如何在Python的OHLCV数据集跨不同时间区间检测峰值是否同水平？

针对你用角度阈值法在不同时间框架下表现不一致的问题，以下几种稳健方法可以实现跨1分钟到日线的一致检测效果：

1. 相对价格偏差法 #

放弃绝对角度判断，转而用价格的相对百分比偏差作为阈值，核心是消除不同时间框架的价格波动幅度差异：

• 计算两个峰值的价格差相对于二者平均价格的百分比
• 设定固定百分比阈值（比如±1%~3%，可根据品种调整），只要偏差在阈值内即判定为同水平
• 可结合峰值附近的成交量过滤：若其中一个峰值伴随异常放量（比如超过5日平均成交量的2倍），则可能是假突破，需排除

伪代码示例：

def check_same_level(p1, p2, threshold_pct=2.0):
    avg_price = (p1["high"] + p2["high"]) / 2
    price_diff_pct = abs(p1["high"] - p2["high"]) / avg_price * 100
    # 可选：加入成交量过滤
    vol_ok = (p1["volume"] < p1["volume_5d_avg"] * 2) and (p2["volume"] < p2["volume_5d_avg"] * 2)
    return price_diff_pct <= threshold_pct and vol_ok

2. ATR归一化阈值法 #

利用**平均真实波幅（ATR）**自适应不同时间框架的波动特性，用ATR作为基准单位判断价格差：

• 先计算检测窗口内的ATR（推荐20周期，适配多数品种），ATR会自动根据时间框架调整（1分钟ATR远小于日线ATR）
• 设定固定倍数阈值（比如0.3~0.8倍ATR），两个峰值的价格差小于该倍数即判定为同水平
• 优势：完全适配不同时间框架的波动强度，无需手动调整阈值

伪代码示例：

import numpy as np
import pandas as pd

def calculate_atr(ohlcv_df, period=20):
    ohlcv_df["tr"] = np.max([
        ohlcv_df["high"] - ohlcv_df["low"],
        abs(ohlcv_df["high"] - ohlcv_df["close"].shift(1)),
        abs(ohlcv_df["low"] - ohlcv_df["close"].shift(1))
    ], axis=0)
    ohlcv_df["atr"] = ohlcv_df["tr"].rolling(window=period).mean()
    return ohlcv_df

def check_same_level_atr(p1_high, p2_high, current_atr, threshold=0.5):
    return abs(p1_high - p2_high) <= threshold * current_atr

3. 局部价格分位匹配法 #

从价格分布的相对位置入手，判断两个峰值在各自局部区间内的地位是否一致：

• 对每个峰值，取其前后N根K线（比如30根）的价格区间，计算该峰值在区间内的百分位（比如90分位表示是区间内前10%的高点）
• 若两个峰值的百分位都处于高位（比如≥80分位），且分位差≤5%，则判定为同水平
• 优势：不管时间框架波动大小，只关注峰值在局部的相对强度，适合捕捉关键阻力位

4. 优化版斜率偏差法 #

如果不想完全放弃角度/斜率思路，可将绝对角度转换为相对斜率偏差：

• 计算两个峰值之间的斜率（价格差/时间差），同时计算同时间框架下近期N根K线的平均斜率
• 若目标斜率与平均斜率的偏差在±20%以内，则判定为同水平
• 核心是用相对偏差替代绝对角度阈值，消除时间单位（分钟/天）的影响

实践建议 #

• 先做峰值预过滤：只保留超过1.5倍ATR的峰值，过滤掉噪音小高点
• 交叉验证：同时使用2~3种方法（比如相对价格偏差+ATR归一化），只有都满足时才判定为同水平，提升准确率
• 阈值微调：针对不同品种（比如股票/期货/加密货币），可小范围调整百分比或ATR倍数阈值

内容的提问来源于stack exchange，提问作者Dany Nuñez