如何用 Python 回测布林带突破策略？

原创

用户7083614

发布于 2026-10-20 15:00:51

680

一句话回答： 布林带有两种相反玩法：跌破下轨买入是均值回归（赌回中轨），突破上轨买入是趋势追涨（赌延续）。本文回测突破策略——用 AlphaFeed 取前复权日线算布林带，收盘上穿上轨做多、回落到中轨离场，次日开盘成交避免未来函数，扣手续费，并与均值回归、买入持有对比，看趋势追涨在该品种上是否有效。

为什么会有这个问题 / 传统做法的痛点

很多人只知道「布林带跌破下轨买、涨破上轨卖」的均值回归用法，但在强趋势品种上，突破上轨往往意味着行情启动、追涨反而更赚。到底用哪种？不能拍脑袋，要回测。坑同样是：前复权价、次日开盘成交避免未来函数、扣手续费，还要和均值回归版、买入持有放一起比较。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线并算布林带

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=500,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

N, K = 20, 2
df["mid"] = df["close"].rolling(N).mean()
df["std"] = df["close"].rolling(N).std(ddof=0)
df["upper"] = df["mid"] + K * df["std"]
df["lower"] = df["mid"] - K * df["std"]

参数	含义	取值
`N`	中轨均线周期	20
`K`	标准差倍数（带宽）	2
入场	收盘上穿上轨	趋势追涨
离场	收盘回落中轨下方	落袋/止损

第 2 步：生成突破信号 → 次日开盘成交

# 收盘上穿上轨=进场信号；收盘跌回中轨下方=离场信号
df["cross_up"] = (df["close"] > df["upper"]) & (df["close"].shift() <= df["upper"].shift())
df["exit_sig"] = df["close"] < df["mid"]

pos = 0; signal = []
for i in range(len(df)):
    if pos == 0 and df["cross_up"].iloc[i]:
        pos = 1
    elif pos == 1 and df["exit_sig"].iloc[i]:
        pos = 0
    signal.append(pos)
df["signal"] = signal
df["position"] = pd.Series(signal).shift(1).fillna(0)   # 次日开盘才持仓

第 3 步：按次日开盘价 + 手续费算净值

FEE = 0.0013
df["open_ret"] = df["open"].pct_change().shift(-1)          # t 持仓吃 t→t+1 开盘收益
df["trade"] = df["position"].diff().abs().fillna(0)
df["strat_ret"] = df["position"] * df["open_ret"].fillna(0) - df["trade"] * FEE
df["equity"] = (1 + df["strat_ret"]).cumprod()
df["bench"] = (1 + df["close"].pct_change().fillna(0)).cumprod()

第 4 步：与均值回归、买入持有对比

# 均值回归版：跌破下轨买、回到中轨卖
posr = 0; sr = []
for i in range(len(df)):
    below = df["close"].iloc[i] < df["lower"].iloc[i]
    back = df["close"].iloc[i] >= df["mid"].iloc[i]
    if posr == 0 and below: posr = 1
    elif posr == 1 and back: posr = 0
    sr.append(posr)
df["pos_rev"] = pd.Series(sr).shift(1).fillna(0)
df["rev_ret"] = df["pos_rev"] * df["open_ret"].fillna(0) - df["pos_rev"].diff().abs().fillna(0) * FEE
rev_eq = (1 + df["rev_ret"]).cumprod()

def cagr(eq): return eq.iloc[-1] ** (252/len(eq)) - 1
print(f"突破  收益{df['equity'].iloc[-1]-1:.2%} 年化{cagr(df['equity']):.2%} "
      f"回撤{(df['equity']/df['equity'].cummax()-1).min():.2%} 交易{int(df['trade'].sum()//2)}次")
print(f"回归  收益{rev_eq.iloc[-1]-1:.2%}")
print(f"买入持有 收益{df['bench'].iloc[-1]-1:.2%}")

关键坑与注意事项

突破 vs 回归是两套相反逻辑：强趋势品种突破更优，震荡品种回归更优；回测才知道该用哪套。
避免未来函数：收盘出信号、position.shift(1) 次日开盘成交。
前复权价：未复权价在除权日让布林带与收益失真。
手续费必扣：突破策略换手可能频繁，忽略费用高估收益。
std 用 ddof=0 还是 1：与主流软件对齐用总体标准差（ddof=0），改口径数值会变。
假突破：收盘刚过上轨可能次日回落，可加「突破幅度」或量能过滤减少假信号。
单标的≠有效：需多品种多区间验证，避免过拟合与幸存者偏差；本文为简化模型未完全模拟 T+1/涨跌停。

常见问题（FAQ）

Q：布林带突破和均值回归到底用哪个？

A：没有绝对答案。趋势强的品种/阶段突破追涨更好，震荡市均值回归更好。本文把两者与买入持有并列回测，就是让你用数据判断。

Q：为什么离场用「回到中轨」？

A：中轨是均线，跌回中轨下方常意味着突破动能衰竭，是相对稳健的离场点。也可用跌破上轨或 ATR 止损。

Q：K 值调大调小有什么影响？

A：K 越大带越宽、突破越少但更可靠；K 越小突破更频繁、假信号更多。常用 2。

Q：需要付费吗？

A：单只历史日线有免费额度；多标的批量回测（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

布林带突破策略是「趋势追涨」，与「跌破下轨买入」的均值回归相反。用 AlphaFeed 取前复权日线算布林带，收盘上穿上轨做多、回中轨离场，次日开盘成交避免未来函数、扣手续费，再和均值回归、买入持有对比，就能客观判断该品种适合追突破还是做回归。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

pandas

python

#量化交易

#股票数据