Calculando correctamente la banda de Bollinger

Question

Mi banda de bollinger sale como la de abajo, lo que no parece correcto. ¿Alguna idea de lo que está mal con mi código para calcular las bandas de bollinger superiores e inferiores?

Obtuve mis datos de aquí

start, end = dt.datetime(1976, 1, 1), dt.datetime(2013, 12, 31)
sp = web.DataReader('^GSPC','yahoo', start, end) 
here are my bollinger calculations

cálculo para la banda de bollinger

ave = pd.stats.moments.rolling_mean(self[name], window) 
std = pd.stats.moments.rolling_std(self[name], window)
self['upper'] = ave + (2 * std)
self['lower'] = ave - (2 * std)

Answer 1

En Pandas 0.19.2++:

def Bolinger_Bands(stock_price, window_size, num_of_std):

    rolling_mean = stock_price.rolling(window=window_size).mean()
    rolling_std  = stock_price.rolling(window=window_size).std()
    upper_band = rolling_mean + (rolling_std*num_of_std)
    lower_band = rolling_mean - (rolling_std*num_of_std)

    return rolling_mean, upper_band, lower_band

def main():

     price_series = get_data(ticker, dates) # it is a Pandas series...

     rolling_avg_price, upper_band, lower_band = Bolinger_Bands(price_series, 20, 2)

     do_other_processing(rolling_avg_price, upper_band, lower_band)
     ...

Answer 2

def bbands(price, length=30, numsd=2):
    """ returns average, upper band, and lower band"""
    ave = pd.stats.moments.rolling_mean(price,length)
    sd = pd.stats.moments.rolling_std(price,length)
    upband = ave + (sd*numsd)
    dnband = ave - (sd*numsd)
    return np.round(ave,3), np.round(upband,3), np.round(dnband,3)

sp['ave'], sp['upper'], sp['lower'] = bbands(sp.Close, length=30, numsd=1)
sp= sp[-200:]
sp.plot()

Answer 3

Creo que las respuestas dadas aquí son incorrectas ya que devuelven la desviación estándar de la muestra mientras que la medida de la población es el cálculo correcto para las bandas de Bollinger. Las bandas utilizando el cálculo de la muestra serán demasiado anchas. Pandas no parece permitir una elección entre los cálculos de la muestra y de la población para ninguna de las soluciones presentadas aquí.

sd = pd.stats.moments.rolling_std(price,length)
rolling_std  = stock_price.rolling(window=window_size).std()

Numpy sí permite una elección, por lo que debería usarse hasta que se presente una solución adecuada de pandas.

a = np.array([1,2,3,4,5])
print np.std(a, ddof=1) # sample
print np.std(a, ddof=0) # population
>>> 
1.58113883008
1.41421356237
>>> 

https://docs.scipy.org/doc/numpy/reference/generated/numpy.std.html

John Bollinger, CFA, CMT

Bueno, parece que los pandas me han alcanzado. Esto funciona correctamente ahora.

b = pd.DataFrame([1,2,3,4,5])
print b.rolling(window=5).std() # sample
print b.rolling(window=5).std(ddof=0) # population

Answer 4

Trate de trazar la media móvil contra sus comillas para SP y ver si tiene sentido. Aunque tu línea de código para calcular la media móvil es correcta, puede que haya algo mal en los datos que pasas como entrada.