1.1 重叠因子：布林带(Bollinger Bands)概念与Python实战

0. 本栏目因子汇总表

1. 因子简述

布林带(Bollinger Bands)是一种基于移动平均线的技术分析工具，由John Bollinger在1980年代创建。它由三条线组成：中轨(移动平均线)、上轨(中轨加上N倍标准差)和下轨(中轨减去N倍标准差)。布林带可以帮助识别市场的超买超卖状态，以及价格波动的收缩和扩张。

2. 因子计算逻辑

布林带的计算公式如下：

$\begin{align*} Middle Band &= SMA(Close, n) \\ Upper Band &= Middle Band + k \times \sigma \\ Lower Band &= Middle Band - k \times \sigma \\ \end{align*}$

其中：

SMA为简单移动平均
n为移动平均的周期（通常为20）
k为标准差的倍数（通常为2）
σ为n周期的标准差

布林带因子的计算：
$\frac{Close - Lower Band}{Upper Band - Lower Band}$

3. 因子应用场景

趋势跟踪：
- 当价格突破上轨时，可能表示上升趋势加强
- 当价格突破下轨时，可能表示下降趋势加强
均值回归：
- 当价格接近上轨时，可能出现超买
- 当价格接近下轨时，可能出现超卖
波动率预测：
- 布林带收窄表示波动率降低，可能预示趋势变化
- 布林带扩张表示波动率增加，可能出现大幅度行情
市场状态判断：
- 因子值接近1表示接近上轨，可能超买
- 因子值接近0表示接近下轨，可能超卖
- 因子值接近0.5表示接近中轨，处于中性状态

4. 因子优缺点

优点：

适应性强：布林带会根据市场波动自动调整带宽
直观易懂：上下轨提供了清晰的价格参考区间
多维度信息：同时提供趋势、波动率和价格极值信息
标准化输出：因子值在0-1之间，便于比较和构建组合

缺点：

滞后性：作为移动平均的衍生指标，存在一定滞后
参数敏感：不同的周期和标准差倍数可能产生不同结果
假信号：在震荡市场中可能产生较多假信号
单一维度：仅考虑价格信息，未考虑成交量等其他因素

5. 因子代码实现

def BBANDS_factor(df, n=20, k=3):
    """
    计算布林带因子
    
    参数:
    df (DataFrame): 输入数据
        - code: 证券代码，如'600036.SH'
        - date: 日期，格式为'YYYY-MM-DD'
        - close: 收盘价
    n (int): 移动平均周期，默认20
    k (float): 标准差倍数，默认3
    
    返回:
    DataFrame: 包含原有列和BBANDS因子值，取值范围[0,1]
    """
    import numpy as np
    import pandas as pd
    
    # 检查code格式
    valid_codes = df['code'].str.match(r'^(?:\d{6}\.(SH|SZ)|[A-Z]+/[A-Z]+|\w+\.(IB|CFE|US))$')
    if not valid_codes.all():
        raise ValueError("Invalid code format found")
    
    # 检查date格式
    valid_dates = df['date'].str.match(r'^\d{4}-\d{2}-\d{2}$')
    if not valid_dates.all():
        raise ValueError("Invalid date format found, expected 'YYYY-MM-DD'")
    
    # 排序（使用字符串比较）- 保持时间降序
    df = df.sort_values(['code', 'date'], ascending=[True, False])
    
    # 按code分组计算
    def calculate_bbands(group):
        # 计算移动平均线(中轨)
        middle = group['close'].rolling(window=n).mean()
        
        # 计算标准差
        std = group['close'].rolling(window=n).std()
        
        # 计算上轨和下轨
        upper = middle + k * std
        lower = middle - k * std
        
        # 计算因子值：价格在布林带中的相对位置
        group['BBANDS'] = np.clip(
            (group['close'] - lower) / (upper - lower),
            0,
            1
        )
        return group
    
    # 按code分组计算因子
    df = df.groupby('code', group_keys=False).apply(calculate_bbands)
    
    # 按照最终要求重新排序并重置索引
    df = df.sort_values(['date', 'code'], ascending=[False, True]).reset_index(drop=True)
    
    return df

测试数据：
在这里插入图片描述

6. 因子取值范围及其含义

BBANDS因子的取值范围为[0,1]：

取值为0：表示价格位于或低于下轨，可能处于超卖状态
取值为0.5：表示价格位于中轨，处于中性状态
取值为1：表示价格位于或高于上轨，可能处于超买状态
取值在(0,0.5)之间：表示价格位于下轨和中轨之间，偏向看空
取值在(0.5,1)之间：表示价格位于中轨和上轨之间，偏向看多

7. 因子函数参数建议

n (移动平均周期)：
- 默认值：20
- 建议范围：[10, 30]
- 参数说明：较小的n值对市场变化更敏感，较大的n值提供更平滑的信号
- 选择建议：
  - 日线数据建议使用20
  - 小时线数据建议使用30
  - 分钟线数据建议使用10
k (标准差倍数)：
- 默认值：3
- 建议范围：[2, 3]
- 参数说明：k值越大，布林带区间越宽，信号越保守
- 选择建议：
  - 波动率大的市场使用3
  - 波动率小的市场使用2
  - 不建议使用超过3的值，可能错过交易机会