Python 实现股票指标计算—

Python 实现股票指标计算——BOLL布林线

1 公式

中轨线 = N日的移动平均线，N一般取20

上轨线 = 中轨线 + X倍的标准差，X一般取2

下轨线 = 中轨线－Y倍的标准差， Y一般取2

2 数据准备

我们以科创50指数 000688 为例，指数开始日期为2019-12-31，数据格式如下：

3 计算过程

3.1手动计算

def boll(df, N=20, X=2, Y=2):
    '''
    计算给定数据集的布林带指标（Bollinger Bands）。

    参数:
    ------
    df : pandas.DataFrame
        包含日期('date')和收盘价('close')列的DataFrame。
    N : int, 可选
        移动平均线的周期数，用于计算布林带上中下轨。默认值为20。
    X : float, 可选
        上轨计算时使用的标准差乘数。默认值为2。
    Y : float, 可选
        下轨计算时使用的标准差乘数。默认值为2。在大多数情况下，X和Y相同。

    返回:
    ------
    sorted_df : pandas.DataFrame
        扩展了布林带上轨('upper')、中轨('boll')和下轨('lower')列的原始DataFrame。

    注意:
    ------
    函数首先将'date'列转换为datetime类型，然后对DataFrame按日期进行排序，
    确保计算移动平均和标准差时数据是按时间序列排列的。
    '''

    # 将'date'列转换为datetime类型
    df['date'] = pd.to_datetime(df['date'])

    # 按'date'列对DataFrame进行排序
    sorted_df = df.sort_values('date')

    # 计算布林带中轨，即N周期的收盘价移动平均值
    sorted_df['boll'] = sorted_df['close'].rolling(window=N).mean()

    # 计算布林带上轨，即中轨加上X倍的标准差
    sorted_df['upper'] = sorted_df['boll'] + X * sorted_df['close'].rolling(window=N).std()

    # 计算布林带下轨，即中轨减去Y倍的标准差
    sorted_df['lower'] = sorted_df['boll'] - Y * sorted_df['close'].rolling(window=N).std()

    # 返回扩展后的DataFrame
    return sorted_df

3.2 使用talib库

import talib
 
upper, boll, lower = talib.BBANDS(
    df['close'], timeperiod=20, nbdevup=2, nbdevdn=2, matype=0)

boll_df = pd.concat([df, boll, upper, lower], axis=1).rename(
    columns={0: 'boll', 1: 'upper', 2: 'lower'})