大家好，我是花姐。常常有小伙伴问我：“股票的支撑位、压力位怎么找？有没有办法用 Python 程序自动算出来？”

从今天开始花姐将带大家从零开始，把市场上常见的几种支撑/阻力识别方法，用Python代码一一实现出来，并告知你它们的优缺点、适用场景。即使你是量化小白，也能看懂、能上手。

---

一、为什么支撑/压力不是一条线，而是一个“区域”？

许多人一开始会画一条直线：列如某个高点画水平线就是压力。问题是，股价从来不会乖乖地停在那条线，往往会有点“虚破”或者“差一点到”。

所以，正确的做法是把支撑/压力看成“区间（zone）”。常见的做法是用波动率（列如 ATR）来决定这个区间的宽度。这样画出来的带子更贴近真实市场。

我挑了 8 种常见或实用的算法，既有经典的交易员工具，也有更量化的统计方法。你完全可以挑几种组合起来用。

今天讲的是枢轴点短线战法。

---

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

这样就能避免由于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

---

枢轴点（Pivot Points，日/周/月）

原理：经典交易员手法，基于上一个周期的 High/Low/Close 计算中心点 PP 与 R1/S1、R2/S2 等。简单、易解释，适合做日内或日线短期阻力。

R = Resistance 阻力位S = Support 支撑位PP = Pivot Point 枢轴点/中轴价

公式详解：

在枢轴点里计算了 PP, R1, S1, R2, S2 五条线，公式如下：

1. PP（Pivot Point）

PP=High+Low+Close3PP=3High+Low+Close

• 这是当天的中轴价格。
• 可以简单理解为“当天价格的平均水平”。

2. 第一阻力位 R1

R1=2⋅PP−LowR1=2⋅PP−Low

• 高于 PP，第一个压力区。
• 一般价格接近 R1 时，如果反转下跌，说明压力有效。

3. 第一支撑位 S1

S1=2⋅PP−HighS1=2⋅PP−High

• 低于 PP，第一个支撑区。
• 价格接近 S1，如果反弹，说明支撑有效。

4. 第二阻力位 R2

R2=PP+(High−Low)R2=PP+(High−Low)

• 高于 PP 的强化压力位，比 R1 更强，突破难度大。

5. 第二支撑位 S2

S2=PP−(High−Low)S2=PP−(High−Low)

• 低于 PP 的强化支撑位，比 S1 更强。

---

基本用法

1. 短线交易：
2. 当天价格接近 S1/S2 → 可以观察是否出现买入信号
3. 当天价格接近 R1/R2 → 可以观察是否出现卖出信号
4. 趋势判断：
5. 收盘价 > PP → 市场偏多
6. 收盘价 < PP → 市场偏空
7. 突破策略：
8. 价格突破 R2 → 强势上涨
9. 价格跌破 S2 → 强势下跌
10. 结合其他指标：
11. 可以和均线、成交量、K线形态结合，提升准确性。

---

示例

假设最后几天的枢轴点输出：

             PP        R1        S1        R2        S2
2025-09-05  200.0  210.0  190.0  220.0  180.0
2025-09-06  202.0  212.0  192.0  222.0  182.0

解读：

• 当天价格在 190-210 区间波动 → 可视作正常区间
• 突破 220 或跌破 180 → 强趋势信号

---

优缺点

✅ 优点：

• 简单直观，计算快速
• 易于结合日内交易策略

⚠️ 缺点：

• 仅用前一日数据，忽略长期趋势
• 在极端行情或高波动市场中，可能信号不够可靠

---

进阶用法

枢轴点本身只是参考位，如果不结合成交量、K 线形态等二次确认，贸然出手很容易被假信号误导。

1. 判定条件（二次确认）
2. 不提议盲目挂单，而是观察：
3. K 线形态（如锤子线/射击之星）
4. 成交量（放量突破 or 缩量反弹）
5. 技术指标（如 RSI<30 配合 S1，信号更强）
6. 止损设置
7. 在 S1 买入 → 止损放在 S2 下方
8. 在 R1 做空 → 止损放在 R2 上方
9. 这样即便判断错，损失有限。
10. 目标位选择
11. 在 S1 反弹买入 → 第一目标看 PP，再看 R1
12. 在 R1 回落做空 → 第一目标看 PP，再看 S1
13. 突破 vs 震荡
14. 震荡行情 → R1/S1 更有效，适合反转操作
15. 趋势行情 → R2/S2 更关键，突破后往往会加速

可以结合一个趋势指标（如 MA20 或 ADX）：

• 趋势强 → 用突破逻辑
• 趋势弱 → 用反转逻辑

---

代码（按日枢轴）：

import pandas as pd
import numpy as np

def compute_daily_pivots(df):
    # df: datetime index, columns ['high','low','close']
    ohlc = df.resample('D').agg({'high':'max','low':'min','close':'last'}).dropna()
    pp = (ohlc['high'] + ohlc['low'] + ohlc['close']) / 3
    r1 = 2*pp - ohlc['low']
    s1 = 2*pp - ohlc['high']
    r2 = pp + (ohlc['high'] - ohlc['low'])
    s2 = pp - (ohlc['high'] - ohlc['low'])
    pivots = pd.DataFrame({'PP':pp,'R1':r1,'S1':s1,'R2':r2,'S2':s2}, index=ohlc.index)
    return pivots

def plot_daily_pivots(df, pivots, days=10,title='Daily Pivot Points & Support/Resistance'):
    # 只画最近 N 天
    df_plot = df.tail(days)
    pivots_plot = pivots.loc[df_plot.index]

    plt.figure(figsize=(12,6))
    
    # 当日收盘价折线
    plt.plot(df_plot.index, df_plot['close'], label='Close', marker='o', color='blue')
    
    # 绘制枢轴点和支撑压力位
    plt.plot(pivots_plot.index, pivots_plot['PP'], label='PP', linestyle='--', color='black')
    plt.plot(pivots_plot.index, pivots_plot['R1'], label='R1', linestyle=':', color='red')
    plt.plot(pivots_plot.index, pivots_plot['R2'], label='R2', linestyle=':', color='darkred')
    plt.plot(pivots_plot.index, pivots_plot['S1'], label='S1', linestyle=':', color='green')
    plt.plot(pivots_plot.index, pivots_plot['S2'], label='S2', linestyle=':', color='darkgreen')
    
    plt.title(title)
    plt.xlabel("Date")
    plt.ylabel("Price")
    plt.grid(True, linestyle='--', alpha=0.5)
    plt.legend()
    plt.show()

if __name__ == "__main__":
    code = '600519.SH'  # 贵州茅台
    df = get_hq(code, start_date='20220101', period='1d', count=200)
    pivots = compute_daily_pivots(df)
    print(pivots.tail())
    plot_daily_pivots(df, pivots, days=20)

日线枢轴点

周线枢轴点

code = '600519.SH'  # 贵州茅台
df = get_hq(code, start_date='20200101', period='1w', count=200)
pivots = compute_daily_pivots(df)
plot_daily_pivots(df, pivots, days=20,title='Weekly Pivot Points & Support/Resistance')

月线枢轴点

code = '600519.SH'  # 贵州茅台
df = get_hq(code, start_date='20200101', period='1mon', count=200)
pivots = compute_daily_pivots(df)
plot_daily_pivots(df, pivots, days=20,title='Monthly Pivot Points & Support/Resistance')

---

多周期枢轴点对比（进阶）

除了日枢轴（Daily Pivot），我们一般还会关注 周枢轴（Weekly Pivot）、月枢轴（Monthly Pivot）。

核心逻辑：

• 日枢轴 → 适合日内、短线交易
• 周枢轴 → 适合波段交易，能过滤掉部分日内噪音
• 月枢轴 → 更像“大周期航向”，适合中线持仓参考

当不同周期的枢轴点在同一区间出现时，支撑/阻力更强（多周期共振）。

举例：

• 如果日线 S1 ≈ 周线 PP → 支撑更可靠，反弹概率大
• 如果日线 R2 ≈ 月线 R1 → 压力明显，突破难度大

实战提议：

1. 先看 大周期（月、周） → 确定市场大方向（偏多/偏空）
2. 再看 小周期（日） → 找具体的入场点位

这样避免“顺大势做小节奏”的错误。

---

今天关于枢轴点的介绍就到这里了，下一篇我们介绍局部极值法获取阻力和支撑位。