今天我们来说说均线簇法确定压力和支撑位置。

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：

添加图片注释，不超过 140 字（可选）

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：

1. 由来与直观理解

在股市里，价格上涨或者下跌往往会遇到一些“阻力”或“支撑”，这个概念大家可能听得多，但怎么量化呢？

于是就有了均线簇的概念：

我们把多条均线同时画在一张K线图上；

当这些均线在某个价格区间聚集时，就形成了“均线簇”；

均线簇的密集区往往对应压力位（价格上不去）或支撑位（价格不跌破）。

直观理解：

想象几条橡皮筋同时捆在股票价格上方或下方，价格想突破或跌破时就像要拉开橡皮筋，会有阻力；

这就是均线簇在做的事情：用过去价格的平均值，画出价格心理关口。

2. 数学定义与原理

简单移动平均线（SMA）：

n是窗口大小（天数）

Pt是第 t天的收盘价

均线簇的形成条件：

当多条不同周期均线之间的价格差异非常小，比如5日、10日、20日、30日均线同时靠近同一个价格区间

数学上可以用均线标准差或者均线最大最小差值来量化：

当 MA_spread 很小，说明均线聚集形成簇

原理：

均线簇反映了市场短中期均衡状态

多空力量在这个价格附近相对均衡

突破均线簇往往伴随成交量放大，是典型的趋势启动信号

3. 常用算法

简单聚合均线：

选择5条或以上不同周期均线

计算均线最大最小差值

小于阈值时判定为均线簇

均线簇密度算法（进阶）：

用均线标准差衡量密集度：

标准差越小，均线聚集越密集

可以设置动态阈值，如过去20日均值的20%

支撑/压力判定：

均线簇在股价上方 → 压力位

均线簇在股价下方 → 支撑位

总结

关注"叩富问财"公众号，回复"资深吴经理"，联系专属客户经理开通量化交易权限！

立即行动：打开微信，搜索"叩富问财"，在对话框中输入"资深吴经理"，开启你的量化交易之旅！