本文将基于 miniQMT 量化终端与 xtquant 行情接口，通过 Python 实现均线簇算法，完成股票支撑位与压力位的量化定位，适合量化交易入门者、技术分析爱好者、QMT 平台使用者阅读学习。

一、前置环境与准备工作

本文所有代码均基于miniQMT终端的xtquant行情库开发，同时会用到 Python 数据分析与可视化的常用库，先完成环境配置与基础工具封装。

1.1 依赖库安装

执行以下 pip 命令完成所有依赖库的一键安装，避免运行时出现依赖缺失报错：

pip install pandas numpy matplotlib scipy scikit-learn xtquant

1.2 通用行情数据获取函数

基于 xtquant 封装标准化的股票历史行情获取函数，后续所有均线计算均基于该函数返回的行情 DataFrame 实现，函数兼容日线、周线、月线等多周期，支持多种复权方式，增量下载模式可大幅提升数据获取效率。

import pandas as pd
from xtquant import xtdata

def get_stock_hq(code, start_date='19900101', period='1d', dividend_type="front_ratio", count=-1):
    """
    基于xtquant获取股票全量历史行情数据
    :param code: 股票代码，格式为【代码.交易所】，例：600000.SH(沪市)、000001.SZ(深市)
    :param start_date: 行情起始日期，格式YYYYMMDD
    :param period: K线周期，支持1d(日线)/1w(周线)/1mon(月线)，分钟线同理
    :param dividend_type: 除权方式，可选值：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)
    :param count: 获取K线数量，-1为获取起始日期以来的全部数据
    :return: 包含OHLCV数据的DataFrame，索引为交易日期
    """
    # 关闭控制台冗余日志
    xtdata.enable_hello = False
    # 增量下载历史行情数据，避免重复下载
    xtdata.download_history_data(stock_code=code, period=period, incrementally=True)
    # 拉取指定字段的行情数据
    history_data = xtdata.get_market_data_ex(
        field_list=['open', 'high', 'low', 'close', 'volume', 'amount', 'preclose'],
        stock_list=[code],
        period=period,
        start_time=start_date,
        count=count,
        dividend_type=dividend_type
    )
    # 数据格式化处理
    df = history_data[code]
    df.index = pd.to_datetime(df.index)
    df['date'] = df.index
    return df

二、均线簇的由来与直观理解

在股票技术分析中，支撑位与压力位是核心分析要素，价格的上涨与下跌往往会在关键价位出现停滞、反转，而均线簇正是将这一主观概念进行量化的核心方法。

2.1 均线簇的核心定义

我们将多条不同周期的移动平均线同时绘制在 K 线图中，当这些均线在某一个价格区间高度聚集、差值极小时，就形成了均线簇；而均线簇的密集成交区间，往往就对应着个股的强压力位或强支撑位。

2.2 直观理解

我们可以把每一条均线想象成一根橡皮筋，多条均线聚集的区间，就相当于多根橡皮筋同时捆在价格的上方或下方：

• 当价格向上试图突破这个区间时，上方的均线簇就会形成极强的阻力，也就是压力位；
• 当价格向下试图跌破这个区间时，下方的均线簇就会形成极强的托举力，也就是支撑位。

本质上，均线簇是用不同周期的历史价格平均值，量化出市场的集体心理关口，反映了市场在该价位的多空均衡状态。

三、均线簇的数学定义与核心原理

3.1 基础指标：简单移动平均线 SMA

均线簇的计算基础是简单移动平均线（SMA），其计算公式如下：

其中：

3.2 均线簇的形成条件

均线簇的核心是「多周期均线高度聚集」，我们可以通过量化指标来精准判定均线簇是否形成，最常用的两个判定维度如下：

1. 极差判定法通过计算多周期均线的最大值与最小值的差值，衡量均线的聚集程度，公式如下：

1. 标准差判定法

3.3 均线簇的核心原理

1. 市场均衡性反映：均线簇的密集区间，代表了短、中、长不同周期的市场持仓成本趋于一致，多空双方在该价格附近的力量达到相对均衡，是趋势酝酿的关键信号。
2. 趋势启动的确认：当价格带量突破均线簇密集区间时，代表均衡状态被打破，是趋势启动的典型信号；反之，价格放量跌破均线簇，则是下跌趋势开启的信号。
3. 支撑压力的转换：均线簇一旦被有效突破，原本的压力位就会转换为后续回调的强支撑位；反之，原本的支撑位被有效跌破后，会转换为后续反弹的强压力位。

四、均线簇的常用实现算法

4.1 基础版：简单聚合均线算法

这是最易实现、最常用的均线簇判定算法，核心步骤如下：

1. 选定 5 条及以上不同周期的均线，常用周期组合：5 日、10 日、20 日、30 日、60 日、120 日；
2. 对每个交易日，同步计算所有选定周期的均线值；
3. 计算当日所有均线的最大值与最小值的极差 MAspread​；
4. 设定固定阈值（如当前收盘价的 2%），当 MAspread​ 小于阈值时，判定该区间形成均线簇；
5. 对比均线簇区间与当前股价的位置，判定支撑 / 压力属性。

4.2 进阶版：均线簇密度算法

基础版的固定阈值无法适配不同波动率的个股，进阶版通过动态阈值优化，提升均线簇判定的普适性，核心步骤如下：

1. 选定多周期均线组合，同步计算每日所有均线值；
2. 计算当日所有均线的标准差 MAstd​，用标准差衡量均线的密集程度；
3. 设定动态阈值：取过去 20 个交易日 MAstd​ 均值的 20% 作为阈值，当当日 MAstd​ 小于该动态阈值时，判定为有效均线簇；
4. 可通过调整回溯周期和阈值比例，适配不同风格的个股（大盘股 / 小盘股、高波动 / 低波动标的）。

4.3 支撑位与压力位的最终判定规则

完成均线簇的识别后，通过以下规则完成支撑 / 压力位的最终判定：

• 若均线簇密集区间位于当前股价上方，则该区间为个股的强压力位；
• 若均线簇密集区间位于当前股价下方，则该区间为个股的强支撑位。