首先介绍的第一个指标是应用最为广泛的Bollinger Bands，即布林带指标。
该指标是在1980年由John Bollinger提出的。总体的思想是利用移动平均线以及标准差预估出价值带，鉴于价格是环绕价值上下波动的，上突破该带即为超买，下突破该带即为超卖，以此来判断价格与价值的相对位置。
Bolling Bands包含了三条线，分别是一条中心线(Center Line)和两条价格通道线(Price Channel)。中心线为一条价格的N日移动平均线(SMA)，在某些场合下也有使用N日加权移动平均线(EMA)作为中心线的。上下两个通道的宽度相等，是为N日的价格标准差。
因此，Bollinger Bands的扩大和收缩的市场意义就昭然若揭了：当Bollinger Bands扩大之时，便是市场开始开始单边趋势之时，或上涨，或下跌，总而言之市场已经开始变化，脱离了横盘抑或震荡的趋势；当Bollinger Bands缩小之时，市场从拉伸亦或是下跌中开始逐步走向平稳，开始横盘震荡的趋势。
在实际策略中可以考虑使用Bollinger Bands作为判断市场位置的指标之一，在Bollinger Bands开始扩大之时结合其他指标进行判断，可以对于横盘之后的市场方向有一个较为清晰明确的认识和判断。
很多人在交易的时候喜欢使用箱体来划分固定的压力支撑线，固然箱体有着成本和心理的双重意义可以作为买卖点存在，但是Bollinger Bands作为一个动态反映市场信息的指标，其揭示的买点与买点也是具有相当程度的意义的。
接下来给出Bollinger Bands的计算公式以及Python和大智慧的代码。
计算公式：
布林中线(Middle Line) = N日的移动平均线
布林上轨(Upper Line) = 布林中线 + N日的标准差
布林下轨(Lower Line) = 布林中线 - N里的标准差
本文采用了聚宽平台接口进行量化策略设置：
python 代码：
import jqdata
def initialize(context):
set_option('use_real_price', True)
set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
set_benchmark('000300.XSHG')
g.security = ['600036.XSHG']
g.N = 2
g.ma_days = 20
def handle_data(context, data):
for stock in g.security:
df = attribute_history(stock, g.ma_days)
middle = df['close'].mean()
upper = middle + g.N * df['close'].std()
lower = middle - g.N * df['close'].std()
p = get_current_data()[stock].day_open
# 如果价格突破阻力线
if p >= upper and stock in context.portfolio.positions:
order_target(stock, 0)
cash = context.portfolio.available_cash / len(g.security)
for stock in g.security:
df = attribute_history(stock, g.ma_days)
middle = df['close'].mean()
upper = middle + g.N * df['close'].std()
lower = middle - g.N * df['close'].std()
p = get_current_data()[stock].day_open
# 如果价格跌破支撑线
if p <= lower and stock not in context.portfolio.positions:
order_target(stock, cash)
效果图
