5、布林带策略：中轨、上下轨计算，突破信号与回归信号

布林带这东西，说白了就是一个动态的「价格通道」。它不像固定支撑阻力线那样死板，而是根据市场波动率自己调整宽窄。我个人习惯把它叫做「会呼吸的通道」——市场安静时收窄，躁动时张开。

嗯，咱们直接进入正题。布林带的核心就三根线：中轨、上轨、下轨。中轨是基础，上下轨是边界。

5.1 中轨与上下轨的计算

中轨其实就是一个简单移动平均线（SMA），周期我一般用20。为什么是20？因为一个月大概有20个交易日，能较好地反映中期趋势。

上下轨的计算公式：

• 中轨 = SMA(close, 20)
• 上轨 = 中轨 + k × 标准差(close, 20)
• 下轨 = 中轨 - k × 标准差(close, 20)

这里的k值，经典取值是2。但我在高频数据里发现，k=2.5或1.8有时效果更好。为什么？因为高频数据噪声大，k值太小容易频繁触发假信号。

来看代码实现：

import numpy as np
import pandas as pd

def bollinger_bands(df, window=20, k=2):
    """
    计算布林带
    df: 包含'close'列的DataFrame
    """
    df = df.copy()
    df['middle'] = df['close'].rolling(window=window).mean()
    df['std'] = df['close'].rolling(window=window).std()
    df['upper'] = df['middle'] + k * df['std']
    df['lower'] = df['middle'] - k * df['std']
    return df

# 示例用法
# df = bollinger_bands(df, window=20, k=2)

这里有个坑，我踩过。rolling计算标准差时，默认是样本标准差（ddof=1）。但在高频数据里，用总体标准差（ddof=0）有时更稳定。你自己试试看，不同选择对信号触发频率影响挺大的。

5.2 突破信号：价格冲出通道

突破信号分两种：向上突破和向下突破。

• 向上突破信号：收盘价 > 上轨。意味着价格强势，可能继续上涨。
• 向下突破信号：收盘价 < 下轨。意味着价格弱势，可能继续下跌。

但注意，单纯的突破信号在震荡市里就是灾难。我曾经在横盘行情里用突破信号做交易，一天被来回打脸三次。后来我加了一个过滤条件：突破时布林带宽度必须大于某个阈值。

代码实现突破信号检测：

def detect_breakout(df, k=2):
    """
    检测突破信号
    返回：1=向上突破，-1=向下突破，0=无信号
    """
    df = bollinger_bands(df, k=k)
    df['signal'] = 0
    
    # 向上突破
    df.loc[df['close'] > df['upper'], 'signal'] = 1
    # 向下突破
    df.loc[df['close'] < df['lower'], 'signal'] = -1
    
    return df

5.3 回归信号：价格回到通道内

回归信号是布林带策略的精髓。它基于一个假设：价格偏离均值太远后，会向均值回归。

• 回归买入信号：价格跌破下轨后，重新回到下轨上方。意味着超卖反弹。
• 回归卖出信号：价格突破上轨后，重新回到上轨下方。意味着超买回落。

说白了，就是「涨多了会跌，跌多了会涨」。但这里有个度的问题。我记得有一次做股指期货，价格连续三天贴着上轨跑，我一直在等回归信号，结果等来了爆仓。趋势行情里，回归信号会让你死得很惨。

回归信号检测代码：

def detect_reversion(df, k=2):
    """
    检测回归信号
    返回：1=回归买入，-1=回归卖出，0=无信号
    """
    df = bollinger_bands(df, k=k)
    df['signal'] = 0
    
    # 回归买入：之前跌破下轨，现在回到下轨上方
    df['below_lower'] = df['close'] < df['lower']
    df['reversion_buy'] = df['below_lower'].shift(1) & (df['close'] > df['lower'])
    
    # 回归卖出：之前突破上轨，现在回到上轨下方
    df['above_upper'] = df['close'] > df['upper']
    df['reversion_sell'] = df['above_upper'].shift(1) & (df['close'] < df['upper'])
    
    df.loc[df['reversion_buy'], 'signal'] = 1
    df.loc[df['reversion_sell'], 'signal'] = -1
    
    return df

5.4 布林带策略知识体系

下面这张图，是我自己梳理的布林带策略核心逻辑。你看一眼就能明白整个框架：

5.5 实战中的参数调优

参数调优是布林带策略的灵魂。我整理了一个参数对比表，供你参考：

最后说一句，布林带策略不是万能钥匙。它最适合震荡行情，在趋势行情里要搭配其他指标使用。比如加上ADX指标判断趋势强度，或者用RSI过滤极端值。这些组合策略，咱们后面章节会详细讲。