スーパーボリンジャー(Super Bollinger)

 

概要
図1 スーパーボリンジャー

征木利彦氏が考案したテクニカル指標。ボリンジャーバンドを応用してアレンジを加えたものです。考案者の征木氏は自身が考案したもう一つの指標であるスパンモデルと組み合わせて使用することを推奨しています。

計算方法

スーパーボリンジャーはボリンジャーバンドに一目均衡表で使用している遅延スパンを追加した形です。ただし、日足の例でいうと中心線として使用されるSMAに標準のボリンジャーバンドでは20日のSMA(20)を使用しているのに対して、21日のSMA(21)を使用している点、一目近況表の遅延スパンに標準では26日を使用しているのに対してこちらも21日を使用している点、終値ではなく終値と高値、安値の平均をとったティピカルプライスを使用している点が異なります。

スーパーボリンジャーの例は図1のようになります。中心線の計算方法はSMAの項を、遅延スパンの計算方法は一目均衡表の項を参照してください。

Pythonによる実装

必要なライブラリを読み込みます

!pip install mpl_finance #Collaboratoryに入っていないライブラリを読み込みます
import matplotlib
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import pandas as pd
import mpl_finance
import sys
import numpy as np
from datetime import datetime
from matplotlib.offsetbox import OffsetImage, AnnotationBbox
import requests
import io

データをcsvファイルから読み込みます

#ファイルの読み込み
URL = "https://neulab.co.jp/wp-content/uploads/pseudo_data.csv" #csvファイルのURL

datafile = requests.get(URL)#ファイルの読み込み

#データフレームの作成
df_temp = pd.read_csv(io.BytesIO(datafile.content), header=0, index_col=0, parse_dates=True, encoding="UTF-8")

df = df_temp.loc[:,['Open','High','Low','Close']]
df.head()

スーパーボリンジャーを計算します(ボリンジャーバンドの中心線とバンド、一目均衡表の遅行スパンを計算)

df_tp = df.loc[:,['High', 'Low', 'Close']].mean(axis='columns')
df_tp_sma = df_tp.rolling(21).mean()
df_tp_std = df_tp.rolling(21).std()

df_onesigma_up = df_tp_sma + df_tp_std
df_twosigma_up = df_tp_sma + 2*df_tp_std
df_threesigma_up = df_tp_sma + 3*df_tp_std

df_onesigma_down = df_tp_sma - df_tp_std
df_twosigma_down = df_tp_sma - 2*df_tp_std
df_threesigma_down = df_tp_sma - 3*df_tp_std

df_chikouspan = df['Close'].shift(-20)

チャートへの描画と保存例です

canvas_color = '#fffafa'
line_color = '#c8ced1'
font_color = '#171510'
colorup = '#bf0000'
colordown = '#006fbf'

n_data = -100
data = df[n_data:]
ohlc = np.vstack((range(len(data)), data.T)).T

fig = plt.figure(figsize=(12, 16))
fig.patch.set_facecolor(canvas_color)

ax = fig.add_subplot(2, 1, 1)
ax.patch.set_facecolor(canvas_color)
mpl_finance.candlestick_ohlc(ax, ohlc, width=0.5, alpha=1, colorup=colorup, colordown=colordown)
ax.plot(range(len(data)), df_tp_sma.values[n_data:] , color='black', ls='-', label='SMA(21)')
ax.plot(range(len(data)), df_onesigma_up.values[n_data:] , color='darkgrey', ls='-', label='$\pm1\sigma$')
ax.plot(range(len(data)), df_twosigma_up.values[n_data:] , color='darkorange', ls='-', label='$\pm2\sigma$')
ax.plot(range(len(data)), df_onesigma_down.values[n_data:] , color='darkgrey', ls='-')
ax.plot(range(len(data)), df_twosigma_down.values[n_data:] , color='darkorange', ls='-')
ax.plot(range(len(data)), df_chikouspan.values[n_data:], color='magenta', label='Chikou-span')
ax.grid()

#ロゴ読み込み
logoURL = "https://neulab.co.jp/wp-content/uploads/logo.png" #ロゴファイルのURL
img_c = plt.imread(logoURL)
imagebox = OffsetImage(img_c, zoom=0.020) #画像をimageboxにいれる。
imagebox.image.axes = ax
im_sabo = AnnotationBbox(imagebox, (0, 9850), xybox=(0, 9950), xycoords="data", boxcoords="data", pad=0.3, frameon=False)

l1,l2 = ax.get_legend_handles_labels()
ax.legend(l1,l2, fontsize=14, edgecolor='none', facecolor=canvas_color)

ax.add_artist(im_sabo)
ax.set_ylabel("Price of Something", fontsize=22)
ax.set_ylim(9000., 10000.)
ax.yaxis.tick_right()
ax.yaxis.set_label_coords(0, 0.5)
ax.tick_params(labelsize=24, labelcolor=font_color, color=line_color)

ax.spines['left'].set_linewidth(0)
ax.spines['right'].set_linewidth(0)
ax.spines['top'].set_linewidth(0)
ax.spines['bottom'].set_linewidth(0)

xtick0 = 2
plt.xticks(range(xtick0,len(data),12), [x.strftime('%m/%d') for x in df_tp_sma.index][xtick0::12])

plt.subplots_adjust(left=0.03, right=0.92, bottom=0.1, top=0.99)
plt.grid(which='major',color=line_color,linestyle='-')
plt.grid(which='minor',color=line_color,linestyle='-')

ax.set_axisbelow(True)

plt.savefig('Sbollinger.png')

以上のコードをGoogle社の提供しているColaboratory上で公開しており、実際に動作させることができます。

リンクはこちら

スーパーボリンジャーの基本的な使い方

ボリンジャーバンドと同様に中心線とバンドを使用した予想の他、追加された遅行スパンを使用します。

図2 スーパーボリンジャーによる予想
注意点

通常のボリンジャーバンドと同様、トレンド転換のタイミングは他のテクニカル指標で見た方が、より予測が正確になります。考案者の征木氏はトレンド転換のタイミングはスパンモデルから読み取ることを推奨しています。


※このHPページで紹介しているテクニカル指標を使った取引ルールや売買シグナルの見方は一般的な考え方に基づくものであり、利益の増加や損失の減少を保証するものではありません。ご自身の判断にてお取引いただきますようお願いいたします。


現在、ニューラボでは人工知能による取引アルゴリズムを開発中です。11月にリリース予定。乞うご期待!
自動取引にご興味を持たれましたら お問い合わせページよりお気軽にお問合せください。