使用 Python 实现股票布林线策略与信号可视化

二、策略制定：布林线指标

本次所用到的策略是技术分析的经典工具之一——布林线（Bollinger Bands）指标。通过计算股价的标准差，获取价格的信赖区间，以此判断交易信号。

布林线由三条轨道组成：

1. 中轨（Middle Band）：通常是 N 日的简单移动平均线（SMA）。
2. 上轨（Upper Band）：中轨 + 两倍的标准差。
3. 下轨（Lower Band）：中轨 - 两倍的标准差。

其中，标准差指过去 N 日价格的标准差，N 的数值通常采取常用的 20 日。

三、布林线计算实现

在布林线的计算过程中，主要涉及移动窗口的选取及计算。我们可以利用 pandas 的滚动窗口功能轻松实现：

def calculate_bollinger_bands(data, window=20, num_std=2):
    """
    计算布林线指标
    :param data: 包含 'Close' 列的 DataFrame
    :param window: 移动平均周期，默认 20
    :param num_std: 标准差倍数，默认 2
    :return: 包含 MA, Upper, Lower 的 DataFrame
    """
    df = data.copy()
    
    # 计算移动平均线 (中轨)
    df['MA'] = df['Close'].rolling(window=window).mean()
    
    # 计算标准差
    std = df['Close'].rolling(window=window).std()
    
    # 计算上下轨
    df['Upper'] = df['MA'] + (num_std * std)
    df['Lower'] = df['MA'] - (num_std * std)
    
    return df

# 应用函数
df_boll = calculate_bollinger_bands(df)
print(df_boll[['Close', 'MA', 'Upper', 'Lower']].head())

四、布林信号判断逻辑

在常规市场情形下，布林线的信号判断方法如下：

1. 卖出信号：当股价穿越上轨线时，可能意味着超买，考虑卖出。
2. 买入信号：当股价穿越下轨线时，可能意味着超卖，考虑买入。
3. 加码信号：当股价由下向上穿越中轨线时，趋势转强。
4. 减仓信号：当股价由上向下穿越中轨线时，趋势转弱。

为了实现自动化扫描，我们需要编写逻辑检测这些交叉点：

def generate_signals(df):
    """
    根据布林线规则生成交易信号
    0: 无信号，1: 买入，-1: 卖出
    """
    df['Signal'] = 0
    
    # 简单的穿越逻辑
    # 注意：实际交易中需结合 K 线实体收盘确认，此处简化处理
    for i in range(1, len(df)):
        prev_close = df['Close'].iloc[i-1]
        curr_close = df['Close'].iloc[i]
        upper = df['Upper'].iloc[i]
        lower = df['Lower'].iloc[i]
        
        # 上穿下轨 -> 买入
        if prev_close <= lower and curr_close > lower:
            df.loc[df.index[i], 'Signal'] = 1
        # 下穿上轨 -> 卖出
        elif prev_close >= upper and curr_close < upper:
            df.loc[df.index[i], 'Signal'] = -1
            
    return df

df_signals = generate_signals(df_boll)
print(df_signals[df_signals['Signal'] != 0].tail())

五、生成交易信号图

为了直观观察策略效果，我们使用 mplfinance 模块绘制 K 线图。该模块是金融数据可视化的专用工具，相较于 matplotlib 更具针对性，能够快速绘制 K 线、成交量及均线。

首先安装依赖：

pip install mplfinance

然后进行绘图：

import mplfinance as mpf

# 定义买卖信号的标记位置
buy_signals = df_signals[df_signals['Signal'] == 1]['Close']
sell_signals = df_signals[df_signals['Signal'] == -1]['Close']

# 创建 addplot 对象
ap1 = mpf.make_addplot(buy_signals, color='green', marker='^', markersize=10, title='Buy')
ap2 = mpf.make_addplot(sell_signals, color='red', marker='v', markersize=10, title='Sell')

# 绘制图表
mpf.plot(
    df_signals,
    type='candle',
    style='charles',
    volume=True,
    mav=(5, 10, 20), # 显示多条均线
    addplot=[ap1, ap2],
    title='Stock Bollinger Bands Strategy Visualization',
    savefig='strategy_plot.png',
    datetime_format='%Y-%m-%d'
)

六、总结

本文详细展示了如何使用 Python 完成从数据获取、指标计算到信号生成的完整流程。通过 pandas 处理时间序列数据，利用 mplfinance 进行专业金融绘图，实现了布林线策略的自动化回测基础框架。

在实际生产环境中，建议进一步引入更稳健的数据源（如 Tushare Pro），增加止损止盈逻辑，并考虑滑点和手续费对收益的影响。同时，布林线策略应结合其他技术指标（如 MACD、RSI）共同使用，以提高胜率。

注意：本文代码仅用于技术学习与演示，不构成任何投资建议。金融市场有风险，投资需谨慎。