搜索逻辑

代码主要以支撑概率和压力概率来判断均线的优劣
判断为压力： 当日线与测试均线发生金叉或即将发生金叉后继续下行
判断为支撑： 当日线与测试均线发生死叉或即将发生死叉后继续上行
判断结果的天数： 小于6日均线，用金叉或死叉后2个交易日的结果判断；大于等于6日的n日均线，用n/2个交易日判断
判断逻辑： 使用判断点（金叉 or 死叉）后n/2个交易日的收盘价的一次回归线的斜率，大于0为上行，小于0为下行
补充： 把判断点由近似点改成准确点（即日线与均线发生交叉）后，1-压力概率 即为金叉概率，1-压力概率 即为死叉概率

数据处理

数据来源： tushare 或 通信达，我使用的是通信达导出的2015年至今的日线数据
数据处理： 把每只股票的数据按照日期从小到大排列后，取出收盘价即可
如果你有分钟数据，也可以搜索分钟级别的均线压力和支撑

数据处理代码
def readData(self,r_path):'''1、r_path: 通信达导出的日线数据所在的目录2、生成函数,每次获取一支股票2015年至今的收盘数据'''files = os.listdir(r_path)for f_path in files:f_path = os.path.join('日线_data',f_path)df = pd.read_csv(f_path,header=None,index_col=False,encoding='gbk',names=['trade_date','open','high','low','close','vol','amount']).dropna()df = df.sort_values('trade_date').reset_index(drop=True)yield df['close']

查找代码

判断金叉和死叉的逻辑

判断金叉和死叉的代码逻辑一开始属实让我难理解，看四五遍才清除，下面给一个我觉得比较清楚的示例

# 计算均线
ma = data.rolling(5).mean() # 计算5日均线
cmp = data > ma * 0.97 # 有时不触及均线也会有支撑和压力，但不会有金叉和死叉，所以要适当抬高或降低均线，自己设置
'''计算金叉和死叉,金叉用于计算压力,死叉用于计算支撑金叉计算逻辑cmp: F F F T T T F F F(~cmp).shift(1):   T T T F F F T T Tgolden_idx: F F F T F F F F F # 金叉结果反过来就是死叉
'''
golden_idx = cmp & (~cmp).shift(1) #金叉
cmp = data > ma * 1.03 # 计算死叉，抬高均线
death_idx = ~cmp & cmp.shift(1) # 死叉

整体搜索代码

def find_best_ma(self,r_path,days:tuple):assert days[0] <= days[1],'计算均线日期错误,格式(起始,结束)'assert days[0] > 1,'最小天数要大于1'datas = self.readData(r_path)# 保存结果result = pd.DataFrame({'MA':[*range(days[0],days[1]+1)],'支撑成功率':np.zeros(days[1]-days[0]+1),'支撑成功次数':np.zeros(days[1]-days[0]+1),'支撑总次数':np.zeros(days[1]-days[0]+1),'压力成功率':np.zeros(days[1]-days[0]+1),'压力成功次数':np.zeros(days[1]-days[0]+1),'压力总次数':np.zeros(days[1]-days[0]+1)})result = result.set_index('MA')for data in datas:data_len = len(data) # 数据长度for day in range(days[0],days[1]+1):# 计算均线ma = data.rolling(day).mean()'''计算金叉和死叉,金叉用于计算压力,死叉用于计算支撑金叉计算逻辑cmp: F F F T T T F F F(~cmp).shift(1):   T T T F F F T T Tgolden_idx: F F F T F F F F F'''cmp = data > ma * 0.97 # 有时不触及均线也会有支撑和压力，但不会有金叉和死叉，所以要适当抬高或降低均线golden_idx = cmp & (~cmp).shift(1)cmp = data > ma * 1.03 # 计算死叉，抬高均线death_idx = ~cmp & cmp.shift(1)# 转成索引golden_idx = golden_idx[golden_idx].indexdeath_idx = death_idx[death_idx].index# 把长度加进总数里result.loc[day,['压力总次数']] += len(golden_idx)result.loc[day,['支撑总次数']] += len(golden_idx)'''设置参考天数，用于判断后续涨跌如果均线小于等于5天，则用后2天判断如果均线大于5天，则n天均线准确率用后n/2天的涨势判断'''pre_day = 2 if day <=5 else int(day/2)'''支撑成功判断：死叉当天到后续pre_day天计算回归，斜率大于0死叉成功判断：死叉当天到后续pre_day天计算回归，斜率大于0'''for idx in golden_idx:if idx >= data_len-1:result.loc[day,['压力总次数']] -= 1continue # 位置太靠后，没有结果参考，跳过if data_len-idx < pre_day:pre_day = data_len-idx # 后续数据不足以参考天数，改为用后面剩的几天判断y = data[idx:idx + pre_day + 1]x = range(1,len(y)+1)k,b = np.polyfit(x,y,deg=1) # 线性回归预测if k < 0:result.loc[day,['压力成功次数']] += 1 # 小于0则说明均线有压力for idx in death_idx:if idx >= data_len-1:result.loc[day,['支撑总次数']] -= 1continue # 位置太靠后，没有结果参考，跳过if data_len-idx < pre_day:pre_day = data_len-idx # 后续数据不足以参考天数，改为用后面剩的几天判断y = data[idx:idx + pre_day + 1]x = range(1,len(y)+1)k,b = np.polyfit(x,y,deg=1) # 线性回归预测if k > 0:result.loc[day,['支撑成功次数']] += 1 # 小于0则说明均线有压力result['压力成功率'] = round(result['压力成功次数']/result['压力总次数'],4) # 更新一次结果result['支撑成功率'] = round(result['支撑成功次数']/result['支撑总次数'],4) # 更新一次结果os.system('cls')max = result.idxmax()max_support = result['支撑成功率'].max()max_presure = result['压力成功率'].max()print(tabulate(result.head(15), headers='keys', tablefmt='psql'),flush=True)         print('当前最优值',flush=True)print('支撑\t','MA {}\t'.format(max['支撑成功率']),max_support,flush=True)print('压力\t','MA {}\t'.format(max['压力成功率']),max_presure,end='',flush=True) result.to_csv('最优均线.csv',encoding='utf-8-sig')

效果展示，以5到30天均线搜索为例