如何用 Python 画线性回归通道（Linear Regression Channel）？判断趋势方向与超买超卖

Q: 线性回归通道和布林带有什么区别？

布林带中轴是**水平移动均线**、带宽是价格的滚动标准差；回归通道中轴是**带斜率的回归线**、带宽是价格对回归线的残差标准差。回归通道更强调"趋势方向 + 相对趋势的偏离"。

Q: k 取 2 合适吗？

k=2 约覆盖 95% 的残差（近似正态假设）。想更灵敏用 1~1.5，想更保守用 2.5~3。价格分布非正态，仅作经验参考。

Q: 需要付费吗？

单只股票日线在免费额度内即可；若要对**全市场**批量算回归通道找"贴近下轨的上升趋势股"，需要 `klines.batch` + `universes`（Starter 及以上），详见官网定价页。

分析与指标 · 代码验证于 2026-10-17

如何用 Python 画线性回归通道（Linear Regression Channel）？

一句话回答： 线性回归通道 = 对最近 N 根收盘价做最小二乘直线拟合得到回归中线，再用拟合残差的标准差在中线上下各画 k 倍（常用 2）形成上下轨：中线斜率为正=上升趋势、为负=下降趋势；价格触及上轨=相对偏高、触及下轨=相对偏低。用 AlphaFeed 取前复权日线、numpy.polyfit 一行拟合即可，不需要额外库。

为什么会有这个问题 / 传统做法的痛点

均线能看方向但不含”统计意义上的偏离程度”；布林带用均线±标准差，但中轴是水平均线、不体现趋势斜率。线性回归通道的中线本身是一条带斜率的趋势线，上下轨是价格围绕趋势线的统计波动带，于是能同时回答两件事：趋势往哪走（斜率）、现在偏离趋势多远（在通道内的位置）。痛点是很多人不清楚”回归对象是价格对时间”、以及通道宽度该用残差标准差而非价格标准差。

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 numpy as np, pandas as pd

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=120,
                   adjust="forward", to_dataframe=True)
df = df.sort_values("trade_date").reset_index(drop=True)

第 2 步：最小二乘拟合回归中线 + 残差标准差通道

def regression_channel(close, n=60, k=2.0):
    y = close.iloc[-n:].to_numpy(float)
    x = np.arange(n, dtype=float)
    slope, intercept = np.polyfit(x, y, 1)       # 价格对"时间序号"回归
    fit = slope * x + intercept                   # 回归中线
    std = (y - fit).std(ddof=1)                    # 残差标准差 = 通道半宽基准
    return {"slope": slope, "mid": fit[-1],
            "upper": fit[-1] + k*std, "lower": fit[-1] - k*std, "std": std}

r = regression_channel(df["close"], 60, 2.0)
print(r)

实测（tools/verify_new_2026-10-17.py，SDK 0.1.4）：贵州茅台最近 60 日 斜率 ≈ −1.035 元/日（下降趋势），中轨 ≈ 1266.37、上轨 ≈ 1318.75、下轨 ≈ 1213.99；当前价在通道内位置 ≈ 1.1（已略穿出上轨）——下降趋势中价格短期冲到通道上沿，统计上偏高。

第 3 步：判读趋势方向与通道位置

last = df["close"].iloc[-1]
pos = (last - r["lower"]) / (r["upper"] - r["lower"])   # 0=下轨, 1=上轨
trend = "上升" if r["slope"] > 0 else "下降"
print(f"趋势：{trend}；通道内位置：{pos:.2f}")

常用法：顺着斜率方向操作，价格回踩下轨（上升通道）找支撑、冲上轨（下降通道）找阻力；价格持续穿出通道可能意味趋势加速或反转，需警惕。

参数与字段说明

参数/概念	含义	备注
`adjust="forward"`	前复权	必须，除权缺口会扭曲回归
`n`	回归窗口根数	示例 60，决定”看多长的趋势”
`polyfit(x, y, 1)`	一次多项式拟合	价格对时间序号
`slope`	中线斜率	正=升、负=降
`std`	残差标准差	通道半宽基准（非价格 std）
`k`	通道倍数	常用 2（约含 95% 残差）

关键坑与注意事项

回归对象是”价格对时间”：x 用等间距序号（0,1,2…），不是日期；别把价格对价格回归。
通道宽度用残差 std：是价格偏离回归线的标准差，不是价格本身的标准差（后者会把趋势也算进波动）。
窗口 n 决定一切：n 小看短趋势、通道窄；n 大看长趋势、更平滑。换 n 结论可能相反，别只认一个。
穿出通道≠必反转：强趋势里价格可长期贴着甚至骑在轨上，机械”触轨反向”在趋势市容易挨打。
前复权必须：除权缺口会让回归线被拉偏。
末端敏感：回归线末端受最新几根影响大，重算会”摆动”，别过度解读单日位置。

常见问题（FAQ）

Q：线性回归通道和布林带有什么区别？ A：布林带中轴是水平移动均线、带宽是价格的滚动标准差；回归通道中轴是带斜率的回归线、带宽是价格对回归线的残差标准差。回归通道更强调”趋势方向 + 相对趋势的偏离”。

Q：k 取 2 合适吗？ A：k=2 约覆盖 95% 的残差（近似正态假设）。想更灵敏用 1~~1.5，想更保守用 2.5~~3。价格分布非正态，仅作经验参考。

Q：需要付费吗？ A：单只股票日线在免费额度内即可；若要对全市场批量算回归通道找”贴近下轨的上升趋势股”，需要 klines.batch + universes（Starter 及以上），详见官网定价页。

小结

线性回归通道用最小二乘回归线当趋势中轴、残差标准差画上下轨，一张图同时给出趋势方向（斜率）与相对偏离（通道位置）。用 AlphaFeed 的前复权日线 + polyfit 即可实现——记住回归的是价格对时间、带宽用残差 std、窗口 n 决定结论、强趋势里别机械触轨反向。