本文介绍如何使用Pandas和NumPy高效识别K线数据中的局部极值枢轴点（5窗口中心滚动），并确保每个高点/低点仅被标记一次，避免重复触发，适用于量化交易中的关键价格位识别。
在技术分析中，枢轴点（Pivot Points）常用于识别潜在的支撑位与阻力位。一个稳健的枢轴点检测逻辑是：某根K线的high为其中心±2根K线共5根内的最高值，则标记为高位枢轴（值=2）；其low为该窗口内最低值，则标记为低位枢轴（值=1）；否则为0。关键在于——每个枢轴点仅应被识别一次，即满足条件的首个匹配位置，而非所有满足条件的行（尤其当连续多根K线价格相同时易误标）。
Pandas 的 rolling(..., center=True) 配合布尔条件判断，天然支持这种“中心对齐+局部极值”逻辑。以下为完整实现：
import pandas as pd
import numpy as np
# 示例数据构建
data = {
'date': ['01.01.2020', '02.01.2020', '03.01.2020', '04.01.2020', '05.01.2020',
'06.01.2020', '07.01.2020', '08.01.2020', '09.01.2020', '10.01.2020',
'11.01.2020', '12.01.2020', '13.01.2020', '14.01.2020', '15.01.2020',
'16.01.2020', '17.01.2020'],
'high': [207, 208, 209, 207, 206, 205, 204, 206, 207, 208, 210, 212, 214, 207, 203, 201, 199],
'low': [204, 205, 205, 203, 202, 200, 199, 201, 202, 205, 207, 209, 210, 204, 202, 198, 196]
}
df = pd.DataFrame(data)
# ✅ 核心逻辑：5期中心滚动，识别唯一枢轴点
cond_high = df['high'].rolling(5, center=True).max().eq(df['high']) # 高点是否为窗口内最大
cond_low = df['low'].rolling(5, center=True).min().eq(df['low']) # 低点是否为窗口内最小
# 使用 np.select 实现三值映射：高点→2，低点→1，其余→0
df['pivot'] = np.select([cond_high, cond_low], [2, 1], default=0)
# ⚠️ 注意：rolling(center=True) 在边界处会生成 NaN，需填充或丢弃
# 推荐做法：用 dropna() 或 fillna(0) 处理首尾两行（因窗口不完整）
df['pivot'] = df['pivot'].fillna(0).astype(int) # 确保类型为整数运行后，df['pivot'] 将准确标记：
- 209（03.01）为前5根K线最高价 → pivot = 2
- 199（07.01）为前5根K线最低价 → pivot = 1
- 214（13.01）为新高 → pivot = 2
- 后续无其他满足条件的极值 → 其余为0
✅ 为何“仅一次”？
因为 rolling(5, center=True).max().eq(df['high']) 是逐行严格比较：仅当当前 high 恰好等于以它为中心的5期滚动最大值时才为 True。即使后续几根K线价格相同，只要它们不构成新的5期窗口极值（例如被更高/更低价格覆盖），就不会被重复标记——这天然保证了每个枢轴点的唯一性与首次性。
? 进阶提示：
- 若需排除平台震荡导致的连续相同极值，可叠加 diff().ne(0) 过滤相邻重复；
- 实盘中建议结合成交量、波动率过滤假突破；
- 时间序列需确保已按 date 升序排序，否则滚动窗口将错位。
该方法简洁、向量化、无显式循环，兼顾性能与可读性，是量化策略中枢轴点信号生成的标准实践。
