如何用 Python 计算BRAR 情绪指标（AR/BR）？

一句话回答： BRAR 由 AR（人气指标） 和 BR（意愿指标） 两条线组成：AR 用「最高价−开盘」与「开盘−最低价」的强弱比衡量当日多空人气；BR 用「最高价−昨收」与「昨收−最低价」衡量相对昨收的买卖意愿。用 AlphaFeed 取回前复权日线后，几行 pandas 就能算出 AR、BR，判断情绪过热或低迷，不需要 TA-Lib。

为什么会有这个问题 / 传统做法的痛点

价格指标看趋势，但看不出「情绪」。BRAR 从每日 K 线的开高低收结构里提取买卖意愿：AR 反映以开盘价为基准的多空争夺，BR 反映以昨收为基准的追涨杀跌意愿。坑在于：一是要用前复权价，否则除权日结构失真；二是 AR/BR 有各自的经验区间，需要成对看、看背离，而不是单看一条。

分步骤解决（每步配可运行代码）

第 1 步：取前复权日线

python 复制代码

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)

BRAR 依赖开高低收结构，务必用 adjust="forward"（前复权），避免除权跳空。

第 2 步：计算 AR 与 BR

python 复制代码

def brar(df: pd.DataFrame, n: int = 26):
    high, low, open_, close = df["high"], df["low"], df["open"], df["close"]
    prev_close = close.shift(1)
    # AR：以开盘价为基准的人气
    ar = (high - open_).rolling(n).sum() / (open_ - low).rolling(n).sum() * 100
    # BR：以昨收为基准的意愿（负值截断为 0）
    up = (high - prev_close).clip(lower=0)
    dn = (prev_close - low).clip(lower=0)
    br = up.rolling(n).sum() / dn.rolling(n).sum() * 100
    return ar, br

df["AR"], df["BR"] = brar(df, n=26)
print(df[["trade_date", "close", "AR", "BR"]].tail(5).to_string(index=False))

参数与含义：

字段	公式要点	解读
`n`	统计周期	常用 26
`AR`	Σ(高−开) ÷ Σ(开−低) ×100	人气：高=活跃/过热
`BR`	Σ(高−昨收)⁺ ÷ Σ(昨收−低)⁺ ×100	意愿：追涨杀跌强弱

第 3 步：经验区间与信号

python 复制代码

ar, br = df["AR"].iloc[-1], df["BR"].iloc[-1]
def ar_state(x):
    if x >= 180: return "AR 过热（警惕回落）"
    if x <= 50:  return "AR 低迷（可能筑底）"
    return "AR 正常"
print(f"AR={ar:.0f} → {ar_state(ar)} | BR={br:.0f}")
# 经验：BR 高于 AR 且 BR 快速冲高常见于情绪亢奋；BR 低于 100 且低于 AR 常见于低迷

AR/BR 经验区间（参考，因品种而异）：

指标	低迷	正常	过热
AR	< 50	80~150	> 180
BR	< 50	70~150	> 300

第 4 步：批量筛「AR 低位」候选

python 复制代码

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)
low_ar = []
for sym, k in data.items():
    k = k.sort_values("trade_date")
    ar, br = brar(k)
    if pd.notna(ar.iloc[-1]) and ar.iloc[-1] <= 70:
        low_ar.append((sym, round(float(ar.iloc[-1]), 0)))
print("AR 低位候选:", low_ar)

关键坑与注意事项

必须用前复权价：除权日开高低收结构错位会让 AR/BR 失真。
AR、BR 要成对看：单看一条意义有限；常看二者的相对高低与背离（如 BR 远高于 AR）。
BR 计算要截断负值 ：(high−prev_close) 和 (prev_close−low) 取非负部分再求和，别直接相减。
阈值是经验值：不同市场阶段/品种区间不同，作相对参考而非绝对买卖点。
除以零风险：区间内分母趋近 0（如持续一字板）会让指标异常，需处理异常值。
样本足够 ：n=26 需预热，count 建议 ≥ 40，忽略头部 NaN。

常见问题（FAQ）

Q：AR 和 BR 有什么区别？

A：AR 以当日开盘价 为基准衡量人气；BR 以昨日收盘价为基准衡量意愿。AR 看盘中多空争夺，BR 看相对昨收的追涨杀跌。

Q：BR 为什么要对负值截断？

A：BR 只累计「高于昨收的强度」和「低于昨收的弱度」，所以 (high−prev_close) 与 (prev_close−low) 取非负部分，避免负值互相抵消。

Q：默认周期用多少？

A：常用 26。周期越短越灵敏。先用 26 观察 AR/BR 的相对关系。

Q：需要付费吗？

A：单只历史日线有免费额度；全市场批量算 BRAR（klines.batch + universes）需 Starter 及以上。详见定价页。

小结

BRAR 情绪指标的本质是从每日 K 线结构里提取买卖意愿：AR 以开盘为基准看人气、BR 以昨收为基准看意愿。实现只需 pandas，不依赖 TA-Lib。关键是用前复权价、BR 负值截断、成对看 AR/BR 及其背离、把阈值当相对参考。用 AlphaFeed 取回前复权日线，几行就能算出 AR/BR 并做全市场筛选。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart
AlphaFeed 官网：https://alphafeed.org/