作者：老余捞鱼
原创不易，转载请标明出处及原作者。
写在前面的话：在这篇文章中，我将详细讲解如何使用Python实现内部条形强度（IBS）交易策略，并进行实战回测。通过对市场数据的深入分析，我发现该策略在特定市场条件下表现出色，不仅收益稳健，风险也在可控范围内。如果你对量化交易感兴趣，这篇文章将帮助你快速上手并优化这一策略。
一、什么是 IBS 策略 ？
Internal Bar Strength (IBS) 是一种技术分析交易策略，旨在通过分析价格行为来识别潜在的交易机会。该策略主要基于价格的内部条形图（即K线）强度，帮助交易者判断市场的强弱以及可能的反转点。
1.1 如何计算 IBS？
IBS是通过比较当前K线的收盘价与其最高价和最低价来评估市场的强度。其计算方式如下：
- 选择时间框架：首先，选择一个适合的时间框架（如日线、小时线等）。
- 获取K线数据：收集当前K线的最高价、最低价和收盘价。
- 应用公式：将收盘价、最高价和最低价代入IBS公式进行计算。
具体来说，IBS公式为：
IBS = (Close - Low) / (High - Low)1.2 IBS的应用
交易前提很简单：
- 买入信号：当IBS值接近1时，表明市场强劲，可能是一个买入信号。
- 卖出信号：当IBS值接近0时，表明市场疲软，可能是一个卖出信号。
在使用IBS策略时，我们还应结合其他技术指标（如移动平均线、相对强弱指数等）进行确认，以降低风险。此外，设置止损和止盈点也是保护资本的重要措施。
二、技术实现
我们将用Python实现下面几个核心模块，实现后的图形分析效果如下：
现在对代码逐步展开分析。
2.1 数据处理和策略设置
代码从导入基础库和构建完整的指标计算功能起步：
import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
from typing import Dict, Tuple
def calculate_metrics(returns: pd.Series) -> Dict:
"""
Calculate comprehensive trading metrics
"""
# Basic return metrics
total_return = (returns + 1).cumprod().iloc[-1] - 1
annual_return = (1 + total_return) ** (252/len(returns)) - 1
# Risk metrics
daily_vol = returns.std()
annual_vol = daily_vol * np.sqrt(252)
sharpe_ratio = np.sqrt(252) * returns.mean() / daily_vol if daily_vol != 0 else 0
# Drawdown analysis corregida
cum_returns = (1 + returns).cumprod()
running_max = np.maximum.accumulate(cum_returns)
drawdown = (cum_returns - running_max) / running_max
max_drawdown = drawdown.min()
# Win rate analysis
winning_days = returns[returns > 0]
losing_days = returns[returns < 0]
win_rate = len(winning_days) / len(returns[returns != 0])代码释义：
- 下载和准备市场数据
- 计算 IBS 并生成交易信号
- 计算全面的性能指标
2.2 信号生成
信号生成是策略核心：
data["IBS"] = (data["Close"] - data["Low"]) / (data["High"] - data["Low"])
data["Signal"] = np.where(data["IBS"] <= low_threshold, 1, 0)
data["Signal"] = np.where(data["IBS"] >= high_threshold, -1, data["Signal"])代码释义：
- 当 IBS 低于低阈值 (0.10) 时，发出长信号 (1)
- 当 IBS 升至我们的高临界值 (0.95) 以上时，发出做空信号 (-1)
- 当 IBS 位于阈值之间时，处于中性位置 (0)
2.3 源代码下载
源代码请从我的Google Colab中申请下载：
https://colab.research.google.com/drive/1e2SHqZPIh4wsiz2cl0o4W9a4C-O9moJD?usp=sharing
三、策略绩效分析
从 2015 年到 2025 年的$QQQ指数基金回测结果来看，我们发现了几个有趣的指标：
Detailed Strategy Analysis:
--------------------------------------------------
Total Return: 102.38
Annual Return: 7.28
Annual Volatility: 15.36
Sharpe Ratio: 0.53
Sortino Ratio: 0.61
Max Drawdown: -23.55
Win Rate: 49.33
Profit Factor: 1.16
Number of Trades: 1119.00
Best Month: 73.62
Worst Month: -6.55
Average Monthly Return: 0.78
Monthly Return Std: 7.33
Monthly Analysis:
--------------------------------------------------
Profitable Months: 64 out of 121
Average Monthly Return: 0.78%
Monthly Return Std: 7.33%这份策略报告显示$QQQ的投资策略年化收益达7.28%，具有中等的长期回报。而夏普比率表现优异，风险可控。虽然最大回撤和波动性较高，但整体回报和盈利因子表明策略在长期内是可行的。
四、观点总结
本文主要介绍了内部条形图强度（IBS）交易策略的Python实现与分析，并通过对$QQQ从2015年到2025年的回溯测试，展示了该策略的性能指标。
- 简单的量化交易策略往往最为稳健，IBS策略虽然概念简单，但在适当实施风险管理和全面分析的情况下，能够取得显著的交易结果。
- IBS指标是一种均值回复工具，用于衡量资产收盘价相对于当日区间的位置，以此来判断市场可能的超买或超卖状态。
- 策略实施需要注意信号生成，通过设定的阈值来决定何时进入或退出市场。
- 绩效分析显示了IBS策略的多项指标，包括但不限于总回报、年化回报、年化波动率、夏普比率、索提诺比率、最大回撤、胜率和利润因子等，这些指标有助于评估策略的风险与回报。
- 月度分析提供了更细致的策略表现信息，如盈利月份的数量、平均月度回报和月度回报的标准差。
- 交易策略需要不断地监控和调整，以适应市场变化，确保策略的持续有效性。
- 过去的交易表现并不能保证未来的结果，因此任何交易策略都应该在实际执行前进行充分的测试和验证。
感谢您阅读到最后，希望这篇文章为您带来了新的启发和实用的知识！如果觉得有帮助，请不吝点赞和分享，您的支持是我持续创作的动力。祝您投资顺利，收益长虹！如果对文中内容有任何疑问，欢迎留言，我会尽快回复！
本文内容仅限技术探讨和学习，不构成任何投资建议。
Be First to Comment