斐波那契

skypiea

开始前的准备
pip install pandas numpy matplotlib scipy scikit-learn xtquant
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：
def get_hq(code,start_date='19900101',period='1d',dividend_type='front_ratio',count=-1):
    '''
    基于xtquant下载某个股票的历史行情
    盘中运行最后一个K里存了最新的行情
    period 1d 1w 1mon
    dividend_type - 除权方式，用于K线数据复权计算，对tick等其他周期数据无效
    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
    '''
    xtdata.enable_hello = False
    xtdata.download_history_data(stock_code=code, period='1d',incrementally=True)
    history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose','suspendFlag'],[code],period=period,start_time=start_date,count=count,dividend_type=dividend_type)
    df = history_data[code]

    df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d')
    df['date'] = df.index
    return df

一、斐波那契
在金融市场中，常用的斐波那契比例有：
0.236
0.382
0.5
0.618
0.786
当股价在某段时间里走出一个高点 H 和低点 L，我们就可以用这些比例来推算潜在的支撑和压力区域。
市场里很多投资者会关注这些点位，自然就容易形成“共识心理”，价格也更容易在这些区域发生反应。

二、公式推导与指标说明
1.区间定义
区间最高价：H=max(High)
区间最低价：L=min(Low)
区间差值：D=H-L
2.回撤位公式
R(p)=H-D*p
其中p就是斐波那契比例（0.236, 0.382, 0.5, 0.618, 0.786）。
3.应用解释
如果市场是上涨趋势：这些回撤价位就是潜在支撑位。
如果市场是下跌趋势：这些回撤价位就是潜在压力位。
4.直观示例假设一只股票从 10 涨到 20，差值D=20-10=10 。
0.618回撤位：
R(0.618)=20-10*0.618=13.82
也就是说，13.82 附近可能就是股价的支撑位。

三、Python实战代码
这段代码的功能是：先从指定股票获取历史行情数据，然后根据最近一段时间的收盘价找到最高点和最低点，计算出斐波那契回撤线，用来标记价格可能的支撑和阻力位，并将股价走势、回撤线以及最高点和最低点可视化展示，帮助投资者直观判断股票的趋势和关键价格区间，同时将0.618的线重点画成金色。
from xtquant import xtdata
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def get_hq(code,start_date='19900101',period='1d',dividend_type='front_ratio',count=-1):
    '''
    基于xtquant下载某个股票的历史行情
    盘中运行最后一个K里存了最新的行情
    period 1d 1w 1mon
    dividend_type - 除权方式，用于K线数据复权计算，对tick等其他周期数据无效
    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
    '''
    xtdata.enable_hello = False
    xtdata.download_history_data(stock_code=code, period='1d',incrementally=True)
    history_data = xtdata.get_market_data_ex(['open','high','low','close','volume','amount','preClose','suspendFlag'],[code],period=period,start_time=start_date,count=count,dividend_type=dividend_type)
    df = history_data[code]

    df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d')
    df['date'] = df.index
    return df


def plot_fibonacci(df, period=200):
    """
    计算并绘制斐波那契回撤线
    :param df: DataFrame, 包含['open','high','low','close','volume']
    :param period: 回看区间长度，默认200
    """
    df = df.tail(period).copy()
    
    # 找高低点及索引
    high_idx = df['close'].idxmax()
    low_idx = df['close'].idxmin()
    high = df.loc[high_idx, 'close']
    low = df.loc[low_idx, 'close']
    
    # 判断谁更靠近最新K线
    last_idx = df.index[-1]
    if abs(last_idx - high_idx) < abs(last_idx - low_idx):
        # 高点更近：从高到低画线
        trend = "down"
    else:
        # 低点更近：从低到高画线
        trend = "up"
    
    # 计算斐波那契回撤
    diff = high - low
    levels = [0.236, 0.382, 0.5, 0.618, 0.786]
    fibo_levels = {}
    
    if trend == "down":
        fibo_levels = {f"{p*100:.1f}%": high - diff * p for p in levels}
    else:
        fibo_levels = {f"{p*100:.1f}%": low + diff * p for p in levels}
    
    
    # 绘图
    plt.figure(figsize=(12,6))
    plt.plot(df['close'].values, label="Close Price", color="black")
    
    begin_line = high if trend == "down" else low
    
    plt.hlines(begin_line, 0, len(df), linestyles="--",colors='red', label=f"begin_line: {begin_line:.2f}")
    plt.text(len(df)*0.99, begin_line, f"{begin_line:.2f}", va="center", ha="right", color="blue")
    
    # 画斐波那契水平线并标注价格
    for k, v in fibo_levels.items():
        if k == "61.8%":
            plt.hlines(v, 0, len(df), linestyles="--", colors='gold', label=f"{k}: {v:.2f}")
            plt.text(len(df)*0.99, v, f"{v:.2f}", va="center", ha="right", color="blue")
        else:
            plt.hlines(v, 0, len(df), linestyles="--", colors='gray', label=f"{k}: {v:.2f}")
            plt.text(len(df)*0.99, v, f"{v:.2f}", va="center", ha="right", color="blue")
        
   
    # 标记高点和低点
    plt.scatter(df.index.get_loc(high_idx), high, color="red", marker="o", s=100, label=f"High: {high:.2f}")
    plt.scatter(df.index.get_loc(low_idx), low, color="red", marker="o", s=100, label=f"Low: {low:.2f}")
    
    plt.title(f"Fibonacci Retracement ({trend}) - {period} bars")
    plt.legend()
    plt.show()
    
    return {
        "trend": trend,
        "high": (high_idx, high),
        "low": (low_idx, low),
        "fibo_levels": fibo_levels
    }

if __name__ == "__main__":
    df = get_hq('600519.SH', start_date='20220101', period='1d', dividend_type='front_ratio', count=200)
    result = plot_fibonacci(df, period=200)
    print(result)

四、实战应用与注意事项
1.应用场景
辅助判断买入点：比如股价回调到0.618位置，可以观察是否企稳。
辅助判断止盈点：上涨过程中，0.382、0.5位置可能成为压力区域。
2.注意事项
斐波那契回撤不是万能指标，它只是市场心理的参考。
这些点位更像是一个“区间”，而不是绝对精准的价格点。
最佳做法是结合K线形态、均线、成交量等指标一起使用。