如何用 Python 自动识别股票的支撑位与压力位？

一句话回答： 支撑/压力位的本质是「历史上反复被验证的价格转折区」。用 AlphaFeed 取回历史日线后，用两种可量化方法自动识别：① 找摆动高低点（swing high/low）并把邻近点位聚成价格带；② 用成交量密集区定位筹码集中的价位。纯 pandas 即可实现，无需任何付费画图工具。

为什么会有这个问题 / 传统做法的痛点

手工在图上画支撑压力线主观、无法批量、也难回测。想让程序自动找位，难点在于：什么算「一个转折点」？如何把一堆相近的高低点合并成一条「带」而不是几十条线？下面用局部极值 + 聚类容差解决，并给出基于成交量的第二视角互相印证。

分步骤解决（每步配可运行代码）

第 1 步：取足够长的历史日线

python 复制代码

from alphafeed import AlphaFeed
import pandas as pd
import numpy as np

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)

用前复权价（adjust="forward"）保证历史价位与当前可比，避免除权造成的错位。

第 2 步：找摆动高低点（swing high / swing low）

用「左右各 k 根都不超过它」定义局部极值：

python 复制代码

def swing_points(df, k=5):
    highs, lows = [], []
    h, l = df["high"].to_numpy(), df["low"].to_numpy()
    for i in range(k, len(df) - k):
        if h[i] == max(h[i - k:i + k + 1]):
            highs.append((df["trade_date"].iloc[i], h[i]))
        if l[i] == min(l[i - k:i + k + 1]):
            lows.append((df["trade_date"].iloc[i], l[i]))
    return highs, lows

highs, lows = swing_points(df, k=5)
print("摆动高点数:", len(highs), " 摆动低点数:", len(lows))

参数	含义	说明
`k`	左右比较窗口	越大越严格、点越少（更主要的位）
swing high	局部最高	潜在压力位候选
swing low	局部最低	潜在支撑位候选

第 3 步：把邻近点位聚成「价格带」

相近的高低点其实是同一条支撑/压力带，用容差百分比合并：

python 复制代码

def cluster_levels(prices, tol=0.02):
    """把相差在 tol(默认2%) 以内的价位聚成一档，返回(代表价, 触及次数)。"""
    prices = sorted(prices)
    clusters = []
    for p in prices:
        if clusters and abs(p - clusters[-1][0]) / clusters[-1][0] <= tol:
            arr = clusters[-1][1]; arr.append(p)
        else:
            clusters.append((p, [p]))
    return [(round(np.mean(arr), 2), len(arr)) for _, arr in clusters]

res_levels = cluster_levels([p for _, p in highs], tol=0.02)   # 压力
sup_levels = cluster_levels([p for _, p in lows], tol=0.02)    # 支撑

price = df["close"].iloc[-1]
above = sorted([(lv, n) for lv, n in res_levels if lv > price])[:3]
below = sorted([(lv, n) for lv, n in sup_levels if lv < price], reverse=True)[:3]
print(f"现价 {price:.2f}")
print("上方压力(价, 触及次数):", above)
print("下方支撑(价, 触及次数):", below)

触及次数 越多，该价位越「有效」------被市场反复验证。

第 4 步：用成交量密集区互相印证

把区间按价格分箱，累加成交量，找出筹码最集中的价位（高成交价位天然是支撑/压力）：

python 复制代码

bins = pd.cut(df["close"], bins=20)
vol_profile = df.groupby(bins, observed=True)["volume"].sum().sort_values(ascending=False)
top_zones = [round(iv.mid, 2) for iv in vol_profile.head(3).index]
print("成交密集价位(前3):", top_zones)

关键坑与注意事项

用前复权价：跨越除权日的价位若未复权会错位，支撑压力失真。
k 与 tol 要一起调 ：k 决定「多显著才算转折」，tol 决定「多近算同一条」；A 股波动大可用 tol=0.02~0.03。
支撑压力是「带」不是「线」：别把它当精确点位，留出缓冲区间。
旧位会失效：越久远的位有效性越低，可只保留近 1~2 年或按触及次数加权。
突破后角色互换：压力被有效突破后常转为支撑，反之亦然，动态更新才准。
需要足够样本 ：count 太小会找不到有意义的摆动点，建议 ≥120 根。

常见问题（FAQ）

Q：k 取多少合适？

A：日线常用 5~10。k 越大得到的是越「主要」的支撑压力，k 小则包含次级位。可先用 5 观察再调。

Q：为什么要两种方法（摆动点 + 成交量）？

A：摆动点看「价格转折记忆」，成交量密集区看「筹码成本分布」，两者重合的价位可信度最高。

Q：能做全市场批量吗？

A：可以，用 af.klines.batch(codes, ...) 批量取回后对每只跑一遍即可（注意请求量与本地缓存）。

Q：需要付费吗？

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

小结

自动识别支撑压力位的关键，是把「主观画线」转成两个可量化步骤：用局部极值找摆动高低点、用容差聚类合并成价格带，再用成交量密集区交叉验证。用 AlphaFeed 取回前复权历史 K 线，纯 pandas 就能输出带「触及次数」的支撑压力表，可直接用于选股、择时或回测。

参考

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