如何用Python找到股票的支撑位和压力位？——成交量剖面

大家好，我是花姐🎉。

今天我们来聊一个量化交易中非常实用但小白容易忽略的工具------成交量剖面（Volume Profile / Volume by Price）。它能帮我们直观地找到股票的支撑位和压力位，是选股和择时的利器。

本文我会从概念、原理、Python实现到实操策略全方位展开，让你即便是量化小白，也能快速上手。

---

开始前的准备

我这里用的行情数据源是 xtquant + miniQMT 。 后续示例里会用到一些常见的 Python 库：pandas, numpy, matplotlib，进阶部分还会涉及 scipy, sklearn。在实际运行代码之前，记得先把环境配置好：

pip install pandas numpy matplotlib scipy scikit-learn xtquant

这样就能避免因为依赖缺失导致的报错啦。

以下是一个基于xtquant + miniQMT获取股票行情的方法，后面的行情Dataframe数据都会通过这个方法来获取：

def get_hq(code,start_date='19900101',period='1d',dividend_type='front_ratio',count=-1):
    '''
    基于xtquant下载某个股票的历史行情
    盘中运行最后一个K里存了最新的行情
    period 1d 1w 1mon
    dividend_type - 除权方式，用于K线数据复权计算，对tick等其他周期数据无效
    none 不复权
    front 前复权
    back 后复权
    front_ratio 等比前复权
    back_ratio 等比后复权
    '''
    xtdata.enable_hello = False
    xtdata.download_history_data(stock_code=code, period='1d',incrementally=True)
    history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose','suspendFlag'],[code],period=period,start_time=start_date,count=count,dividend_type=dividend_type)
    print(history_data)
    df = history_data[code]

    df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d')
    df['date'] = df.index
    return df

---

一、成交量剖面到底是什么？

简单说，成交量剖面就是把成交量按价格分布绘制出来，而不是像常规K线图那样按时间分布。 换句话说，它告诉你：某个价格区间里有多少人买进卖出过。

为什么重要？

• 高成交量区域 ：意味着价格在这里交易活跃，买卖双方力量相对均衡 → 支撑或压力位
• 低成交量区域 ：意味着价格在这里交易稀少 → 价格可能快速通过 → 突破区间

💡 举个通俗例子：

想象一条小河流，河床上有一些大石头和一些沙子。

• 大石头：水流冲过去很难，水就容易在石头前堆积，形成涌动的漩涡。
• 沙子或空地：水流很容易冲过去，没有阻力。

在股市里：

• 高成交量区就像大石头 → 股价遇到这里容易"卡住"，形成支撑或压力
• 低成交量区就像沙地或空地 → 股价容易快速突破

换句话说，成交量剖面帮你找到河床的"大石头"，知道价格哪里容易停、哪里容易流动。

---

二、成交量剖面的核心指标

1. POC（Point of Control）

   • 最高成交量对应的价格，通常是支撑或压力最强的位置。

2. VAH / VAL（Value Area High / Low）

   • 成交量剖面中，覆盖约70%的成交量区间的上下界。
   • VAH → 上轨压力
   • VAL → 下轨支撑

3. Volume Node（成交量节点）

   • 高低成交量形成的峰谷节点，高峰 → 支撑/压力，低谷 → 突破区

这些概念可能有点抽象，我们就用"成交量剖面"的计算过程来做一次实操演示，帮助大家更直观地理解整个流程。

三、成交量剖面计算步骤

步骤 1：原始数据

每一天我们有如下行情数据：

日期	开盘价	最高价	最低价	收盘价	成交量
2025-09-11	10	12	9	11	1000

---

步骤 2：划分价格区间

假设整个历史区间最低价 8，最高价 14，我们将价格区间分成 6 个区间（简化示例）：

价格区间：
[8-9), [9-10), [10-11), [11-12), [12-13), [13-14]

---

步骤 3：把每一天的价格范围切分小段

比如2025-09-11这一天，最高价 12，最低价 9，把这个区间切成 4 小段（steps_per_day = 4）：

小段价格：
9.0, 9.75, 10.5, 11.25, 12.0

每个小段的成交量 = 当天成交量 ÷ 小段数量 = 1000 ÷ 4 = 250

---

步骤 4：映射到价格区间

将每个小段价格对应到上面划分的价格区间：

小段价格	对应区间
9.0	[9-10)
9.75	[9-10)
10.5	[10-11)
11.25	[11-12)

然后把每个小段的成交量累加到对应区间：

区间	成交量
[8-9)	0
[9-10)	500
[10-11)	250
[11-12)	250
[12-13)	0
[13-14)	0

---

步骤 5：对所有天累加

每天都做同样的操作，把所有小段成交量累加到对应区间，得到最终的成交量剖面：

区间成交量柱状图（横向）：
[8-9): 200, [9-10): 1800, [10-11): 2300, [11-12): 1700, [12-13): 900, [13-14): 300

对，你理解得很对。步骤5以后，成交量剖面的计算已经完成，本质上就是把每日的小段成交量累加到每个价格区间 ，得到一个完整的成交量分布图（横向柱状图）。这个阶段应该是用来得出结论和分析的，而不是再做计算。

---

步骤 6：结论

1. 高成交量区（HVN, High Volume Node）

   • 柱子最高的几个价格区（[10-11): 2300），说明市场最活跃。
   • 通常对应支撑/压力位的潜在区域。

2. 低成交量区（LVN, Low Volume Node）

   • 柱子很低的价格区（[8-9): 200），说明市场交易稀少。
   • 价格穿越这些区域可能会很快，因为阻力/支撑弱（"空档区"）。

3. 支撑/压力分析

   • 当前价格在高成交量区上方 → 高成交量区可能形成支撑。
   • 当前价格在高成交量区下方 → 高成交量区可能形成压力。

4. 市场心理与策略参考

   • 高成交量区 = 市场认可的价格 → 量化策略可在此设置止盈/止损或建仓区间。
   • 低成交量区 = 市场不认可的价格 → 突破可能性大，可作为突破策略参考。

所以在步骤5完成后，结论就是：

"根据成交量剖面，价格在 [10-11): 2300 区间的成交量最高，是市场最关注的区域，可能形成支撑或压力；而 [8-9): 200 区间成交量最低，价格可能快速穿越。"

---

三、Python实操：计算+绘制成交量剖面

示例代码如下：

from xtquant import xtdata
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import mplfinance as mpf

def get_hq(code,start_date='19900101',period='1d',dividend_type='front_ratio',count=-1):
    '''
    基于xtquant下载某个股票的历史行情
    盘中运行最后一个K里存了最新的行情
    period 1d 1w 1mon
    dividend_type - 除权方式，用于K线数据复权计算，对tick等其他周期数据无效
    none 不复权
    front 前复权
    back 后复权
    front_ratio 等比前复权
    back_ratio 等比后复权
    '''
    xtdata.enable_hello = False
    xtdata.download_history_data(stock_code=code, period='1d',incrementally=True)
    history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose','suspendFlag'],[code],period=period,start_time=start_date,count=count,dividend_type=dividend_type)
    df = history_data[code]

    df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d')
    df['date'] = df.index
    return df


def compute_volume_profile(df, price_bins=50, steps_per_day=10):
    """
    计算成交量剖面
    参数：
        df : DataFrame, 必须包含 ['date', 'open', 'high', 'low', 'close', 'volume']
        price_bins : int, 成交量剖面的价格区间数量
        steps_per_day : int, 每日高低价划分的小段数量
    返回：
        volume_profile : np.array, 每个价格区间的成交量
        bins : np.array, 价格区间边界
    """
    df = df.copy()
    
    # 1. 设置价格区间
    price_min = df['low'].min()
    price_max = df['high'].max()
    bins = np.linspace(price_min, price_max, price_bins)
    
    # 2. 计算每个价格区间的成交量
    volume_profile = np.zeros(len(bins)-1)
    for i in range(len(df)):
        price_range = np.linspace(df['low'].iloc[i], df['high'].iloc[i], steps_per_day)
        vol_per_step = df['volume'].iloc[i] / len(price_range)
        idx = np.digitize(price_range, bins) - 1
        for j in idx:
            if 0 <= j < len(volume_profile):
                volume_profile[j] += vol_per_step
                
    return volume_profile, bins

def plot_volume_profile(volume_profile, bins):
    """
    绘制成交量剖面
    """
    plt.rcParams['font.sans-serif'] = ['SimHei']  
    plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
    plt.figure(figsize=(16,9))
    plt.barh((bins[:-1]+bins[1:])/2, volume_profile, height=(bins[1]-bins[0]), color=plt.cm.viridis(volume_profile/volume_profile.max()))
    plt.xlabel('成交量')
    plt.ylabel('价格')
    plt.title('成交量剖面')
    plt.show()
    
def plot_kline_with_support_resistance(df, volume_profile, bins, top_n=5):
    """
    在K线图上标记潜在支撑/压力位
    参数：
        df : DataFrame, 包含 ['date','open','high','low','close','volume']
        volume_profile : np.array, 成交量剖面
        bins : np.array, 价格区间
        top_n : int, 标记成交量最高的前N个价格区间
    """
    # 设置K线样式
    mc = mpf.make_marketcolors(up='r', down='g', inherit=True)
    s = mpf.make_mpf_style(marketcolors=mc)
    
    # 找成交量top_n价格区
    top_idx = np.argsort(volume_profile)[-top_n:]
    bottom_idx = np.argsort(volume_profile)[:top_n]
    support_resistance_lines = [(bins[idx] + bins[idx+1])/2 for idx in top_idx]
    
    # 添加水平线
    hlines = dict(hlines=support_resistance_lines, colors=['orange']*len(support_resistance_lines),
                  linestyle='--', linewidths=2, alpha=1)
    
    # 绘制K线+成交量+支撑/压力位
    mpf.plot(df, type='candle', style=s, volume=True, hlines=hlines)
    
    

if __name__ == "__main__":
    code = '600519.SH'  # 贵州茅台
    df = get_hq(code, start_date='20200101', period='1d', count=200)
    volume_profile, bins = compute_volume_profile(df, price_bins=20, steps_per_day=4)
    
    plot_volume_profile(volume_profile, bins)
    plot_kline_with_support_resistance(df, volume_profile, bins, top_n=1)
    

茅台的成交量不是特别集中，看起来不够明显，我换了一个近期放量的股票同样绘制了2个图

---

四、量化分析支撑/压力位的方法

1. POC法

poc_index = np.argmax(volume_profile)
poc_price = (bins[poc_index] + bins[poc_index+1]) / 2
print(f"POC支撑/压力位: {poc_price}")

POC就是成交量最多的价格，通常是股价反弹或回落的关键点。

2. VAH/VAL法

total_vol = volume_profile.sum()
cum_vol = np.cumsum(volume_profile)
val_index = np.where(cum_vol <= 0.15*total_vol)[0][-1]
vah_index = np.where(cum_vol <= 0.85*total_vol)[0][-1]
val_price = (bins[val_index] + bins[val_index+1])/2
vah_price = (bins[vah_index] + bins[vah_index+1])/2
print(f"支撑位 VAL: {val_price}, 压力位 VAH: {vah_price}")

这里我们用15%-85%的累积成交量来定义区间，覆盖约70%的交易量，比较稳妥。

---

五、策略思路与实战小技巧

1. 短线反弹策略

   • 股价跌到VAL附近 → 可考虑买入
   • 股价涨到VAH附近 → 可考虑卖出或减仓

2. 突破策略

   • 股价突破低成交量区 → 跟随趋势进场
   • 高成交量区突破 → 谨慎，可能是假突破

3. 多时间周期分析

   • 日线成交量剖面 → 中期趋势
   • 周线成交量剖面 → 长期支撑压力
   • 同时参考，支撑/压力更可靠

4. 成交量剖面结合均线/指标

   • 例如POC附近碰到20日均线 → 支撑更强
   • 形成"成交量+价格+趋势"的三维支撑/压力分析

---

六、总结

成交量剖面是量化交易里非常直观的支撑压力分析工具。 核心思路很简单：

• 高成交量区 → 支撑或压力
• 低成交量区 → 价格容易突破

Python实现也不复杂，通过分区累积成交量就能画出图，并快速计算POC、VAH、VAL，辅助策略决策。

今天的文章就到这里了，下一篇我们讲通过VWAP / Anchored VWAP（成交量加权价格） 找到压力与支撑。