企业官网建设流程全解析

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

fromalphafeedimportAlphaFeedimportpandasaspdimportnumpyasnp af=AlphaFeed()# 读取 ALPHAFEED_API_KEYdf=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：

defswing_points(df,k=5):highs,lows=[],[]h,l=df["high"].to_numpy(),df["low"].to_numpy()foriinrange(k,len(df)-k):ifh[i]==max(h[i-k:i+k+1]):highs.append((df["trade_date"].iloc[i],h[i]))ifl[i]==min(l[i-k:i+k+1]):lows.append((df["trade_date"].iloc[i],l[i]))returnhighs,lows highs,lows=swing_points(df,k=5)print("摆动高点数:",len(highs)," 摆动低点数:",len(lows))

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：

defcluster_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=[]forpinprices:ifclustersandabs(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_,arrinclusters]res_levels=cluster_levels([pfor_,pinhighs],tol=0.02)# 压力sup_levels=cluster_levels([pfor_,pinlows],tol=0.02)# 支撑price=df["close"].iloc[-1]above=sorted([(lv,n)forlv,ninres_levelsiflv>price])[:3]below=sorted([(lv,n)forlv,ninsup_levelsiflv<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）：

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)forivinvol_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/