Python 实现 BIAS 指标计算：股票技术分析的利器系列（6）

---

介绍

乖离率（BIAS），也称为乖离指标，是一种衡量股价与其移动平均线之间偏离程度的指标，用来判断股价的超买和超卖情况

先看看官方介绍：

BIAS(乖离率）
用法
1.本指标的乖离极限值随个股不同而不同，使用者可利用参考线设定，固定其乖离范围；
2.当股价的正乖离扩大到一定极限时，股价会产生向下拉回的作用力；
3.当股价的负乖离扩大到一定极限时，股价会产生向上拉升的作用力；
4.本指标可设参考线。

优点	缺点
简单易懂	滞后性
反映价格趋势	单一性
指示超买超卖	不适用于所有市场
	需要配合其他指标

算法解释

BIAS1 :(CLOSE-MA(CLOSE,N1))/MA(CLOSE,N1)*100;
BIAS2 :(CLOSE-MA(CLOSE,N2))/MA(CLOSE,N2)*100;
BIAS3 :(CLOSE-MA(CLOSE,N3))/MA(CLOSE,N3)*100;

1. 首先，计算收盘价的N1周期移动平均（MA）值。移动平均是用来平滑股价数据的一种常见方法，它可以减少价格波动的影响，更好地反映价格趋势。

2. 然后，算法计算收盘价与其N1周期移动平均值的差值（CLOSE - MA(CLOSE, N1)）。

3. 接下来，将这个差值除以N1周期移动平均值（MA(CLOSE, N1)），得到一个相对差值。

4. 最后，将相对差值乘以100，得到最终的买卖气指标BIAS1值。这个值表示了收盘价相对于其N1周期移动平均的偏离程度，如果BIAS1为正，说明收盘价高于移动平均，可能存在超买情况；如果BIAS1为负，说明收盘价低于移动平均，可能存在超卖情况。

代码

rolling函数介绍

rolling 函数通常与其他函数（如 mean、sum、std 等）一起使用，以计算滚动统计量，例如滚动均值、滚动总和等。

以下是 rolling 函数的基本语法：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None)

• window: 用于计算统计量的窗口大小。
• min_periods: 每个窗口最少需要的非空观测值数量。
• center: 确定窗口是否居中，默认为 False。
• win_type: 窗口类型，例如 None、boxcar、triang 等，默认为 None。
• on: 在数据帧中执行滚动操作的列，默认为 None，表示对整个数据帧执行操作。
• axis: 执行滚动操作的轴，默认为 0，表示按列执行操作。
• closed: 确定窗口的哪一端是闭合的，默认为 None。

核心代码

# 计算BIAS
def bias(close, n):
    ma = close.rolling(window=n).mean()
    return (close - ma) / ma * 100

1. ma = close.rolling(window=n).mean(): 这一行计算了收盘价数据的移动平均线。close.rolling(window=n) 创建了一个滑动窗口，窗口大小为 n，然后 .mean() 计算了每个窗口的平均值。这样得到的 ma 是一个与原始收盘价序列长度相同的序列，其中每个值都是相应窗口的平均值。

2. return (close - ma) / ma * 100: 这一行计算了乖离率。首先，close - ma 得到了收盘价与移动平均线的差值，然后除以移动平均线 ma，得到了相对差值。最后乘以 100，将相对差值转换为百分比。这样得到的结果是一个乖离率序列，其中每个值表示相应时间点的乖离率。

完整代码

import pandas as pd

import a_get_data


def bias(close, n):
    ma = close.rolling(window=n).mean()
    return (close - ma) / ma * 100


def calculate_bias(data, n1, n2, n3):
    data['BIAS1'] = bias(data['CLOSE'], n1)
    data['BIAS2'] = bias(data['CLOSE'], n2)
    data['BIAS3'] = bias(data['CLOSE'], n3)
    return data


data = {
    'CLOSE': 填每日收盘的数据
}

df = pd.DataFrame(data)
n1, n2, n3 = 6, 12, 24 

result = calculate_bias(df, n1, n2, n3)
print(result)

结果