均线共振时如何精准捕捉股票期货最佳买卖点

摘要： 均线共振指多周期均线同向交叉，金叉共振是买入信号，死叉共振是卖出信号，结合量能和背离过滤假信号。

均线共振的核心逻辑

均线共振发生在不同时间周期的移动平均线同时发出方向一致的交叉信号。日线级别的5日均线与20日均线金叉，周线级别的5周均线与20周均线同步金叉，两个周期共振向上。这种共振过滤了单一周期的噪音，提高了买卖点的可靠性。股票市场中，主力资金运作往往在周线级别留下痕迹，日线共振只是短期情绪体现。期货市场杠杆效应放大波动，均线共振能帮助交易者避免被日内杂波扫损。

均线共振的本质是不同周期持仓成本的趋同。当短期均线上穿长期均线，代表近期买入成本超过远期持仓成本，多头力量占据主导。多个周期同时发生这种上穿，说明大小资金形成合力。股票中常说的“多头排列”就是均线共振的一种持续形态。期货中由于T+0和双向交易，均线共振的买卖点需要更严格的确认条件。

股票均线共振买卖点识别

日线图设置5日、10日、20日、60日四条均线。买入条件：5日均线上穿10日均线形成金叉，随后5日均线上穿20日均线，同时20日均线走平或上翘。更严格的共振要求周线级别5周均线已经上穿10周均线。2024年多数科技股在底部反转时都出现这种形态。

均线共振时如何精准捕捉股票期货最佳买卖点

卖出条件：5日均线下穿10日均线形成死叉，随后5日均线下穿20日均线，同时20日均线走平或下弯。周线级别5周均线下穿10周均线确认。股票T+1制度下，均线共振死叉出现时应该果断减仓，避免后续连续下跌。

量能配合是过滤假共振的关键。真共振金叉时，成交量需要放大到5日均量的1.5倍以上。假共振往往缩量或平量。股票除权除息后均线会变形，需要复权处理后再判断共振。


import pandas as pd

import numpy as np

def stock_ma_resonance(df, short=5, mid=10, long=20):

    df['ma_short'] = df['close'].rolling(short).mean()

    df['ma_mid'] = df['close'].rolling(mid).mean()

    df['ma_long'] = df['close'].rolling(long).mean()

    df['golden_cross'] = (df['ma_short'] > df['ma_mid']) & (df['ma_short'].shift(1) <= df['ma_mid'].shift(1))

    df['resonance_buy'] = df['golden_cross'] & (df['ma_long'] > df['ma_long'].shift(1)) & (df['volume'] > df['volume'].rolling(5).mean() * 1.5)

    df['death_cross'] = (df['ma_short'] < df['ma_mid']) & (df['ma_short'].shift(1) >= df['ma_mid'].shift(1))

    df['resonance_sell'] = df['death_cross'] & (df['ma_long'] < df['ma_long'].shift(1))

    return df

期货均线共振买卖点识别

期货市场使用1分钟、5分钟、15分钟、60分钟四个周期。日内交易者观察1分钟与5分钟均线共振。当1分钟5均线上穿10均线，同时5分钟5均线上穿10均线，形成小周期共振买点。止损设在共振金叉前一根K线的最低点下方。

波段交易者使用60分钟与日线共振。60分钟5均线上穿20均线，日线5均线上穿10均线，两个周期同时金叉。期货品种如螺纹钢、原油、黄金在趋势启动时常见这种共振。

期货均线共振死叉需要结合持仓量变化。死叉时持仓量增加，表明空头主动开仓，下跌动能强。死叉时持仓量减少，表明多头平仓导致价格下跌，后续可能反弹。期货夜盘和日盘均线连续计算，跳空缺口会扭曲均线，使用前复权连续合约数据。


import pandas as pd

import numpy as np

def futures_ma_resonance(df_1min, df_5min, short=5, mid=10):

    df_1min['ma_s'] = df_1min['close'].rolling(short).mean()

    df_1min['ma_m'] = df_1min['close'].rolling(mid).mean()

    df_1min['cross_1min'] = (df_1min['ma_s'] > df_1min['ma_m']) & (df_1min['ma_s'].shift(1) <= df_1min['ma_m'].shift(1))

    df_5min['ma_s'] = df_5min['close'].rolling(short).mean()

    df_5min['ma_m'] = df_5min['close'].rolling(mid).mean()

    df_5min['cross_5min'] = (df_5min['ma_s'] > df_5min['ma_m']) & (df_5min['ma_s'].shift(1) <= df_5min['ma_m'].shift(1))

    merged = pd.merge_asof(df_1min, df_5min[['cross_5min']], left_index=True, right_index=True, direction='backward')

    merged['resonance_long'] = merged['cross_1min'] & merged['cross_5min']

    return merged