为TradingView编写的ATR通道突破策略

趋势跟踪可以是一种盈利能力极强的交易方法，但这种方法的执行难度也相当高：其胜率通常很低，且回撤幅度巨大。接下来，让我们一同了解并衡量一种经典的趋势跟踪策略在TradingView平台上的具体表现。

ATR通道突破策略：源自海龟交易法则的趋势跟踪

在《海龟交易法则》（Way of the Turtle）一书中，作者柯蒂斯·费思（Curtis Faith）分享了他作为第一代海龟成员所学到的宝贵经验。在二十世纪八十年代，名噪一时的海龟们是一群由传奇交易员理查德·丹尼斯亲自挑选并训练的普通人。丹尼斯向他们传授了两种盈利丰厚的趋势跟踪策略，并在他们完成训练后，给予每人高达200万美元的真实账户进行交易。在作为海龟的几年里，费思本人为丹尼斯创造了超过3000万美元的利润。

海龟们是坚定的趋势跟踪者。趋势跟踪的核心，是试图从持续数月的大级别价格波段中获利。他们在市场创下历史新高时买入，在价格暴跌时做空。这种方法的成功，有赖于价格动能的持续。然而，趋势跟踪的挑战在于，它常常伴随着巨大的资金回撤和极低的胜率，错过几笔关键的大幅盈利交易，就可能毁掉一整年的努力。

费思在其书中分享的趋势跟踪策略之一，便是ATR通道突破策略。这是一个基于波动率的系统，它使用平均真实波幅（Average True Range, ATR）作为衡量价格波动的标尺。我们利用ATR构建一个动态的通道上轨和下轨，其核心思想是，当价格突破这个根据近期正常波动范围计算出的通道时，便可能标志着一轮新趋势的开始。

让我们来具体了解该策略的交易规则，以及如何将其编写为TradingView策略脚本。

ATR通道突破策略的交易规则

该策略的交易规则如下。做多入场：当收盘价上穿通道上轨时，建立多头仓位，通道上轨的计算公式为350日移动平均线 + 7倍的20周期ATR。做多离场：当价格下穿350日移动平均线时，平掉多头仓位。做空入场：当收盘价下穿通道下轨时，建立空头仓位，通道下轨的计算公式为350日移动平均线 – 3倍的ATR。做空离场：当价格上穿350日移动平均线时，回补空头仓位。头寸规模：对于多头和空头头寸，将权益的0.5%除以该市场20周期ATR所代表的美元价值，来确定头寸大小。

值得注意的是，该策略缺少明确的止损订单。然而，它包含一个隐性的止损机制：当价格朝持仓不利的方向移动时，在某个点位终将触及并穿越350日移动平均线，从而触发策略的离场信号。这种方式虽然能限制亏损，但我们无法预先知道一个确切的止损价格。

另一点需要说明的是，费思并未指明应使用何种类型的移动平均线。根据对原书的解读，这里假定他使用的是简单移动平均线（Simple Moving Average, SMA）。

费思进行的那次回测，其盈利结果是建立在日线数据以及广泛的期货市场之上的。回测的品种包罗万象，涵盖了外汇（澳元、英镑、欧元）、大宗商品（黄金、原油、铜、天然气）、软商品（棉花、咖啡、活牛、大豆）以及固定收益期货（美国国库券和国债）。

为TradingView编写ATR通道突破策略

了解了交易规则后，我们来着手编写策略脚本。编写策略时，一个行之有效的方法是使用编码模板。这能将编写策略这项大任务，分解成更小、更易于管理的工作区块，不仅可以减少我们忽略某些环节的可能性，还能让我们的思路更加结构化。

我们将使用以下模板来编写ATR通道突破策略：

//@version=5
// 1. 定义策略设置
// 2. 计算策略所需指标值
// 3. 在图表上输出数据
// 4. 定义多头交易条件
// 5. 定义空头交易条件
// 6. 提交入场订单
// 7. 提交出场订单

如果你想跟随本文一起操作，请在TradingView的Pine编辑器中创建一个新的策略脚本，并将上述模板粘贴进去。

为了让你对我们即将编写的代码有个直观的认识，以下是最终完成的策略在图表上的样子：

现在，让我们开始为TradingView编写这个策略的代码。

步骤1：定义策略设置和输入选项。首先，我们来定义策略的各项参数以及用户输入选项。第一步的代码如下：

//@version=5
// 1. 定义策略设置
strategy(title="ATR Channel Breakout", overlay=true,
     pyramiding=0, initial_capital=100000,
     commission_type=strategy.commission.cash_per_order,
     commission_value=4, slippage=2)

smaLength = input.int(350, title="SMA周期")
atrLength = input.int(20, title="ATR周期")

ubOffset = input.float(7, title="上轨偏移量", step=0.50)
lbOffset = input.float(3, title="下轨偏移量", step=0.50)

usePosSize = input.bool(true, title="启用仓位管理?")
riskPerc   = input.float(0.5, title="风险百分比 %", step=0.25)

我们使用 strategy() 函数来配置脚本的基本属性。除了常规选项外，我们通过 pyramiding=0 来禁止金字塔式加仓。initial_capital 将策略的初始资金设为100,000。我们设定每笔交易（commission_type）收取4个单位的固定佣金（commission_value）。slippage 参数设为2，意味着止损单和市价单的成交价比预期要差2个最小跳动点。（通过这种相对悲观的佣金和滑点设置，策略必须证明其具备真正的优势。）

接下来，我们添加策略的输入选项。前两个输入项，SMA周期和ATR周期，是通过 input.int() 创建的整数输入，用于设置ATR通道的参数，默认值分别为350和20。

后两个是 input.float() 创建的浮点数输入，名为上轨偏移量和下轨偏移量。它们决定了通道的上轨和下轨距离均线多少个ATR的倍数，默认值分别为7和3。

接着是一个布尔型（真/假）输入选项：启用仓位管理。它由 input.bool() 创建，可以方便地一键开启或关闭策略的仓位管理算法。我们默认启用该算法（true），但如果关闭它，策略将为每笔交易固定交易1个合约。

最后一个是风险百分比输入项。这个浮点数输入（input.float()）定义了仓位管理算法在每笔交易中愿意承担的权益风险比例，默认值为0.5%。

我们将每个输入项的当前值都保存在一个变量中，这样在后续代码中就可以方便地通过变量名来引用它们。

步骤2：计算策略所需的核心指标。第二步，我们来计算策略运行所需的核心指标值：

// 2. 计算策略所需值
smaValue = ta.sma(close, smaLength)
atrValue = ta.atr(atrLength)

upperBand = smaValue + (ubOffset * atrValue)
lowerBand = smaValue - (lbOffset * atrValue)

riskEquity  = (riskPerc / 100) * strategy.equity
atrCurrency = atrValue * syminfo.pointvalue
posSize     = usePosSize ? math.floor(riskEquity / atrCurrency) : 1

首先，我们使用 ta.sma() 函数计算SMA均线，其周期由输入变量 smaLength 决定。然后用 ta.atr() 和 atrLength 计算ATR值。结果分别存入 smaValue 和 atrValue 变量。

接着，我们计算ATR通道的上下轨。上轨的计算方式是SMA加上ATR乘以 ubOffset（上轨偏移量，默认为7）。下轨则是SMA减去 lbOffset 乘以ATR。

然后，我们开始计算头寸规模。该算法主要基于两个要素：一部分权益和ATR的货币价值。首先，我们将输入的风险百分比 riskPerc 除以100，将其转换为小数形式（例如0.5%变为0.005），然后乘以 strategy.equity（策略的当前总权益），得出本次交易可以承担的风险金额。

为了确定ATR的货币价值，我们将 atrValue 乘以 syminfo.pointvalue。syminfo.pointvalue 是一个内置变量，返回当前交易品种每波动一个点所代表的货币价值。例如，对于E-mini S&P 500（ES）期货，该值为50，因为ES价格每波动1点，价值变化为$50。

最后，我们确定最终的头寸规模 posSize。我们使用条件运算符（?:）检查用户是否启用了仓位管理（usePosSize）。如果启用，我们将风险金额（riskEquity）除以ATR的货币价值（atrCurrency），然后使用 math.floor() 向下取整，得到最终的头寸规模。如果用户关闭了仓位管理，posSize 就简单地设为1。

步骤3：输出数据并可视化信号。为了方便地验证策略逻辑，我们将计算出的指标绘制在图表上：

// 3. 输出策略数据
plot(smaValue, title="SMA", color=color.orange)
plot(upperBand, title="UB", color=color.green, linewidth=2)
plot(lowerBand, title="LB", color=color.red, linewidth=2)

我们用 plot() 函数来显示这些数据。第一行代码绘制了橙色的350周期SMA。后两行则分别以绿色和红色绘制了ATR通道的上下轨，并加粗了线条以便观察。

步骤4：编写多头交易规则。接下来，我们定义开立和关闭多头仓位的条件。根据交易规则，当收盘价向上突破通道上轨时做多，当价格向下跌破SMA均线时平掉多仓。代码实现如下：

// 4. 定义多头交易条件
enterLong = ta.crossover(close, upperBand)
exitLong  = ta.crossunder(close, smaValue)

我们创建了两个布尔变量。enterLong 使用 ta.crossover() 函数判断收盘价（close）是否向上穿越了通道上轨（upperBand）。如果发生上穿，enterLong 为 true，否则为 false。

exitLong 则使用 ta.crossunder() 函数判断收盘价是否向下跌破了SMA均线（smaValue）。如果发生下穿，exitLong 为 true，否则为 false。

步骤5：编写空头交易条件。然后，我们计算空头交易的条件。规则是：当价格收盘向下跌破ATR通道下轨时做空，当价格向上穿越SMA均线时平掉空仓。代码如下：

// 5. 定义空头交易条件
enterShort = ta.crossunder(close, lowerBand)
exitShort  = ta.crossover(close, smaValue)

逻辑与多头类似。enterShort 使用 ta.crossunder() 判断是否向下跌破下轨。exitShort 则使用 ta.crossover() 判断是否向上穿越SMA均线。

步骤6：提交开仓订单。现在，我们利用前几步创建的布尔变量来实际提交开仓订单：

// 6. 提交开仓订单
if enterLong
    strategy.entry("EL", strategy.long, qty=posSize)
if enterShort
    strategy.entry("ES", strategy.short, qty=posSize)

第一个 if 语句检查 enterLong 是否为 true。如果是，就调用 strategy.entry() 函数开立一个多头仓位（strategy.long）。订单的ID设为”EL”，数量则使用我们之前计算好的 posSize 变量。

第二个 if 语句同理，当 enterShort 为 true 时，开立一个ID为”ES”的空头仓位。

步骤7：提交平仓订单。最后，我们需要指定策略何时平仓。代码如下：

// 7. 提交平仓订单
if exitLong
    strategy.close("EL")
if exitShort
    strategy.close("ES")

第一个 if 语句判断 exitLong 是否为 true（即价格下穿SMA）。如果是，就调用 strategy.close() 函数，通过指定订单ID”EL”来平掉对应的多头仓位。

第二个 if 语句则在 exitShort 为 true 时，平掉ID为”ES”的空头仓位。

顺带一提，strategy.close() 函数只有在存在指定ID的未平仓订单时才会生效。例如，如果我们当前持有空仓，而此时由于某种原因 exitLong 变成了 true，strategy.close("EL") 不会平掉我们的空仓，因为它只针对ID为”EL”的多头仓位。

现在，我们已经完成了策略的所有部分，让我们快速看下它的表现。

ATR通道突破策略的表现

先说优点：ATR通道突破策略在长期的趋势行情中表现非常出色。例如，在下图原油期货数年的下跌趋势中，当油价腰斩不止时，该策略成功捕捉了大部分行情：

该策略也有其弱点。当价格进入横盘震荡时，ATR通道突破策略会被反复打脸，产生一连串的亏损交易。不过，这是许多趋势跟踪策略的通病。

在下面这个横盘市场中，策略连续数年都没有一笔盈利的交易：

下表展示了该策略在两种不同品种上的回测表现。需要说明的是，这些结果是在禁用头寸规模管理功能的情况下得出的。因为当策略严格按照费思的算法来确定头寸大小时，在某些品种上，交易会因资金不足而在回测结束前提前终止。而回测中的交易笔数越多，我们对策略表现的评估就越可靠。因此，为了获得更具参考价值的数据，这里关闭了头寸规模管理功能来进行本次测试。

改进ATR通道突破策略的思路

从以上结果可以看出，ATR通道突破策略的表现无疑有很大的提升空间。以下是一些你可能会觉得有价值去尝试和探索的改进方向。

该策略的权益曲线经历了剧烈波动，部分原因是在日线图上使用了长达350周期的移动平均线。或许，通过使用更低的时间框架和/或周期更短的移动平均线，策略可以对趋势的（失败）做出更快的反应。

费思并未详细解释他选择这些特定参数的原因，也不清楚为何上轨基于7倍ATR，而下轨使用3倍ATR。策略在使用其他参数时可能会表现更佳，特别是当这些参数能更好地适应特定品种和图表周期时。

引入趋势过滤器无疑会改善策略表现。这有助于避免在市场横盘时建立仓位，从而可以规避大量的亏损交易。

该策略没有使用明确的止损订单，而只有一个隐性的止损机制：当价格穿越350周期均线时平仓。但策略或许不必等到价格穿越均线时，才知道这笔交易已经难有作为。此外，在市场中设置一个明确的止损订单，也能让交易者在持仓时更加安心。因此，进行止损订单的实验似乎是十分必要的。

也许，通过加入更多的风险管理规则，策略也能变得更好。例如，我们可以限制策略的最大资金回撤，或者为持仓规模设置上限。

TradingView的ATR通道突破策略完整代码

以下是ATR通道突破策略的完整代码。关于特定部分的详细解释，请参阅上文的讨论。

//@version=5
// 1. 定义策略设置
strategy(title="ATR通道突破", overlay=true,
     pyramiding=0, initial_capital=100000,
     commission_type=strategy.commission.cash_per_order,
     commission_value=4, slippage=2)

// --- 输入项 ---
smaLength = input.int(350, title="SMA周期")
atrLength = input.int(20, title="ATR周期")

ubOffset = input.float(7, title="上轨偏移倍数", step=0.50)
lbOffset = input.float(3, title="下轨偏移倍数", step=0.50)

usePosSize = input.bool(true, title="是否启用头寸规模管理？")
riskPerc   = input.float(0.5, title="风险百分比%", step=0.25)

// 2. 计算策略所需指标值
smaValue = ta.sma(close, smaLength)
atrValue = ta.atr(atrLength)

// 计算通道轨线
upperBand = smaValue + (ubOffset * atrValue)
lowerBand = smaValue - (lbOffset * atrValue)

// 计算头寸规模
riskEquity  = (riskPerc / 100) * strategy.equity
atrCurrency = atrValue * syminfo.pointvalue
posSize     = usePosSize ? math.floor(riskEquity / atrCurrency) : 1

// 3. 在图表上输出数据
plot(smaValue, title="SMA", color=color.orange)
plot(upperBand, title="上轨", color=color.green, linewidth=2)
plot(lowerBand, title="下轨", color=color.red, linewidth=2)

// 4. 定义多头交易条件
enterLong = ta.crossover(close, upperBand)
exitLong  = ta.crossunder(close, smaValue)

// 5. 定义空头交易条件
enterShort = ta.crossunder(close, lowerBand)
exitShort  = ta.crossover(close, smaValue)

// 6. 提交入场订单
if enterLong
    strategy.entry("EL", strategy.long, qty=posSize)

if enterShort
    strategy.entry("ES", strategy.short, qty=posSize)

// 7. 提交出场订单
if exitLong
    strategy.close("EL")

if exitShort
    strategy.close("ES")

为TradingView编写布林带突破策略

布林带（Bollinger band）围绕着价格，将绝大部分的价格行为都框定在其上下轨之内。但是，一旦价格强势突破并完全运行于通道之外，我们便知道市场发生了某些重要事件。本文将探讨如何利用一个趋势跟踪策略，来捕捉这些由突破所引发的交易机会。

布林带突破策略：源自海龟交易法则的趋势跟踪

柯蒂斯·费思（Curtis Faith）是第一代海龟交易员之一，他在其著作《海龟交易法则》（Way of the Turtle）中，详细描述了自己的交易经历。二十世纪八十年代，传奇交易员理查德·丹尼斯发起了一项著名的实验，亲自挑选并训练了一群背景各异的普通人，他们后来被称为海龟。丹尼斯向他们传授了两种盈利丰厚的策略，并为他们提供了高达200万美元的真实账户进行交易。最终，费思本人为丹尼斯创造了超过3000万美元的利润。

海龟们是坚定的趋势跟踪者。这类交易者致力于从持续数月的大级别价格波段中获利。他们在市场创下历史新高时买入，在价格暴跌时做空，其核心假设是价格在突破后，其动能仍会持续。趋势跟踪可以带来极为丰厚的回报，但执行起来也异常困难。其胜率通常徘徊在30-35%之间，而资金回撤的幅度往往与系统的年化回报率相当。

费思分享的趋势跟踪策略之一，便是布林带突破（Bollinger Breakout）策略。该策略最初由查克·勒博（Chuck LeBeau）与大卫·卢卡斯（David Lucas）在他们1992年出版的书籍《技术交易者期货市场计算机分析指南》中描述。而布林带指标本身，正如你所熟知的，是由约翰·布林格（John Bollinger）推广开来的。

布林带背后的理念是，它们能够捕获绝大多数（90%至95%）的价格行为，从而将大部分市场噪音隔离在通道内部。因此，当价格移动到通道之外时，就意味着发生了重要的、具备统计意义的事件。这些时刻，正是趋势跟踪者所寻求的交易良机。接下来，让我们看看该策略具体的交易规则。

布林带突破策略的交易规则

该策略的交易规则如下。做多入场：当收盘价高于布林带上轨时，建立多头仓位，上轨的计算方式为350日移动平均线 + 2.5倍标准差。做多离场：当价格下穿350日移动平均线时，平掉多头仓位。做空入场：当收盘价低于布林带下轨时，建立空头仓位，下轨的计算方式为350日移动平均线 – 2.5倍标准差。做空离场：当价格上穿350日移动平均线时，回补空头仓位。头寸规模：对于多头和空头头寸，将权益的0.5%除以该市场20周期平均真实波幅（ATR）所代表的美元价值，来确定头寸大小。

值得注意的是，该策略虽然没有定义明确的止损订单，但其中包含了一个隐性的止损机制。一旦价格朝持仓的不利方向移动，在某个点位终将触及并穿越作为中轨的移动平均线，从而触发离场信号。这种方式虽然能限制亏损，但其方式与我们预先设定一个确切止损价位不同。

费思进行的、并被证明盈利的回测，是建立在日线数据以及广泛的期货市场之上的。回测的品种包罗万象，涵盖了外汇（澳元、英镑、欧元）、大宗商品（黄金、原油、铜、天然气）、软商品（棉花、咖啡、活牛、大豆）以及固定收益期货（美国国库券和国债）。

为TradingView编写布林带突破策略

现在，让我们来着手编写这个策略。编写TradingView策略时，一个行之有效的方法是使用模板。这能将一项大任务分解成更小、更易于管理的工作区块，不仅可以减少我们忽略某些环节的可能性，还能让我们的思路更加结构化。

我们将使用以下模板来编写布林带突破策略：

//@version=5
// 1. 定义策略设置
// 2. 计算策略所需指标值
// 3. 在图表上输出数据
// 4. 定义多头交易条件
// 5. 定义空头交易条件
// 6. 提交入场订单
// 7. 提交出场订单

如果你想跟随本文一起操作，请在TradingView的Pine编辑器中创建一个新的策略脚本，并将上述模板粘贴进去。

为了让你对我们即将编写的代码有个直观的认识，以下是最终完成的策略在图表上的样子：

现在，让我们开始将这个布林带突破策略的交易规则，一步步转化为规范的TradingView代码。

步骤1：定义策略设置和输入选项。首先，我们来定义策略的各项参数以及用户可配置的输入选项。实现这一步的代码如下：

// 1. 定义策略设置
strategy(title="布林带突破策略", overlay=true,
     pyramiding=0, initial_capital=100000,
     commission_type=strategy.commission.cash_per_order,
     commission_value=4, slippage=2)

smaLength = input.int(350, title="SMA周期")
stdLength = input.int(350, title="标准差周期")

ubOffset = input.float(2.5, title="上轨偏移倍数", step=0.5)
lbOffset = input.float(2.5, title="下轨偏移倍数", step=0.5)

usePosSize = input.bool(true, title="启用仓位管理?")
riskPerc   = input.float(0.5, title="风险百分比 %", step=0.25)

我们首先使用 strategy() 函数来配置策略的基础信息。我们设定初始资金为100,000（initial_capital），并且不允许金字塔式加仓（pyramiding=0）。每笔单边交易（strategy.commission.cash_per_order）收取4个单位的固定佣金（commission_value）。市价单和止损单的滑点设为2个最小跳动点（slippage=2）。这里的佣金和滑点设置都比真实交易环境要高，这是一种保守的做法，旨在让策略在更严苛的条件下证明其有效性。

接着，我们创建策略的输入选项。前两个是整数输入项，通过 input.int() 函数创建，分别用于设置移动平均线（SMA周期）和标准差（标准差周期）的计算周期，默认值均为350。

随后的两个是浮点数输入项，由 input.float() 函数创建。上轨偏移倍数定义了上轨相对于均线的标准差倍数，而下轨偏移倍数则定义了下轨的倍数，二者默认值均为2.5。

然后是一个布尔型的复选框输入，通过 input.bool() 创建，名为启用仓位管理，我们默认开启它（true）。最后一个输入项也与仓位管理相关，它是一个浮点数输入（input.float()），用于设定风险百分比，默认值为0.5%。

每个输入函数都会返回其当前值，我们将其分别存入变量中，以便在后续代码中方便地引用用户的当前设置。

步骤2：计算策略所需的核心指标。接下来，我们计算策略运行所需的核心指标值：

// 2. 计算策略所需值
smaValue = ta.sma(close, smaLength)
stdDev   = ta.stdev(close, stdLength)

upperBand = smaValue + (stdDev * ubOffset)
lowerBand = smaValue - (stdDev * lbOffset)

riskEquity  = (riskPerc / 100) * strategy.equity
atrCurrency = ta.atr(20) * syminfo.pointvalue
posSize     = usePosSize ? math.floor(riskEquity / atrCurrency) : 1

首先，我们用 ta.sma() 计算作为布林带中轨的SMA均线。然后，用 ta.stdev() 计算同一周期的收盘价标准差。

接着，我们计算布林带的上下轨。上轨等于均线加上标准差乘以 ubOffset（上轨偏移倍数）。下轨则等于均线减去标准差乘以 lbOffset（下轨偏移倍数）。

为了计算头寸规模，我们先进行两项独立的计算：一个是本次交易可承担的风险金额，另一个是ATR指标的货币价值。对于前者，我们将输入的风险百分比 riskPerc 转换为小数（如1%变为0.01），再乘以 strategy.equity（策略当前总权益）。

对于后者，我们用 ta.atr(20) 获取20周期的ATR值，并乘以 syminfo.pointvalue（当前品种每波动一点所代表的货币价值）。

最后，我们确定实际的头寸规模 posSize。如果用户启用了仓位管理（usePosSize），我们就将风险金额（riskEquity）除以ATR的货币价值（atrCurrency），并用 math.floor() 向下取整。如果未启用，则 posSize 固定为1。

步骤3：输出数据并可视化信号。为了方便地验证策略逻辑，我们将计算出的指标绘制在图表上：

// 3. 输出策略数据
plot(smaValue, title="SMA", color=color.teal)
plot(upperBand, title="UB", color=color.green, linewidth=2)
plot(lowerBand, title="LB", color=color.red, linewidth=2)

我们用 plot() 函数来展示数据。第一行绘制了青色的SMA中轨。后两行则分别以绿色和红色绘制了布林带的上下轨，并加粗了线条以便观察。

步骤4：编写多头交易规则。接下来，我们定义开立和关闭多头仓位的条件。当价格向上突破布林带上轨时做多，当价格向下跌破SMA中轨时平仓。我们将这些规则转换为布尔变量：

// 4. 定义多头交易条件
enterLong = ta.crossover(close, upperBand)
exitLong  = ta.crossunder(close, smaValue)

enterLong 变量使用 ta.crossover() 函数判断收盘价是否向上穿越了上轨。exitLong 则使用 ta.crossunder() 函数判断收盘价是否向下跌破了SMA中轨。

步骤5：编写空头交易条件。然后，我们定义空头交易的条件。当价格向下跌破布林带下轨时做空，当价格向上穿越SMA中轨时平仓。代码如下：

// 5. 定义空头交易条件
enterShort = ta.crossunder(close, lowerBand)
exitShort  = ta.crossover(close, smaValue)

enterShort 使用 ta.crossunder() 判断是否向下跌破下轨。exitShort 则使用 ta.crossover() 判断是否向上穿越SMA中轨。

步骤6：提交开仓订单。有了明确的交易条件后，我们就可以提交开仓订单了：

// 6. 提交开仓订单
if enterLong
    strategy.entry("EL", strategy.long, qty=posSize)
if enterShort
    strategy.entry("ES", strategy.short, qty=posSize)

第一个 if 语句检查 enterLong 是否为真，若是，则调用 strategy.entry() 开立一个ID为”EL”的多头仓位，数量为我们计算出的 posSize。第二个 if 语句同理，用于开立ID为”ES”的空头仓位。

步骤7：提交平仓订单。策略的最后一部分代码负责在出现平仓信号时退出市场：

// 7. 提交平仓订单
if exitLong
    strategy.close("EL")
if exitShort
    strategy.close("ES")

当 exitLong 为真时（价格下穿中轨），我们调用 strategy.close() 函数，通过指定订单ID”EL”来平掉对应的多头仓位。同理，当 exitShort 为真时，平掉ID为”ES”的空头仓位。

至此，整个TradingView策略就完成了。现在，让我们快速看下它的表现。

布林带突破策略的表现

让我们先从积极的方面看起。布林带突破策略在长期的趋势行情中能够获得可观的利润，例如，在下图原油期货大约50%的上涨行情中，它表现良好：

然而，不幸的是，布林带突破策略也是一个典型的趋势跟踪策略。这类策略通常在两种情况下亏损：一是趋势反转时（导致浮动盈利回吐甚至亏损），二是市场陷入区间震荡时。在第一种情况下，该策略平仓不够迅速。而在市场横盘时，策略则会饱受假信号（whipsaw）的折磨。

例如，在下面这个长达数年的震荡市中，策略就因上述两个原因而持续亏损：

下表展示了布林带突破策略在两种不同品种上的回测结果：原油期货和10年期美国国债期货。以下结果是在禁用头寸规模管理功能的情况下得出的。这样做是为了让策略能执行每一次交易信号，从而增加回测的交易笔数。（尽管即便如此，交易样本量依然不足以让我们从这次小规模回测中得出确切的结论。）

改进布林带突破策略的思路

从上表可以看出，布林带突破策略的表现无疑有很大的提升空间。以下是一些你可能会觉得有价值去探索的改进方向。

策略的权益曲线出现了剧烈波动，部分原因是在日线图上结合了长达350周期的移动平均线。如果切换到更低的时间框架，策略或许能对入场和出场信号做出更快的反应。至少，这样做能增加交易次数，为我们提供更多可供分析的数据。

即便不改变时间框架，350周期的移动平均线本身也可能需要调整。这个超长周期的均线有两个主要缺点：首先，它使得布林带的通道异常宽阔，导致策略在趋势启动时反应迟缓；其次，350周期均线作为出场依据，其位置离入场点位过远，导致入场点位与（隐性）止损点位之间的距离过大，从而放大了单笔交易的风险。

费思并未详细阐述他选择这些参数的理由。策略在使用其他参数时可能会表现更佳，特别是当这些参数能更好地适应我们所回测的品种和时间框架时。

与所有趋势跟踪策略一样，布林带突破策略也会从引入趋势过滤器中受益。这样可以有效减少在横盘市场中的交易次数，从而避免大量不必要的亏损。

该策略没有使用明确的止损订单，尽管它会基于350日均线来平仓（这可视为一种隐性止损）。然而，这条均线离入场价相去甚远。在很多情况下，我们或许能更早地判断出这笔交易已无以为继。也许，一个更贴近入场价的追踪止损会有所帮助。即便止损订单本身不能提升策略的整体表现，一个明确的止损订单至少能让交易者在持仓时更加安心，因为它能有效防范重大亏损。

布林带突破策略遭受了相当多的假突破信号的困扰。如果我们能有效过滤掉这些情况，策略的亏损交易和交易成本都将随之下降。

风险管理是改善策略的另一条途径。例如，我们可以限制策略的最大持仓规模，或者在触及最大资金回撤后停止交易。

完整代码：TradingView的布林带突破策略

以下是布林带突破策略的完整代码。关于每个策略部分的更多信息，请参阅上文的讨论。

//@version=5
// 1. 定义策略设置
strategy(title="布林带突破", overlay=true,
     pyramiding=0, initial_capital=100000,
     commission_type=strategy.commission.cash_per_order,
     commission_value=4, slippage=2)

// --- 输入项 ---
smaLength = input.int(350, title="SMA周期")
stdLength = input.int(350, title="标准差周期")

ubOffset = input.float(2.5, title="上轨偏移倍数", step=0.5)
lbOffset = input.float(2.5, title="下轨偏移倍数", step=0.5)

usePosSize = input.bool(true, title="是否启用头寸规模管理？")
riskPerc   = input.float(0.5, title="风险百分比%", step=0.25)

// 2. 计算策略所需指标值
smaValue = ta.sma(close, smaLength)
stdDev   = ta.stdev(close, stdLength)

// 计算通道轨线
upperBand = smaValue + (stdDev * ubOffset)
lowerBand = smaValue - (stdDev * lbOffset)

// 计算头寸规模
riskEquity  = (riskPerc / 100) * strategy.equity
atrCurrency = ta.atr(20) * syminfo.pointvalue
posSize     = usePosSize ? math.floor(riskEquity / atrCurrency) : 1

// 3. 在图表上输出数据
plot(smaValue, title="SMA", color=color.teal)
plot(upperBand, title="上轨", color=color.green, linewidth=2)
plot(lowerBand, title="下轨", color=color.red, linewidth=2)

// 4. 定义多头交易条件
enterLong = ta.crossover(close, upperBand)
exitLong  = ta.crossunder(close, smaValue)

// 5. 定义空头交易条件
enterShort = ta.crossunder(close, lowerBand)
exitShort  = ta.crossover(close, smaValue)

// 6. 提交入场订单
if enterLong
    strategy.entry("EL", strategy.long, qty=posSize)

if enterShort
    strategy.entry("ES", strategy.short, qty=posSize)

// 7. 提交出场订单
if exitLong
    strategy.close("EL")

if exitShort
    strategy.close("ES")