用 Python 计算支撑位与阻力位的全程指南：从数据到可视化

风险提示 本文仅供技术学习，不构成投资建议；文中举例用到的 $AAPL 仅作示范，非任何推荐。阅读前请牢记风险管理原则。

支撑线和阻力线是技术分析的“地基”。当股价在支撑位止跌、或在阻力位受阻，往往意味着趋势即将反转，为交易者提供了精准进出场信号。本文将手把手教你用 Python 在 AAPL 日线 上完成 支撑与阻力识别 的全流程，力求做到“能跑、能看、能复现”，同时避开常见坑点。

一、为什么用 Python？三大优势一次说清

免费开源：scipy、pandas、mplfinance 全零成本。
灵活改装：参数、阈值、数据源随调随改，适配 日内 5min、周线等任何周期。
数据通道直连：借助 yahooquery 一行代码拉取历史，无需手动下载 CSV。

若你正研究 股价交易策略 或 量化回测，这篇教程将成为你在 GitHub 上能直接引用的模板。

二、环境准备：五步到位

# 创建独⽴虚拟环境（可选但推荐）
python -m venv env
source env/bin/activate   # Windows 用 env\Scripts\activate
pip install yahooquery pandas scipy mplfinance numpy

仅需 4 个库 即覆盖数据→计算→绘图全链路，后续无需额外依赖。

三、拉取 AAPL 日线，先画图再看指标

import numpy as np
from yahooquery import Ticker
import pandas as pd
from scipy.signal import find_peaks
import mplfinance as mpf

ticker = Ticker('AAPL')
df = ticker.history(start='2022-01-01', interval='1d').reset_index(level=0)

# 为了让 mplfinance 识别时间维度
df.index = pd.to_datetime(df.index)
mpf.plot(df, type='candle', style='charles', title='AAPL 日线 K 线', volume=True)

首次运行若提示缺失字体，请 pip install matplotlib 后重启。

四、阻力位识别：三步拆分“强阻力”与“一般阻力”

关键词：阻力位、价格峰值、冲高回落

Step 1　定位“强阻力”——用 prominence 淘汰窄幅噪音

STRONG_DISTANCE  = 60          # 60 根 K 线间隔
STRONG_PROMINENCE = 20         # 价格突出度≥20 美元视为强

strong_peaks, _ = find_peaks(
    df['high'],
    distance = STRONG_DISTANCE,
    prominence = STRONG_PROMINENCE
)

strong_levels = df.iloc[strong_peaks]['high'].tolist()
# 额外加入 52 周高点作补充
yearly_high   = df['high'].iloc[-252:].max()
strong_levels.append(yearly_high)

得到的 strong_levels 约等于 中长期投资者试错 2 次以上 的高抛区间。

Step 2　“一般阻力”——短线黄金分割线

GEN_DISTANCE = 5               # 相邻峰值 ≥5 根 K 线
GEN_WIDTH    = 2               # 垂直距离≤2 美元归为一组
RANK_MIN     = 3               # 同一价位回测≥3 次

peaks, _ = find_peaks(df['high'], distance=GEN_DISTANCE)

# 用字典统计每处峰值被“撞”的次数
pivot_score = {p:0 for p in peaks}
for i, idx1 in enumerate(peaks):
    for idx2 in peaks[:i]:
        if abs(df.iloc[idx1]['high']-df.iloc[idx2]['high']) <= GEN_WIDTH:
            pivot_score[idx1] += 1

# 只收录满足次数的价位
res_candidates = [df.iloc[p]['high'] for p, v in pivot_score.items() if v >= RANK_MIN]
res_candidates += strong_levels      # 叠加强阻力
res_candidates = np.unique(np.round(res_candidates, 2)).tolist()

Step 3　合并极近距离水准，输出“洁净”阻力榜

bins = []
curr = [res_candidates[0]]
for r in res_candidates[1:]:
    if r - curr[-1] < GEN_WIDTH:
        curr.append(r)
    else:
        bins.append(curr)
        curr = [r]
bins.append(curr)

clean_res = [round(np.mean(group), 2) for group in bins]

此时绘制 clean_res 即得到 不含锯齿 的阻力水平线：

addplot = [mpf.make_addplot(np.full(df.shape[0], v), color='r', linestyle='--') for v in clean_res]
mpf.plot(df, type='candle', style='charles', title='叠加阻力线的 AAPL 日线', addplot=addplot, volume=True)

五、支撑位镜像复现：把 low 换成 -low 即可

troughs, _ = find_peaks(-df['low'], distance=5)
sup_candidates = [df.iloc[t]['low'] for t in troughs]

后续合并逻辑与阻力完全一致，只需把 high 全部替换为 low，不再赘述。下方为最终叠加 支撑线 与 阻力线 的 K 线图：

代码略，绘图效果可参考金融博客图示，干净且一目了然。

六、完整脚本一键跑通

将以下脚本保存为 support_resistance.py，python support_resistance.py AAPL 2022-01-01 即可：

import sys, datetime
if len(sys.argv) < 3:     # 容错提示
    exit("Usage: python support_resistance.py 股票代码 起始日期，如 AAPL 2022-01-01")

symbol, start = sys.argv[1:]
df = Ticker(symbol).history(start=start, interval='1d').reset_index(level=0)
...

如此便实现了 参数化 调用，研究多只股票秒切。

常见问题 FAQ

Q1：短线 5 分钟数据也能用这套代码？
完全可以！只需将 interval 改成 '5m'，并把 GEN_DISTANCE 缩小（如 20~30 根），即可捕捉 日内高频阻力支撑。

Q2：为何加入 52 周高点？
既是心理压力位，也常成为机构回补缺口的关键节点，可防止长期交易者遗漏重要水平。

Q3：prominence 设成 15 会怎样？
数值越小，水平线 越密集；过小易导致过拟合。初次回测可保持 20，再通过回测迭代微调。

Q4：能不能一次性画 30 只股票？
循环拉取数据→跑算法→导出 clean_res 列表为 JSON，再用 Dash 或 Streamlit 实时展示即可。

Q5：算法会把历史最高点也砍掉吗？
不会。只要满足 prominence ≥20，最高点即被保留；合并步骤仅切除极近距离冗余。

七、退而求其次，还有 Web 级脚本快速体验

如果你不想本地折腾环境，👉 一键在线体验零安装计算支撑阻力（仅填写股票代码与周期，即可生成交互式图，支持导出高清 PNG）。

至此，你已获得从零到一的 Python 支撑/阻力分析框架。只需修改参数，就能直接塞进 交易策略回测 或 实时风控 系统。