Python实现BIAS工具判断信号：股票技术分析的工具系列（4）

---

介绍

在股票技术分析中，BIAS（乖离率）是一种常用的技术指标，用于判断股票价格与其移动平均线之间的偏离程度，进而指导投资者进行交易决策。本文将介绍如何使用Python编程语言实现BIAS工具，以及如何利用该工具来分析股票价格走势。

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。

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;

优势：

优势	描述
个性化设置乖离范围	BIAS指标的乖离极限值随个股不同而不同，使用者可以根据具体情况进行参考线的设定，固定其乖离范围，使得指标更适合不同个股的特性。
预测股价走势	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，而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，有助于预测股价的走势。
可设参考线	BIAS指标可设参考线，投资者可以根据自己的需求和策略，设定适当的参考线，以便更好地辅助决策。

劣势：

劣势	描述
单一性	BIAS指标相对较为单一，仅从价格的角度进行分析，可能无法全面反映市场的复杂情况，投资者需要结合其他指标和分析方法进行综合判断。
适用性限制	BIAS指标的应用受限于个股的特性和行情状况，不同个股的乖离率极限值不同，可能需要投资者具备一定的经验和技术分析能力，才能准确把握指标的含义和使用方法。
缺乏明确的买卖信号	BIAS指标并没有提供明确的买卖信号，而是提供了一种价差的概念，因此在实际操作中，投资者需要结合其他指标或技术分析方法来确认具体的买卖时机。

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。

完整代码

data代码

这里完整代码中的data部分，阔以通过下面资源文件下载，或者留下邮箱等发送。：

https://download.csdn.net/download/qq_36051316/88896567

BIAS.py

import pandas as pd
import stock_data

data = {
    'DATE': stock_data.DATE,
    'CLOSE': stock_data.CLOSE,
    'HIGH': stock_data.HIGH,
    'LOW': stock_data.LOW,
    'OPEN': stock_data.OPEN,
    'CHANGE': stock_data.CHANGE,
    'VOL': stock_data.VOL,
    'CAPITAL': stock_data.CAPITAL
}

df = pd.DataFrame(data)


def bias(close, n):
    """
    计算乖离率

    参数：
    close: pandas.Series，收盘价数据
    n: int，窗口大小

    返回：
    pandas.Series，乖离率数据
    """
    ma = close.rolling(window=n).mean()
    return (close - ma) / ma * 100


def calculate_bias(data, n1, n2, n3, positive_limit, negative_limit):
    """
    计算乖离率指标

    参数：
    data: pandas.DataFrame，包含股票数据的DataFrame
    n1: int，第一个窗口大小
    n2: int，第二个窗口大小
    n3: int，第三个窗口大小
    positive_limit: float，正乖离的极限值
    negative_limit: float，负乖离的极限值

    返回：
    pandas.DataFrame，添加了乖离率指标的DataFrame
    """
    data['BIAS1'] = bias(data['CLOSE'], n1)
    data['BIAS2'] = bias(data['CLOSE'], n2)
    data['BIAS3'] = bias(data['CLOSE'], n3)

    # 添加参考线
    data['POSITIVE_LIMIT'] = positive_limit
    data['NEGATIVE_LIMIT'] = negative_limit

    return data


def generate_signals(data, positive_limit, negative_limit, day_index=-1):
    """
    生成信号

    参数：
    data: pandas.DataFrame，包含乖离率指标的DataFrame
    positive_limit: float，正乖离的极限值
    negative_limit: float，负乖离的极限值
    day_index: int，要检查的日期索引，默认为最后一天

    返回：
    str，表示信号的字符串，可能为"股价可能会向下拉回"、"股价可能会向上拉升"或"无信号"
    """
    signals = ""
    row = data.iloc[day_index]
    if row['BIAS1'] > positive_limit and row['BIAS2'] > positive_limit and row['BIAS3'] > positive_limit:
        signals = '股价可能会向下拉回'
    elif row['BIAS1'] < negative_limit and row['BIAS2'] < negative_limit and row['BIAS3'] < negative_limit:
        signals = '股价可能会向上拉升'
    else:
        signals = '无信号'
    return signals


n1, n2, n3 = 6, 12, 24
positive_limit = 5  # 正乖离的极限值
negative_limit = -5  # 负乖离的极限值

calculate_bias(df, n1, n2, n3, positive_limit, negative_limit)
result = generate_signals(df, positive_limit, negative_limit)
print(result)

positive_limit = 5 # 正乖离的极限值
negative_limit = -5 # 负乖离的极限值

这个需要自己设置：-5 只是一个示例。在实际使用中，可以根据股票的历史数据和市场行情来设定适合的负乖离极限值。负乖离表示股价低于移动平均线的情况，当负乖离扩大到一定程度时，可能会有向上拉升的作用力