交易新利器：STC+波动率高斯带策略深度揭秘今天，我将详细介绍一种结合了STC（Schaff Trend Cycle，沙

今天，我将详细介绍一种结合了STC（Schaff Trend Cycle，沙夫趋势周期）和波动率高斯带的交易策略——STC+波动率高斯带策略。这种策略通过趋势识别和波动性分析，帮助交易员在比特币的剧烈价格波动中确定买入和卖出点。

1. 策略原理

1.1 STC指标

STC指标是一种基于周期和趋势的振荡指标，由Doug Schaff开发，旨在识别市场趋势的方向和转折点。它结合了MACD（移动平均线收敛-发散指标）的平滑特性与随机指标（Stochastic Oscillator）的周期性，能够更早地捕捉趋势变化。STC的值通常在0到100之间：

• 高于80：表示超买，可能预示价格回调。
• 低于20：表示超卖，可能预示价格反弹。

1.2 波动率高斯带

波动率高斯带是以价格的移动平均线为中心，结合波动率（标准差）构建的动态通道。与布林带类似，但波动率高斯带更强调正态分布假设下的价格波动范围：

• 上轨：移动平均线 + k × 标准差
• 下轨：移动平均线 - k × 标准差其中，k是一个可调参数，通常设为1.5或2，标准差反映了价格的波动性。

1.3 STC+波动率高斯带的结合

单独使用STC可能导致过于频繁的信号，而单独使用波动率高斯带可能错过趋势性机会。结合两者，我们可以通过以下方式优化：

• 用STC判断趋势方向和超买/超卖状态。
• 用波动率高斯带确认价格是否突破关键支撑或阻力，作为入场或离场的过滤条件。

2. 买入和卖出点的确定方法

2.1 买入信号

• STC条件：STC从20以下向上突破20，表明市场从超卖状态转为潜在上升趋势。
• 波动率高斯带条件：价格接近或跌破下轨（例如，移动平均线 - 2 × 标准差），表明价格可能被低估。
• 综合逻辑：当STC发出买入信号且价格靠近下轨时，认为这是一个低风险的买入点。

2.2 卖出信号

• STC条件：STC从80以上向下突破80，表明市场从超买状态转为潜在下跌趋势。
• 波动率高斯带条件：价格接近或突破上轨（例如，移动平均线 + 2 × 标准差），表明价格可能被高估。
• 综合逻辑：当STC发出卖出信号且价格靠近上轨时，认为这是一个合适的卖出点。

2.3 风险管理

• 设置止损：买入后若价格继续跌破下轨一定幅度（如5%），止损离场；卖出后若价格继续突破上轨一定幅度，止损离场。
• 时间过滤：避免在重大新闻事件或低流动性时段交易。

3. 编程实现

3.1 python实现

import ccxt
import pandas as pd
import numpy as np
import plotly.graph_objects as go
from datetime import datetime

class STCVolatilityStrategy:
    def __init__(self, exchange='binance', symbol='BTC/USDT', timeframe='1h', limit=500, ma_period=20, std_dev_factor=2):
        """初始化参数"""
        self.exchange = getattr(ccxt, exchange)()
        self.symbol = symbol
        self.timeframe = timeframe
        self.limit = limit
        self.ma_period = ma_period
        self.std_dev_factor = std_dev_factor
        self.data = None

    def fetch_data(self):
        """获取OHLCV数据"""
        ohlcv = self.exchange.fetch_ohlcv(self.symbol, self.timeframe, limit=self.limit)
        self.data = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
        self.data['timestamp'] = pd.to_datetime(self.data['timestamp'], unit='ms')
        self.data.set_index('timestamp', inplace=True)

    def calculate_stc(self, fast_period=23, slow_period=50, cycle_period=10):
        """计算STC指标"""
        # 计算MACD
        ema_fast = self.data['close'].ewm(span=fast_period, adjust=False).mean()
        ema_slow = self.data['close'].ewm(span=slow_period, adjust=False).mean()
        macd = ema_fast - ema_slow
        
        # 计算随机指标的平滑版本
        macd_min = macd.rolling(window=cycle_period).min()
        macd_max = macd.rolling(window=cycle_period).max()
        stoch = 100 * (macd - macd_min) / (macd_max - macd_min)
        
        # 平滑得到STC
        self.data['STC'] = stoch.ewm(span=cycle_period, adjust=False).mean()

    def calculate_volatility_bands(self):
        """计算波动率高斯带"""
        self.data['MA'] = self.data['close'].rolling(window=self.ma_period).mean()
        self.data['STD'] = self.data['close'].rolling(window=self.ma_period).std()
        self.data['UpperBand'] = self.data['MA'] + self.std_dev_factor * self.data['STD']
        self.data['LowerBand'] = self.data['MA'] - self.std_dev_factor * self.data['STD']

    def generate_signals(self):
        """生成交易信号"""
        self.data['Signal'] = 0
        # 买入信号：STC从20以下上穿20且价格靠近下轨
        buy_condition = (self.data['STC'].shift(1) < 20) & (self.data['STC'] >= 20) & \
                        (self.data['close'] <= self.data['LowerBand'])
        # 卖出信号：STC从80以上下穿80且价格靠近上轨
        sell_condition = (self.data['STC'].shift(1) > 80) & (self.data['STC'] <= 80) & \
                         (self.data['close'] >= self.data['UpperBand'])
        
        self.data.loc[buy_condition, 'Signal'] = 1  # 买入
        self.data.loc[sell_condition, 'Signal'] = -1  # 卖出

    def plot_results(self):
        """绘制结果"""
        fig = go.Figure()

        # 绘制K线图
        fig.add_trace(go.Candlestick(x=self.data.index,
                                     open=self.data['open'],
                                     high=self.data['high'],
                                     low=self.data['low'],
                                     close=self.data['close'],
                                     name='Candlestick'))

        # 绘制波动率高斯带
        fig.add_trace(go.Scatter(x=self.data.index, y=self.data['MA'], name='MA', line=dict(color='blue')))
        fig.add_trace(go.Scatter(x=self.data.index, y=self.data['UpperBand'], name='Upper Band', line=dict(color='red')))
        fig.add_trace(go.Scatter(x=self.data.index, y=self.data['LowerBand'], name='Lower Band', line=dict(color='green')))

        # 绘制交易信号
        buy_signals = self.data[self.data['Signal'] == 1]
        sell_signals = self.data[self.data['Signal'] == -1]
        fig.add_trace(go.Scatter(x=buy_signals.index, y=buy_signals['close'], mode='markers', name='Buy',
                                 marker=dict(symbol='triangle-up', size=10, color='green')))
        fig.add_trace(go.Scatter(x=sell_signals.index, y=sell_signals['close'], mode='markers', name='Sell',
                                 marker=dict(symbol='triangle-down', size=10, color='red')))

        # 布局设置
        fig.update_layout(title=f'{self.symbol} STC + Volatility Band Strategy',
                          yaxis_title='Price (USDT)',
                          xaxis_title='Time',
                          template='plotly_dark')
        fig.show()

    def run(self):
        """运行策略"""
        self.fetch_data()
        self.calculate_stc()
        self.calculate_volatility_bands()
        self.generate_signals()
        self.plot_results()

# 使用示例
if __name__ == "__main__":
    strategy = STCVolatilityStrategy()
    strategy.run()

3.2 运行结果

Pasted image 20250407164942.png

4. 代码说明

4.1 STCVolatilityStrategy类：

• init：初始化交易所、交易对、时间框架等参数。
• fetch_data：通过ccxt从Binance获取比特币OHLCV数据。
• calculate_stc：实现STC指标的计算，基于MACD和随机指标的平滑。
• calculate_volatility_bands：计算移动平均线和波动率高斯带。
• generate_signals：根据STC和波动率高斯带生成买入/卖出信号。
• plot_results：使用plotly绘制K线图、波动率高斯带和交易信号。
• run：整合所有步骤，运行策略。

4.2 依赖库：

• ccxt：获取实时行情数据。
• pandas：数据处理。
• numpy：数值计算。
• plotly：交互式图表绘制。

4.3 参数调整：

• 可通过调整ma_period（移动平均周期）、std_dev_factor（标准差倍数）、STC的fast_period和slow_period等参数，优化策略表现。

5. 策略优势与局限

5.1 优势

• 趋势与波动结合：STC捕捉趋势转折，波动率高斯带提供价格边界，双重确认减少假信号。
• 适应性强：适用于比特币等高波动性资产，可通过参数调整适应不同市场环境。
• 可视化支持：通过plotly直观展示信号，便于回测和优化。

5.2 局限

• 滞后性：STC和移动平均线均为滞后指标，可能错过快速反转。
• 假突破：高波动市场中，价格可能频繁突破高斯带，导致无效信号。
• 数据依赖：需要高质量的实时数据，API延迟可能影响效果。

6. 在tradingView设置

6.1 添加波动率高斯带指标

进入 Tradingview 平台，搜索 Volatility Gaussian Bands并将其添加到图表中。 Pasted image 20250407163906.png 注意：

• 作者：BigBeluga
• 参数：默认值即可。

6.2 添加 STC 指标

继续在指标菜单中搜索并添加“Schaff Trend Cycle”到图表中。 Pasted image 20250407164147.png 注意：

• 作者： everget
• 参数：默认值即可。

6.3 趋势判断与识别

6.3.1 买入信号

满足如下条件：

• 波动率高斯波段是上升趋势的信号。
• 图表上形成一根看涨蜡烛。
• 沙夫趋势周期（STC）高于 75，确认了看涨势头。
• 证实 STC 的交叉性。
• 在下一条支撑线或阻力线处离场。
• 根据你的风险回报率设置止损。

6.3.2 卖出信号

满足如下条件：

• 波动率高斯带预示下降趋势：高斯带预示看跌势头或价格压缩，可能导致下行。
• 看跌蜡烛形态：图表上出现看跌蜡烛，预示着潜在下降趋势的开始。
• 沙夫趋势周期（STC）跌破 25：STC 跌破 25，确认了看跌势头，并与下降趋势保持一致。
• 确认 STC 交叉：STC 在信号线下方交叉，巩固了看跌情绪。
• 触发卖出指令：一旦上述条件一致，且看跌势头得到确认，立即下达卖出指令。
• 退出策略：根据价格走势和整个市场环境，在下一个重要支撑位或阻力位平仓。

7. 总结

STC+波动率高斯带策略通过结合趋势指标和波动性分析，为比特币交易提供了一个系统化的方法。通过Python的模块化实现，交易员可以轻松获取数据、计算指标并可视化结果。

8. 联系方式

• Github: github.com/KandyYe

感谢你看到这里，如果觉得文章对你有所收获，请在文末为我点个【赞】+【关注】，或者【转发】给身边更多有需要的人看，你的点赞就是对我莫大的支持与动力!