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！