计算Boll与画图的公用函数

def get_boll(security, start_date=None, end_date=None, time_count=10):
    hs_data=get_price(security,start_date=start_date,end_date=end_date,frequency='daily',fields=None,skip_paused=False,fq='pre')
    stock_data = get_price(securirty, end_date= end_date, frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(hs_data['close']) time_count-1))
    upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=2,nbdevdn=2,matype=0)
    stock_data = pd.DataFrame({'upper': upper, 'middle': middle, 'lower': lower}, index= stock_data.index)
    stock_data = stock_data.dropna()
    stock_data['close'] = hs_data['close']
    return stock_data

def show_boll(stock_data):
    plt.figure(figsize=(20, 5))
    plt.grid()
    plt.plot(stock_data['upper'], '-', color='r')
    plt.plot(stock_data['lower'], '-', color='r')
    plt.plot(stock_data['middle'], '-.', color='b')
    plt.show()

Boll指标研究

布林线指标，即BOLL指标，其英文全称是“Bollinger Bands”，布林线(BOLL)由约翰·布林先生创造，其利用统计原理，一般而言，股价的运动总是围绕某一价值中枢（如均线、成本线等）在一定的范围内变动，布林线指标正是在上述条件的基础上，引进了“股价信道”的概念，其认为股价信道的宽窄随着股价波动幅度的大小而变化，而且股价信道又具有变异性，它会随着股价的变化而自动调整，求出股价的标准差及其信赖区间，从而确定股价的波动范围及未来走势，利用波带显示股价的安全高低价位。

原理：

根据统计学中的标准差原理设计，股价的波动利用标准差方式来表达，配合均线做为中位线，从而变成了偏离情况的写照。

公式：

一、日BOLL指标的计算公式:

• 中轨线=N日的移动平均线
• 上轨线=中轨线 两倍的N日标准差
• 下轨线=中轨线－两倍的N日标准差

二、日BOLL指标的计算过程:

(1)、计算MA

MA=N日内的收盘价之和÷N

(2)、计算标准差MD

MD=平方根N日的（C－MA）的两次方之和除以N

(3)、计算MB、UP、DN线、K倍

MB=（N－1）日的MA
UP=MB K×MD
DN=MB－K×MD

正常使用方法：

• 当股价穿越上限压力线时，卖点信号；
• 当股价穿越下限支撑线时，买点信号；

目的：

• 寻找最优中轨参数：N
• 寻找最优搭配参数：K

导入需要模块

"""导入常用模块"""
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import datetime
import talib
from jqdata import *
from jqlib.technical_analysis import *
from environment import * # 导入大树工作室开发的回测模块

沪深300价量展示Boll

import seaborn as sns
sns.set(font='serif')
securirty = '000300.XSHG'
Boll_data = []
HS_data = []
trade_date = get_trade_days(start_date= '2018-9-01', end_date= '2019-03-01')
time_count=20
HS_data = get_price(security='000300.XSHG', 
                  start_date='2018-9-01', 
                  end_date='2019-03-01', 
                  frequency='daily', 
                  fields=None, 
                  skip_paused=False, 
                  fq='pre')

stock_data = get_price(securirty, end_date= '2019-03-01' , frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(HS_data['close']) time_count-1))
upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=2,nbdevdn=2,matype=0)
stock_data = pd.DataFrame({'upper': upper, 'middle': middle, 'lower': lower}, index= stock_data.index)
stock_data = stock_data.dropna()
stock_data['close'] = HS_data['close']

plt.figure(figsize=(20, 5))
plt.grid()
plt.plot(stock_data['close'], '-', color='g')
plt.plot(stock_data['upper'], '-', color='r')
plt.plot(stock_data['lower'], '-', color='r')
plt.plot(stock_data['middle'], '-.', color='b')
plt.title('沪深300指数与Boll通道图')
plt.legend(['指数价格', 'Boll上轨', 'Boll中轨', 'Boll下轨'], loc=2)
plt.show()

上图展示沪深300指数与其Boll通道表现，图例的通道以及价格走势，明显可知，这是一种类价值回归，也与波动性有一定挂钩。对期货不陌生的投资者应该最为了解，因为在CTA部分策略中，最常使用这类的指标。综上所述，我们本次内容，就深入了解Boll指标，做进行布林带探索的[稀饭?哥伦布魏]！

Boll指标择时效应研究

Boll指标用法可谓五花八门，因为三线合一，不同的搭配有不同的口味，而且三线又可各自组合，使得使用起来更加多变。仔细思考，向上突破下轨，向上突破上轨，站于中轨，二次站于中轨等等，只要不脱轨，就很不错了。

本次研究的脉络为：

• 择时交易择优参-常规择优
• 择时交易择优参-轨道分化择优
• 择时交易择优参-轨道综合

择时交易择优参

[稀饭?哥伦布魏]以简单方式带大家分享Boll。择时交易，方式非常容易理解，就是对Boll参数进行筛选，筛选的参数有三类，中轨均线参数，上下轨标准差倍数。

常规择优

展示常规情况下的中轨配置以及上下轨标准差2倍数，本次的稀饭会比较多清汤，但是会加点肉，因为最近猪瘟还是蛮严重的，所以严选最差猪肉！

• 回测标的：沪深300指数。
• 回测时间：2010年01月01日到2018年12月31日。
• 初始资金：100000元。
• 不考虑对冲成本，尽量投入全部资金。
  代码展示：

"""初始化以下内容"""
context = Context() # 账户对象
order = Order(context) # 下单对象
trade = Trade(context, order) # 回测对旬
context.start_date = '2010-01-01'
context.end_date = '2018-12-31'
context.universe = ['000300.XSHG']
context.base = '000300.XSHG'

"""策略主体"""
def handle(context, order):
    stock = context.universe[0]
    time_count = 20
    n = 2
    m = 2
    HS_da = get_price(security=stock, 
                      end_date= context.current_dt,
                      frequency= 'daily', 
                      fields= None, 
                      skip_paused= False, 
                      fq='pre',
                      count= 50)
    stock_data = get_price(stock, end_date= context.current_dt , frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(HS_da['close']) time_count-1))
    upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=n,nbdevdn=m,matype=0)
    if lower[-2] > HS_da['close'][-2] and lower[-1] < HS_da['close'][-1]:
        if stock in context.position.keys():
            return
        order.buy(stock, HS_da['close'][-1], context.cash // HS_da['close'][-1])
    elif lower[-1] > HS_da['close'][-1] or upper[-1] < HS_da['close'][-1]:
        if stock not in context.position.keys():
            return
        order.sell(stock, HS_da['close'][-1], context.position[stock]['count'])

"""执行策略"""
trade.trade(handle)

从正常角度看，整个数据表现得不是很理想，猪肉的质量有点差，猪毛（回撤：0.4754）占面积略大，而且猪肉可食用部位（策略收益：-0.4332）也比较少。咱们还是用多参数来下锅吧。

• 回测标的：沪深300指数。
• 回测时间：2010年01月01日到2018年12月31日。
• 初始资金：100000元。
• 不考虑对冲成本，尽量投入全部资金。
• Boll参数：[5, 10, 15, 20, 25, 30, 35, 40]
  代码展示：

trade_list = []
Boll_list = [10, 15, 20, 25, 30, 35, 40, 45, 50]
for _Boll in Boll_list:
    # 策略结构
    context = Context()
    order = Order(context)
    trade = Trade(context, order)
    context.start_date = '2010-01-01'
    context.end_date = '2018-12-31'
    context.universe = ['000300.XSHG']
    context.base = '000300.XSHG'

    """策略主体"""
    def handle(context, order):
        stock = context.universe[0]
        time_count = _Boll
        n = 2
        m = 2
        HS_da = get_price(security=stock, 
                          end_date= context.current_dt,
                          frequency= 'daily', 
                          fields= None, 
                          skip_paused= False, 
                          fq='pre',
                          count= 50)
        stock_data = get_price(stock, end_date= context.current_dt , frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(HS_da['close']) time_count-1))
        upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=n,nbdevdn=m,matype=0)
        if lower[-2] > HS_da['close'][-2] and lower[-1] < HS_da['close'][-1]:
            if stock in context.position.keys():
                return
            order.buy(stock, HS_da['close'][-1], context.cash // HS_da['close'][-1])
        elif lower[-1] > HS_da['close'][-1] or upper[-1] < HS_da['close'][-1]:
            if stock not in context.position.keys():
                return
            order.sell(stock, HS_da['close'][-1], context.position[stock]['count'])
    trade.trade(handle, False)
    trade_list.append(trade)
# 展示
Trade.show_ratio_compare('Boll', Boll_list, trade_list, 3, 3)

虽然是猪肉，但是还是有好位置的，现在数据表出参数10，整个参数中唯一一个整收益的，还是蛮吃惊的，怎么会出现这样情况呢？因为Boll是类于波动率，进出场都和波动息息相关，只有波动和股价恰到好处，才是最合适的刷单或是价差空间，可谓一物降一物的感觉。

轨道分化择优

中轨参数已经得到相对于其他数据比较优秀的参数，接着就是上下轨的设置，烤猪肉要木叉子，基本两根为主，能够固定方向，把控肉质。吃个稀饭，还烤肉，也是不容易啊。

轨道分化择优-上轨

• 回测标的：沪深300指数。
• 回测时间：2010年01月01日到2018年12月31日。
• 初始资金：100000元。
• 不考虑对冲成本，尽量投入全部资金。
• Boll参数：[5, 10, 15, 20, 25, 30, 35, 40]
• n参数：[0.5, 1, 1.5, 2]
  代码展示：

_list = []
trade_list = []
Boll_list = [10, 15, 20, 25, 30, 35, 40, 45, 50]
Boll_list_n = [0.5, 1, 1.5, 2]
for _Boll in Boll_list:
    for n_Boll in Boll_list_n:
        # 策略结构
        context = Context()
        order = Order(context)
        trade = Trade(context, order)
        context.start_date = '2010-01-01'
        context.end_date = '2018-12-31'
        context.universe = ['000300.XSHG']
        context.base = '000300.XSHG'
        _list.append(str(_Boll) ',' str(n_Boll))

        """策略主体"""
        def handle(context, order):
            stock = context.universe[0]
            time_count = _Boll
            n = n_Boll
            m = 2
            HS_da = get_price(security=stock, 
                              end_date= context.current_dt,
                              frequency= 'daily', 
                              fields= None, 
                              skip_paused= False, 
                              fq='pre',
                              count= 50)
            stock_data = get_price(stock, end_date= context.current_dt , frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(HS_da['close']) time_count-1))
            upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=n,nbdevdn=m,matype=0)
            if lower[-2] > HS_da['close'][-2] and lower[-1] < HS_da['close'][-1]:
                if stock in context.position.keys():
                    return
                order.buy(stock, HS_da['close'][-1], context.cash // HS_da['close'][-1])
            elif lower[-1] > HS_da['close'][-1] or upper[-1] < HS_da['close'][-1]:
                if stock not in context.position.keys():
                    return
                order.sell(stock, HS_da['close'][-1], context.position[stock]['count'])
        trade.trade(handle, False)
        trade_list.append(trade)
# 展示
Trade.show_all_ratio('Boll', Boll_list, trade_list)

数据表给予的信息蛮有非巧合性的，最优的Boll参数依旧为10。最优上轨标准差倍数为0.5，该参数的各项数据对比的排名基本为首位，但是回撤问题一直围绕着，得思考思考，就要考虑下轨问题。不过还是让[稀饭?哥伦布魏]有点尴尬而不失礼节的买了该配置的叉子。

轨道分化择优-下轨

• 回测标的：沪深300指数。
• 回测时间：2010年01月01日到2018年12月31日。
• 初始资金：100000元。
• 不考虑对冲成本，尽量投入全部资金。
• Boll参数：[5, 10, 15, 20, 25, 30, 35, 40]
• m参数：[0.5, 1, 1.5, 2]
  代码展示：

_list = []
trade_list = []
Boll_list = [10, 15, 20, 25, 30, 35, 40, 45, 50]
Boll_list_m = [0.5, 1, 1.5, 2]
for _Boll in Boll_list:
    for m_Boll in Boll_list_m:
        # 策略结构
        context = Context()
        order = Order(context)
        trade = Trade(context, order)
        context.start_date = '2010-01-01'
        context.end_date = '2018-12-31'
        context.universe = ['000300.XSHG']
        context.base = '000300.XSHG'
        _list.append(str(_Boll) ',' str(m_Boll))

        """策略主体"""
        def handle(context, order):
            stock = context.universe[0]
            time_count = _Boll
            n = 2
            m = m_Boll
            HS_da = get_price(security=stock, 
                              end_date= context.current_dt,
                              frequency= 'daily', 
                              fields= None, 
                              skip_paused= False, 
                              fq='pre',
                              count= 50)
            stock_data = get_price(stock, end_date= context.current_dt , frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(HS_da['close']) time_count-1))
            upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=n,nbdevdn=m,matype=0)
            if lower[-2] > HS_da['close'][-2] and lower[-1] < HS_da['close'][-1]:
                if stock in context.position.keys():
                    return
                order.buy(stock, HS_da['close'][-1], context.cash // HS_da['close'][-1])
            elif lower[-1] > HS_da['close'][-1] or upper[-1] < HS_da['close'][-1]:
                if stock not in context.position.keys():
                    return
                order.sell(stock, HS_da['close'][-1], context.position[stock]['count'])
        trade.trade(handle, False)
        trade_list.append(trade)
# 展示
Trade.show_all_ratio('Boll', Boll_list, trade_list)

[稀饭?哥伦布魏]尴尬一笑，依旧是如此的场景，单一参数，策略正收益，最优下轨参数为2，差评地方为回撤貌似加大许多。

轨道综合

上节内容，应该明白发生什么事情，猪肉还是要好好买好好烤。这节内容，会比较严肃介绍。因为是风险厌恶择优的分析，以个人的风险厌恶程度来分析，做比较。

• 回测标的：沪深300指数。
• 回测时间：2010年01月01日到2018年12月31日。
• 初始资金：100000元。
• 不考虑对冲成本，尽量投入全部资金。
• Boll参数：[5, 10, 15, 20, 25, 30, 35, 40]
• n参数：[0.5, 1, 1.5, 2]
• m参数：[0.5, 1, 1.5, 2]
  代码展示：

_list = []
trade_list = []
Boll_list = [10, 15, 20, 25, 30, 35, 40, 45, 50]
Boll_list_n = [0.5, 1, 1.5, 2]
Boll_list_m = [0.5, 1, 1.5, 2]
for _Boll in Boll_list:
    for m_Boll in Boll_list_m:
        for n_Boll in Boll_list_n:
            # 策略结构
            context = Context()
            order = Order(context)
            trade = Trade(context, order)
            context.start_date = '2010-01-01'
            context.end_date = '2018-12-31'
            context.universe = ['000300.XSHG']
            context.base = '000300.XSHG'
            _list.append(str(_Boll) ',' str([n_Boll,m_Boll]))

            """策略主体"""
            def handle(context, order):
                stock = context.universe[0]
                time_count = _Boll
                n = n_Boll
                m = m_Boll
                HS_da = get_price(security=stock, 
                                  end_date= context.current_dt,
                                  frequency= 'daily', 
                                  fields= None, 
                                  skip_paused= False, 
                                  fq='pre',
                                  count= 50)
                stock_data = get_price(stock, end_date= context.current_dt , frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(HS_da['close']) time_count-1))
                upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=n,nbdevdn=m,matype=0)
                if lower[-2] > HS_da['close'][-2] and lower[-1] < HS_da['close'][-1]:
                    if stock in context.position.keys():
                        return
                    order.buy(stock, HS_da['close'][-1], context.cash // HS_da['close'][-1])
                elif lower[-1] > HS_da['close'][-1] or upper[-1] < HS_da['close'][-1]:
                    if stock not in context.position.keys():
                        return
                    order.sell(stock, HS_da['close'][-1], context.position[stock]['count'])
            trade.trade(handle, False)
            trade_list.append(trade)
# 展示
Trade.show_all_ratio('Boll', Boll_list, trade_list)

排头数据列表给予的信息比较明确，最优Boll参数为10，最优上轨标准差倍数为0.5，最优下轨标准差倍数为[0.5, 2],为何上轨标准差倍数是单个，而最优下轨标准差倍数是两个。从看收益来解释，正常的投资，是想保稳定收益，出场可以说是最简单也是最难的，因为心态和欲望控制、风险厌恶程度，因此上轨选择最稳定，而且小空间上轨等于中轨，有点价值回归的味道。下轨为何会两个，这就关系到风险程度以及市场情绪变化、质变，下轨0.5与2是四倍的关系，从回撤角度，2的回撤几乎快是0.5的一倍，胜率提高了0.1，但是收益下降了一倍多，这就是进场风险选择的关键，总所周知，对于股价，每个人都希望走得稳定，但是却不能如愿，一旦股价走向极端，恰恰是引起质变效果，市场的情绪变化导致我们的心理变化，一波冲击波的情绪量瞬间扩大动能，然而使股价回归的另一波动能却不一定能使得股价回归，因为承接力以及大盘环境因素、股价自身情况。Boll的运用，可以从多方面去切入，既然是中位线与价格的标准差，可以尝试使用标准差为重心去思考，如何使得中位线与偏离程度能更合适搭配我们的策略，配合量能去做搭配。总的一句话：波动之间最稳定的是平稳，而且不能急躁，慢工出细活。

总结

Boll是以波动率和价值回归为基础，数据告诉我们，谨慎是最安全的，以敏感的Boll参数10配合稳定小空间上下轨标准差倍数参数0.5，实际运用中，参数0.5的运用可能受限，但是可以在更小的周期里面运用。
市场的变化，是情绪得变化，多重变化，会引起质变，极端市场的行情，在Boll中是一种机会，但是也是一种风险，因为股票的性质会市场对待的情绪改变了。

下面展示本次研究效果最好的参数

• 回测标的：沪深300指数。
• 回测时间：2010年01月01日到2018年12月31日。
• 初始资金：100000元。
• 不考虑对冲成本，尽量投入全部资金。
  代码展示：

"""初始化以下内容"""
context = Context() # 账户对象
order = Order(context) # 下单对象
trade = Trade(context, order) # 回测对旬
context.start_date = '2010-01-01'
context.end_date = '2018-12-31'
context.universe = ['000300.XSHG']
context.base = '000300.XSHG'

"""策略主体"""
def handle(context, order):
    stock = context.universe[0]
    time_count = 10
    n = 0.5
    m = 0.5
    HS_da = get_price(security=stock, 
                      end_date= context.current_dt,
                      frequency= 'daily', 
                      fields= None, 
                      skip_paused= False, 
                      fq='pre',
                      count= 50)
    stock_data = get_price(stock, end_date= context.current_dt , frequency= 'daily', fields= 'close', skip_paused= True, fq= 'pre', count= (len(HS_da['close']) time_count-1))
    upper, middle, lower = talib.BBANDS(stock_data['close'].values, timeperiod=time_count,nbdevup=n,nbdevdn=m,matype=0)
    if lower[-2] > HS_da['close'][-2] and lower[-1] < HS_da['close'][-1]:
        if stock in context.position.keys():
            return
        order.buy(stock, HS_da['close'][-1], context.cash // HS_da['close'][-1])
    elif lower[-1] > HS_da['close'][-1] or upper[-1] < HS_da['close'][-1]:
        if stock not in context.position.keys():
            return
        order.sell(stock, HS_da['close'][-1], context.position[stock]['count'])

"""执行策略"""
trade.trade(handle)

!