轨的位置关系、中轨的方向进行筛选。
• 开口突破：当价格带量突破收窄后的布林带上轨，同时布林带呈现开口形态（上下轨同时向上发散），这常被视为强势上涨趋势启动的信号。选股公式需要综合价格位置、带宽变化、成交量放大等多个条件。

理解这些逻辑是编写有效源代码的前提。所有代码都只是为了系统化、自动化地识别这些由人工判断的技术形态。

在不同的金融平台或编程语言（如通达信、大智慧、Python的Pandas库、TradeStation的EasyLanguage等）中，布林线选股公式的代码实现语法各异，但其核心结构是相通的。一个完整的选股公式通常包括：指标计算部分、条件定义部分和信号输出部分。

以下以伪代码和通用描述形式，展示一个结合“布林带挤压后向上突破”逻辑的选股公式核心结构：

首先定义公式所需的可调参数，这增加了策略的灵活性。

• N = 20 // 计算移动平均和标准差的周期
• K = 2 // 标准差的倍数
• M = 10 // 用于计算带宽均值的周期
• Squeeze_Threshold = 0.1 // 带宽比阈值，用于定义“挤压”状态

这部分计算布林线三轨及衍生指标。

• MID = MA(CLOSE， N) // 计算N周期收盘价的简单移动平均，即布林中轨
• STD = STD(CLOSE， N) // 计算N周期收盘价的标准差
• UPPER = MID + K STD // 布林上轨
• LOWER = MID - K STD // 布林下轨
• BANDWIDTH = (UPPER - LOWER) / MID // 计算布林带宽度（标准化，常用百分比形式）
• BANDWIDTH_MA = MA(BANDWIDTH， M) // 计算带宽的M周期均值，用于判断当前带宽的相对水平

将理论逻辑转化为具体的布尔（真/假）条件。

• 条件1_挤压状态：BANDWIDTH < BANDWIDTH_MA Squeeze_Threshold // 当前带宽低于其均值的某个比例，判定为极度挤压。
• 条件2_价格突破：CLOSE > REF(UPPER， 1) // 当日收盘价突破昨日布林上轨。REF是引用前一日数据的函数。
• 条件3_成交量确认：VOLUME > MA(VOLUME， 5) 1.5 // 当日成交量大于5日均量线的1.5倍，放量突破更可靠。
• 条件4_趋势过滤：MID > REF(MID， 5) // 布林中轨近期趋势向上（例如今日中轨高于5日前中轨），避免在下跌趋势中博反弹。

将上述条件进行逻辑组合，生成最终的选股信号。

• 选股信号 = 条件1_挤压状态 AND 条件2_价格突破 AND 条件3_成交量确认 AND 条件4_趋势过滤
• 当“选股信号”为“真”时，该股票被筛选出来。

这个结构清晰地展示了从原始数据到决策输出的全过程。对于易搜职考网的学员来说，掌握这种结构化思维，无论是学习现有的公式还是在以后构建自己的交易系统，都至关重要。

下面，我们分别以股票分析软件（如通达信）和通用编程语言（Python）为例，展示两种不同形态的布林线选股公式实现。

该公式旨在筛选股价经过下跌后，在布林带下轨附近出现企稳迹象（如收阳线、成交量变化）的股票。

{通达信公式代码开始}

N := 20; // 布林线周期
P := 2; // 标准差倍数
MID := MA(CLOSE， N); // 布林中轨
UPPER := MID + P STD(CLOSE， N); // 布林上轨
LOWER := MID - P STD(CLOSE， N); // 布林下轨
// 定义条件：
1.收盘价在布林下轨上方不超过3%
COND1 := CLOSE / LOWER > 1 AND CLOSE / LOWER < 1.03;
//
2.当日收阳线
COND2 := CLOSE > OPEN;
//
3.收盘价高于前一日收盘价（止跌）
COND3 := CLOSE > REF(CLOSE， 1);
//
4.成交量较前一日有所放大（可能资金开始关注）
COND4 := VOL > REF(VOL， 1);
//
5.（可选）增加RSI超卖过滤，例如6日RSI低于30后拐头向上
RSI6 := RSI(CLOSE， 6);
COND5 := RSI6 < 30 AND RSI6 > REF(RSI6， 1);
// 综合选股条件
选股: COND1 AND COND2 AND COND3 AND COND4 AND COND5;

{通达信公式代码结束}

解析：这个公式体现了多条件共振的思想。它不仅使用了布林线的位置信息（COND1），还融合了K线形态（COND2， COND3）、成交量（COND4）和动量指标（COND5）。这种组合能有效提高信号的可靠性，避免单纯因股价跌穿下轨而选中处于下跌主浪的股票。

此示例使用Python的Pandas库进行批量选股，逻辑更接近量化回测系统。

{Python代码开始}

import pandas as pd
import numpy as np

def bollinger_band_squeeze_screen(stock_data， n=20， k=2， m=10， squeeze_ratio=0.8， volume_ratio=1.5):
"""
计算布林带挤压突破选股信号
stock_data: 包含‘close’， ‘volume’的DataFrame，索引为日期
返回：带有‘Signal’列的DataFrame，信号日为True
"""
df = stock_data.copy()

1.计算布林线
df['MID'] = df['close'].rolling(window=n).mean()
df['STD'] = df['close'].rolling(window=n).std()
df['UPPER'] = df['MID'] + k df['STD']
df['LOWER'] = df['MID'] - k df['STD']

2.计算带宽及均线
df['BANDWIDTH'] = (df['UPPER'] - df['LOWER']) / df['MID']
df['BANDWIDTH_MA'] = df['BANDWIDTH'].rolling(window=m).mean()

3.计算成交量均线
df['VOL_MA5'] = df['volume'].rolling(window=5).mean()

4.定义条件
挤压条件：当前带宽小于带宽均线的squeeze_ratio倍
squeeze_cond = df['BANDWIDTH'] < (df['BANDWIDTH_MA'] squeeze_ratio)
突破条件：当日收盘价上穿上轨（且前一日收盘价低于上轨）
break_cond = (df['close'] > df['UPPER'].shift(1)) & (df['close'].shift(1) <= df['UPPER'].shift(1))
放量条件：当日成交量大于5日均量的volume_ratio倍
volume_cond = df['volume'] > (df['VOL_MA5'] volume_ratio)
中轨向上过滤：今日中轨高于N日前中轨
trend_cond = df['MID'] > df['MID'].shift(n//2)

5.合成信号
df['Signal'] = squeeze_cond & break_cond & volume_cond & trend_cond
return df

假设data_dict是多只股票历史数据的字典
selected_stocks = {}
for code， data in data_dict.items():
result_df = bollinger_band_squeeze_screen(data)
if result_df['Signal'].iloc[-1]: 检查最新一日是否有信号
selected_stocks[code] = result_df

{Python代码结束}

解析：这个Python示例展示了自动化批量处理的强大能力。它将选股逻辑封装成一个函数，可以方便地应用于数百只股票的历史数据。代码清晰地分离了指标计算、条件判断和信号生成步骤，结构严谨，易于修改和回测。
例如，可以轻松调整`squeeze_ratio`、`volume_ratio`等参数来优化策略表现。

编写出源代码仅仅是第一步，要让公式在实战中具备参考价值，必须进行优化并植入严格的风险管理意识。

默认的（20，2）参数并非放之四海而皆准。不同的股票（大盘蓝筹 vs. 小盘题材）、不同的市场阶段（牛市 vs. 熊市）、不同的时间框架（日线 vs. 周线）可能需要不同的参数。

• 周期N：增大N会使布林带更平滑，对趋势的反映更滞后但更稳定；减小N则更灵敏，但信号会更频繁且可能包含更多噪音。对于中长期投资者，可以尝试26（月线）或50；对于短线交易者，10或13可能更合适。
• 标准差倍数K：增大K会使布林带更宽，价格触及上下轨的几率变小，信号更稀缺但可能更可靠；减小K则布林带更窄，信号更频繁。在波动剧烈的市场或个股上，可以考虑适当增大K值。
• 优化方法：应通过历史数据的回测，观察不同参数组合下策略的绩效指标（如胜率、盈亏比、夏普比率、最大回撤）。避免过度拟合，即参数在历史数据上表现完美但在在以后失效。易搜职考网提醒金融知识学习者，参数优化应追求在较长周期和多段市场环境下保持稳健，而非追求极致的历史收益。

任何单一指标都有其局限性，布林线也不例外。一个健壮的选股公式必须引入其他维度的确认：

• 成交量：突破或反弹时，成交量放大是重要的确认信号，表明有资金推动。无量上涨往往是陷阱。
• 趋势指标：如MACD、ADX。用MACD的金叉/死叉或ADX的强弱来确认布林线信号发生时的整体趋势方向，避免逆势操作。
• 动量指标：如RSI、KDJ。用于判断超买超卖状态，与布林线下轨/上轨信号形成共振或背离。
• 市场环境：在大盘指数处于下跌通道时，个股的突破成功率会大幅下降。可增加大盘趋势作为择时过滤器。

选股公式解决了“买什么”和“何时买”的问题，但“何时卖”和“亏多少止损”同样关键，这部分必须内化到交易系统中。

• 止损设定：一个基于布林线的常见止损方法是，当买入信号基于下轨反弹时，可以将下轨的向下移动或股价收盘价跌破下轨作为止损位。对于突破信号，可以将突破K线的低点或中轨作为止损位。
• 止盈策略：可以结合布林线上轨的动态变化进行移动止盈，或采用固定盈亏比（如风险收益比1：2）的方式。
• 仓位管理：永远不要因一个选股信号而全仓押注。应根据信号的成功概率、市场整体风险度来动态调整仓位。

1. 盲目追涨杀跌：看到股价突破上轨就追入，看到股价跌破下轨就卖出，这是最原始的用法，失败率很高。

2. 忽视整体趋势：在强烈的下跌趋势中，股价会持续沿着布林带下轨运行，任何下轨附近的“买入信号”都可能只是下跌中继。

3. 参数设置僵化：不根据投资标的和风格调整参数。

4. 无止损纪律：对选股公式过度自信，在信号失效时不愿止损，导致小亏变大亏。

布林线选股公式的源代码，是交易思想的技术化体现。从易搜职考网倡导的系统性学习角度看，投资者应当先深入理解市场逻辑和技术分析原理，再用代码将其严谨地表达出来，并通过历史回测和模拟盘进行验证，最后才能在实盘中辅以严格的风控进行小规模尝试。记住，没有永远有效的代码，只有不断进化的交易思维和纪律。公式是工具，人才是决策的核心。通过持续学习和实践，将工具内化为自身交易体系的一部分，才能在复杂多变的市场中提高获胜的概率。