如何用 Python 计算 BBI 多空指标？（多周期均线的多空分界线）

Q: BBI 和单看均线有什么优势？

BBI 把多条周期均线合成一条，既有短均线的灵敏、又有长均线的稳健，判断多空格局更省事、更少噪音。

Q: 默认参数 3/6/12/24 能改吗？

能。想更灵敏可用更短的组合，想更稳健可拉长。默认 3/6/12/24 是通用设置，先用它。

Q: 为什么前面几十行是 NaN？

24 日均线需要 24 根数据预热，序列头部为 NaN 属正常，取足够长样本即可。

Q: 需要付费吗？

单只历史日线有免费额度；全市场批量筛 BBI（`klines.batch` + `universes`）需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

分析与指标 · 代码验证于 2026-09-25

如何用 Python 计算 BBI 多空指标？

一句话回答： BBI（Bull and Bear Index，多空指标）是 3、6、12、24 日四条简单均线的平均值：BBI = (MA3 + MA6 + MA12 + MA24) / 4，用一条线同时兼顾短、中期均线，价格在 BBI 之上视为多头、之下视为空头。用 AlphaFeed 取回前复权日线后，几行 pandas 就能算出 BBI，完全不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

看均线时同时挂 5/10/20/60 太乱，判断多空要来回比对多条线。BBI 的思路是把几条不同周期均线平均成一条，兼顾灵敏与稳健，得到一条清爽的「多空分界线」：站上就是多头格局，跌破就是空头格局。坑在于要用前复权价，否则除权跳空让均线失真。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

df = af.klines.get("600519.SH", period="1d", count=250,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

BBI 由多条均线构成，务必用 adjust="forward"（前复权），避免除权断层。

第 2 步：计算 BBI

def bbi(close: pd.Series, windows=(3, 6, 12, 24)) -> pd.Series:
    mas = [close.rolling(w).mean() for w in windows]
    return sum(mas) / len(mas)

df["BBI"] = bbi(df["close"])
df["pos"] = (df["close"] > df["BBI"]).map({True: "多头", False: "空头"})
print(df[["trade_date", "close", "BBI", "pos"]].tail(5).to_string(index=False))

参数与含义：

参数/字段	含义	常用值
`windows`	四条均线周期	(3, 6, 12, 24)
`BBI`	四条均线的平均	多空分界线
收盘 > BBI	多头格局	偏多
收盘 < BBI	空头格局	偏空

第 3 步：识别多空穿越（金叉/死叉分界线）

df["cross"] = df["pos"].ne(df["pos"].shift())
sig = df[df["cross"] & df.index.to_series().gt(0)]
print(sig[["trade_date", "close", "BBI", "pos"]].tail(5).to_string(index=False))
# pos 由"空头"变"多头" = 站上 BBI（偏多信号）；反之跌破 BBI（偏空信号）

第 4 步：全市场筛「站上 BBI」的多头股

codes = ["600519.SH", "000001.SZ", "601318.SH", "000858.SZ", "300750.SZ"]
data = af.klines.batch(codes, period="1d", count=60,
                       adjust="forward", to_dataframe=True)  # dict{symbol: DataFrame}

bull = []
for sym, k in data.items():
    k = k.sort_values("trade_date")
    b = bbi(k["close"])
    if k["close"].iloc[-1] > b.iloc[-1]:
        bull.append(sym)
print("站上 BBI（多头格局）:", bull)

关键坑与注意事项

必须用前复权价：除权跳空会让四条均线与 BBI 失真。
BBI 是格局线不是精确买卖点：站上/跌破反映多空格局，具体择时需配合量能、其它指标。
震荡市易反复穿越：横盘时价格反复上下穿 BBI，会产生较多假信号，可加趋势过滤（如 ADX）。
头部数据为 NaN：最长的 24 日均线需要预热期，count 建议 ≥ 30 以上，忽略序列最前面若干根。
参数可调：短线可缩短为 (3,6,9,18) 等，但改参数后与通用 BBI 数值不同，跨平台对比先统一。
权重相等：BBI 对四条均线等权平均，短周期占比其实更高（因为短均线波动大），理解这点有助于判断灵敏度。

常见问题（FAQ）

Q：BBI 和单看均线有什么优势？ A：BBI 把多条周期均线合成一条，既有短均线的灵敏、又有长均线的稳健，判断多空格局更省事、更少噪音。

Q：默认参数 3/6/12/24 能改吗？ A：能。想更灵敏可用更短的组合，想更稳健可拉长。默认 3/6/12/24 是通用设置，先用它。

Q：为什么前面几十行是 NaN？ A：24 日均线需要 24 根数据预热，序列头部为 NaN 属正常，取足够长样本即可。

Q：需要付费吗？ A：单只历史日线有免费额度；全市场批量筛 BBI（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

BBI 多空指标的本质是「多条周期均线的平均分界线」，用一条线判断多空格局。实现只需 pandas 的 rolling 求四条均线再平均，不依赖 TA-Lib。关键是用前复权价、把它当格局线而非精确买卖点。用 AlphaFeed 取回前复权日线，从单股多空判断到全市场多头筛选都能几行搞定。