Momentum：BRAR（人气意愿指标）技术指标详解

Momentum：BRAR（人气意愿指标）技术指标详解

一、BRAR的定义

BRAR（又称人气意愿指标、情绪指标） 是由两个独立但紧密关联的技术指标------AR（人气指标）和BR（意愿指标）共同组成的分析工具。该指标源于日本，其设计思想蕴含东方"气"的哲学------"气极则衰，衰极则盛"，旨在通过衡量市场买卖双方的力量对比来预测股价的未来走势。

指标的核心构成

组成部分	全称	关注焦点	核心含义
AR	人气指标（Accessibility Ratio）	开盘价	反映市场买卖人气，衡量潜在动能
BR	意愿指标（Willingness Ratio）	前日收盘价	反映市场买卖意愿，衡量情绪温度

设计哲学：AR以开盘价为基点（经过一夜冷静思考后的共识价格），衡量日内向上推升所消耗的能量；BR则以前日收盘价为基准，通过当日价格波动反映市场情绪的狂热程度。

BR与AR的互补关系

• AR可单独使用：AR能够独立反映市场的人气强弱和潜在动能
• BR需与AR配合：BR必须与AR并用才能发挥效用，单独使用BR容易产生误判

二、BRAR的计算方法

1. 核心计算公式

AR（人气指标）计算公式

AR的核心逻辑是衡量开盘价在全天价格波动中的位置：

AR=∑i=1N(Hi−Oi)∑i=1N(Oi−Li)×100 \mathrm{AR} = \frac{\sum_{i=1}^N(H_i - O_i)}{\sum_{i=1}^N(O_i - L_i)} \times 100 AR=∑i=1N(Oi−Li)∑i=1N(Hi−Oi)×100

其中：

• HiH_iHi：第 iii 日的最高价
• LiL_iLi：第 iii 日的最低价
• OiO_iOi：第 iii 日的开盘价
• NNN：计算周期（默认26日）

BR（意愿指标）计算公式

BR的核心逻辑是衡量前日收盘价在当日价格波动中的位置：

BR=∑i=1N(Hi−Ci−1)∑i=1N(Ci−1−Li)×100 \mathrm{BR} = \frac{\sum_{i=1}^N(H_i - C_{i-1})}{\sum_{i=1}^N(C_{i-1} - L_i)} \times 100 BR=∑i=1N(Ci−1−Li)∑i=1N(Hi−Ci−1)×100

其中：

• HiH_iHi：第 iii 日的最高价
• LiL_iLi：第 iii 日的最低价
• Ci−1C_{i−1}Ci−1：前一日的收盘价
• NNN：计算周期（默认26日）

零值处理：当分子或分母中出现负值时，一律按0处理。

2. pandas_ta中的计算逻辑

根据pandas_ta官方文档，BRAR的具体实现步骤如下：

步骤一：计算AR的中间变量

HO_Diff=H−OOL_Diff=O−L \mathrm{HO\_Diff} = H − O \\ \mathrm{OL\_Diff} = O − L HO_Diff=H−OOL_Diff=O−L

步骤二：计算BR的中间变量（需处理负值归零）

HCY=H−CprevCYL=Cprev−LHCY=max⁡⁡(0,HCY)CYL=max⁡⁡(0,CYL) \begin{aligned} \mathrm{HCY} &= H − C_{prev} \\ \mathrm{CYL} &= C_{prev} − L \\ \mathrm{HCY} &= \max⁡(0, \mathrm{HCY}) \\ \mathrm{CYL} &= \max⁡(0, \mathrm{CYL}) \end{aligned} HCYCYLHCYCYL=H−Cprev=Cprev−L=max⁡(0,HCY)=max⁡(0,CYL)

步骤三：计算AR和BR

AR=100×∑(HO_Diff,N)∑(OL_Diff,N)BR=100×∑(HCY,N)∑(CYL,N) \begin{aligned} \mathrm{AR} &= 100 \times \frac{\sum(\mathrm{HO\_Diff},N)}{\sum(\mathrm{OL\_Diff},N)} \\1.5ex \mathrm{BR} &= 100 \times \frac{\sum(\mathrm{HCY},N)}{\sum(\mathrm{CYL},N)} \end{aligned} ARBR=100×∑(OL_Diff,N)∑(HO_Diff,N)=100×∑(CYL,N)∑(HCY,N)

3. 参数说明

参数	默认值	说明
length	26	计算周期（原始参数，可选13或52）
scalar	100	放大倍数，将结果转换为百分比形式
drift	1	价格变化的步长

三、BRAR的使用方法

1. 数值区间判断------最基础用法

BRAR以100为中心，数值大小反映多空强弱：

AR指标的应用法则：

AR数值区间	状态	操作建议
80 - 120	盘整行情	股价不会激烈波动，观望为主
120 - 150	人气活跃	行情活泼，可持股观察
150 - 180	能量消耗中	注意股价可能将进入回档
> 180	能量耗尽	股价已达到顶峰区域，应逢高卖出
60 - 80	人气衰减	能量正在积蓄
40 - 60	人气低迷	能量逐渐累积
< 40	能量已累积	股价已达低点，可考虑介入

BR指标的应用法则：

BR数值区间	对应情绪	操作建议
70 - 150	盘整行情	情绪均衡，观望为主
150 - 300	情绪升温	看涨情绪增强，可持股
300 - 400	情绪过热	行情可能过热，需注意回档
> 400	极度狂热	情绪已到顶峰，应反向卖出
50 - 70	情绪悲观	市场开始悲观
40 - 50	情绪低迷	悲观情绪加深
< 40	极度悲观	行情可能起死回生，是买入机会

关键洞察：BR值反映了市场情绪的温度------当BR=600时，相当于86人看好、14人看空。

2. AR与BR的交叉信号------买卖点判断

AR与BR的关系变化是BRAR指标最核心的交易信号：

信号类型	触发条件	含义	操作建议
金叉（买入）	AR上穿BR	人气开始超越意愿，多方力量增强	买入信号
死叉（卖出）	AR下穿BR	人气弱于意愿，空方力量增强	卖出信号
BR < AR 且 BR < 100	意愿低迷，人气尚可	超卖区域	可考虑逢低买进
BR由高档下降一半时	情绪大幅冷却	股价回档买进机会	成功率高达95%

3. AR与BR的同向/反向信号

同步信号------顶部警示：

信号特征	含义	操作
AR和BR同时急速上升	股价已近顶部	持股者应逢高卖出
BR急速上升，AR盘整或小回	情绪狂热但动能不足	应逢高出货

底部信号------买入机会：

信号特征	含义	操作
BR从150以上高点跌至50以下，且BR低于AR	情绪极度悲观，能量积蓄完毕	绝佳买点（狙击买点）
BR<AR且AR<50	超跌区域	买进信号

4. 背离信号------趋势反转预警

与其他技术指标一样，BRAR也会与价格形成背离：

背离类型	价格表现	BRAR表现	信号含义
顶背离	价格创出新高	BR/AR未能创出新高	上涨动能衰竭，卖出信号
底背离	价格创出新低	BR/AR未能创出新低	下跌动能减弱，买入信号

5. 多周期配合策略

BRAR默认参数为26日，但可根据需要进行调整：

周期参数	特点	适用场景
13日	更敏感，信号更多	短线操作
26日	标准配置	波段操作
52日	更平滑，信号更可靠	中长线趋势判断

6. 注意事项与局限性

使用BRAR前需了解以下要点：

局限性	说明
信号不够明确	BRAR指标的讯号不如其他指标明确，许多关键点依赖个人领悟
BR可能无限延伸	BR超过300后可能持续上升至500、700甚至1000，难以判断情绪顶峰
不能作为短线指标	BRAR是趋势指标，一般有效时间约15天，短线不具备直观参考性
不同市场阈值不同	各个市场的高档低档数据不尽相同，需根据个股历史表现设定
需配合CR使用	当BR超过300持续上升时，应改用CR指标

四、使用pandas_ta计算BRAR（附示例代码）

1. pandas_ta中的BRAR函数

pandas_ta库内置了BRAR指标的完整实现，函数位于momentum模块中。

2. 函数完整参数

pandas_ta.momentum.brar(open_, high, low, close, length=None, scalar=None, drift=None, offset=None, **kwargs)

参数详解：

参数	类型	默认值	说明
open_	pd.Series	必需	开盘价序列（注意下划线后缀）
high	pd.Series	必需	最高价序列
low	pd.Series	必需	最低价序列
close	pd.Series	必需	收盘价序列
length	int	26	计算周期
scalar	float	100	放大倍数
drift	int	1	价格变化的步长
offset	int	0	结果偏移周期数

返回值 ：pd.DataFrame，包含两列：AR和BR。

3. 示例代码

import pandas as pd
import pandas_ta as ta
import numpy as np
import matplotlib.pyplot as plt

# ========== 第一步：准备数据 ==========
np.random.seed(42)
dates = pd.date_range(start='2024-01-01', end='2024-12-31', freq='D')
n = len(dates)

# 生成带趋势和波动的价格序列
trend = np.linspace(0, 30, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 12
noise = np.random.randn(n) * 2
base_price = 100 + trend + cycle + noise

df = pd.DataFrame(index=dates)
df['close'] = base_price
df['open'] = df['close'] + np.random.randn(n) * 1.5
df['high'] = df[['open', 'close']].max(axis=1) + np.abs(np.random.randn(n)) * 2 + 1
df['low'] = df[['open', 'close']].min(axis=1) - np.abs(np.random.randn(n)) * 2 - 1
df['volume'] = np.random.randint(1000000, 10000000, n)

print("=" * 60)
print("数据预览：")
print(df.head())
print("\n" + "=" * 60 + "\n")

# ========== 第二步：计算BRAR（基础用法） ==========
# 使用默认参数 length=26
brar_result = ta.brar(df['open'], df['high'], df['low'], df['close'])

# 将计算结果添加到DataFrame
df['AR'] = brar_result['AR']
df['BR'] = brar_result['BR']

print("BRAR计算结果（最近10行）：")
print(df[['close', 'AR', 'BR']].tail(10))
print("\n" + "=" * 60 + "\n")

# ========== 第三步：手动验证BR计算 ==========
# 手动计算验证BR公式的正确性
df['HCY'] = df['high'] - df['close'].shift(1)  # H - 前日收盘
df['CYL'] = df['close'].shift(1) - df['low']   # 前日收盘 - L
df['HCY'] = df['HCY'].clip(lower=0)            # 负数归零
df['CYL'] = df['CYL'].clip(lower=0)            # 负数归零

# 计算26日总和
df['sum_HCY'] = df['HCY'].rolling(window=26).sum()
df['sum_CYL'] = df['CYL'].rolling(window=26).sum()
df['BR_manual'] = 100 * df['sum_HCY'] / df['sum_CYL']

# 验证一致性
diff = (df['BR'] - df['BR_manual']).abs().max()
print(f"pandas_ta与手动计算BR的最大差异：{diff:.10f}")
print("\n" + "=" * 60 + "\n")

# ========== 第四步：自定义参数 ==========
# 使用13周期（短线）
df['AR_13'] = ta.brar(df['open'], df['high'], df['low'], df['close'], length=13)['AR']
df['BR_13'] = ta.brar(df['open'], df['high'], df['low'], df['close'], length=13)['BR']

# 使用52周期（长线）
df['AR_52'] = ta.brar(df['open'], df['high'], df['low'], df['close'], length=52)['AR']
df['BR_52'] = ta.brar(df['open'], df['high'], df['low'], df['close'], length=52)['BR']

print("不同周期AR/BR对比（最近5行）：")
print(df[['close', 'AR', 'AR_13', 'AR_52', 'BR', 'BR_13', 'BR_52']].tail())
print("\n" + "=" * 60 + "\n")

# ========== 第五步：生成买卖信号 ==========
# 定义信号条件
AR_OVERBOUGHT = 180
AR_OVERSOLD = 40
BR_OVERBOUGHT = 400
BR_OVERSOLD = 40

# 超买超卖信号
df['ar_signal'] = ''
df.loc[df['AR'] > AR_OVERBOUGHT, 'ar_signal'] = 'AR超买（卖出）'
df.loc[df['AR'] < AR_OVERSOLD, 'ar_signal'] = 'AR超卖（买入）'

df['br_signal'] = ''
df.loc[df['BR'] > BR_OVERBOUGHT, 'br_signal'] = 'BR超买（卖出）'
df.loc[df['BR'] < BR_OVERSOLD, 'br_signal'] = 'BR超卖（买入）'

# 金叉死叉信号
df['cross_above'] = (df['AR'] > df['BR']) & (df['AR'].shift(1) <= df['BR'].shift(1))
df['cross_below'] = (df['AR'] < df['BR']) & (df['AR'].shift(1) >= df['BR'].shift(1))

df['trade_signal'] = ''
df.loc[df['cross_above'], 'trade_signal'] = '金叉（买入信号）'
df.loc[df['cross_below'], 'trade_signal'] = '死叉（卖出信号）'

# BR<AR且BR<100的超卖组合信号
df['oversold_signal'] = (df['BR'] < df['AR']) & (df['BR'] < 100)

print("超买超卖信号统计：")
print(f"AR超买信号数量：{(df['AR'] > AR_OVERBOUGHT).sum()}")
print(f"AR超卖信号数量：{(df['AR'] < AR_OVERSOLD).sum()}")
print(f"BR超买信号数量：{(df['BR'] > BR_OVERBOUGHT).sum()}")
print(f"BR超卖信号数量：{(df['BR'] < BR_OVERSOLD).sum()}")

print("\n金叉死叉信号（最近10个）：")
cross_signals = df[df['trade_signal'] != ''].tail(10)
if not cross_signals.empty:
    print(cross_signals[['close', 'AR', 'BR', 'trade_signal']])
else:
    print("近期无金叉死叉信号")

print("\nBR<AR且BR<100的超卖组合信号统计：")
print(f"信号数量：{df['oversold_signal'].sum()}")
print("\n" + "=" * 60 + "\n")

# ========== 第六步：BRAR与价格背离检测（简化版） ==========
# 计算20日价格变化和BR变化
df['price_change_20d'] = df['close'].diff(20)
df['br_change_20d'] = df['BR'].diff(20)

# 检测潜在背离
df['potential_bearish_div'] = (df['price_change_20d'] > 0) & (df['br_change_20d'] < 0)
df['potential_bullish_div'] = (df['price_change_20d'] < 0) & (df['br_change_20d'] > 0)

print("潜在背离信号统计（20日尺度）：")
print(f"潜在顶背离（价格涨BR跌）数量：{df['potential_bearish_div'].sum()}")
print(f"潜在底背离（价格跌BR涨）数量：{df['potential_bullish_div'].sum()}")
print("注：完整背离需结合局部高/低点分析，此处为方向对比")
print("\n" + "=" * 60 + "\n")

# ========== 第七步：策略回测（金叉死叉策略） ==========
# 策略：金叉时买入，死叉时卖出
df['position'] = 0
in_position = False

for i in range(1, len(df)):
    if not in_position and df['cross_above'].iloc[i]:
        df.loc[df.index[i], 'position'] = 1
        in_position = True
    elif in_position and df['cross_below'].iloc[i]:
        df.loc[df.index[i], 'position'] = 0
        in_position = False
    else:
        df.loc[df.index[i], 'position'] = df['position'].iloc[i-1]

# 计算收益
df['returns'] = df['close'].pct_change()
df['strategy_returns'] = df['position'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() - 1
total_return_strategy = (1 + df['strategy_returns']).prod() - 1

print("=" * 60)
print("策略绩效统计（BRAR金叉死叉策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"BRAR金叉死叉策略总收益率：{total_return_strategy:.2%}")
print("\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\n")

# ========== 第八步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格走势
plt.subplot(2, 1, 1)
plt.plot(df.index[-150:], df['close'][-150:], label='Close Price', 
         linewidth=1.5, color='black')
plt.title('Price Chart (Last 150 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：BRAR指标
plt.subplot(2, 1, 2)
plt.plot(df.index[-150:], df['AR'][-150:], label='AR (人气指标)', 
         linewidth=1.5, color='blue')
plt.plot(df.index[-150:], df['BR'][-150:], label='BR (意愿指标)', 
         linewidth=1.5, color='red')

# 参考水平线
plt.axhline(y=100, color='gray', linestyle='-', linewidth=0.8, alpha=0.7, label='平衡线(100)')
plt.axhline(y=180, color='orange', linestyle='--', linewidth=0.8, label='AR超买线(180)')
plt.axhline(y=40, color='green', linestyle='--', linewidth=0.8, label='AR超卖线(40)')
plt.axhline(y=400, color='darkred', linestyle='--', linewidth=0.8, label='BR超买线(400)')
plt.axhline(y=40, color='darkgreen', linestyle='--', linewidth=0.8)

# 标记金叉死叉
golden_cross = df[df['cross_above']]
death_cross = df[df['cross_below']]

plt.scatter(golden_cross.index[-20:], golden_cross['AR'][-20:], 
            color='green', marker='^', s=80, label='金叉（买入）', alpha=0.8)
plt.scatter(death_cross.index[-20:], death_cross['AR'][-20:], 
            color='red', marker='v', s=80, label='死叉（卖出）', alpha=0.8)

plt.title('BRAR (人气意愿指标) - AR/BR Curves', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# ========== 第九步：不同周期BRAR对比 ==========
plt.figure(figsize=(14, 6))
plt.plot(df.index[-150:], df['BR'][-150:], label='BR (26日)', linewidth=1.5, color='red')
plt.plot(df.index[-150:], df['BR_13'][-150:], label='BR (13日) - 短线', linewidth=1, alpha=0.7)
plt.plot(df.index[-150:], df['BR_52'][-150:], label='BR (52日) - 长线', linewidth=1.5, color='purple')
plt.axhline(y=100, color='gray', linestyle='-', linewidth=0.8)
plt.axhline(y=400, color='darkred', linestyle='--', linewidth=0.8)
plt.title('BR: Different Periods Comparison (13, 26, 52)', fontsize=14)
plt.xlabel('Date')
plt.ylabel('BR Value')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# ========== 第十步：数据清洗提示 ==========
nan_count = df['AR'].isna().sum()
print(f"\nBRAR初始NaN数量：{nan_count}")
print("原因：BRAR需要至少length个周期的数据才能开始计算")
print("处理建议：df_clean = df.iloc[26:].copy()")

4. 关键注意事项

参数名称注意 ：

由于open是Python的内置函数，pandas_ta使用open_作为参数名称：

# 正确用法
df['AR'], df['BR'] = ta.brar(df['open'], df['high'], df['low'], df['close'])

# 注意：参数名是open_（带下划线），但传入时用df['open']

负值归零处理 ：

BR计算中的HCY和CYL如果为负值，需要归零处理，pandas_ta内部已自动完成：

# pandas_ta内部逻辑等价于
HCY = max(0, H - prev_close)
CYL = max(0, prev_close - L)

返回值解包：

# BRAR返回DataFrame包含AR和BR两列
result = ta.brar(df['open'], df['high'], df['low'], df['close'])

# 方法1：按列名提取
df['AR'] = result['AR']
df['BR'] = result['BR']

# 方法2：按索引提取
df['AR'] = result.iloc[:, 0]
df['BR'] = result.iloc[:, 1]

五、总结

BRAR（人气意愿指标）是一种融合东方"气"哲学思想的技术分析工具，其核心价值与定位如下：

维度	特点
核心思想	气极则衰，衰极则盛------物极必反的市场哲学
两大组成部分	AR（人气指标）+ BR（意愿指标）
核心功能	衡量多空力量对比、识别高低价位圈
最佳应用场景	中短期趋势判断、局部底部捕捉、反弹操作
主要局限	信号不够明确、BR可能无限延伸、不能用于短线

实战使用三原则：

1. AR看能量，BR看情绪：AR关注开盘价推算潜在动能，BR关注前日收盘价推算情绪温度，两者结合形成完整判断
2. 交叉信号优先：AR与BR的金叉死叉是BRAR最核心的交易信号，比单独的超买超卖判断更可靠
3. 等待狙击买点：当BR从150以上跌至50以下且BR<AR时，是罕见的绝佳买点（狙击点），应果断介入

最后提醒：BRAR的最大价值在于其"物极必反"的哲学思想------当情绪达到极端时，反转往往就在眼前。然而，由于BR可能无限延伸（如从300升至1000），在极度狂热时需改用CR指标。BRAR的核心应用是捕捉局部底部做反弹，而非用于短线日内交易。