第七章：多周期POC共振——关键POC在多个周期上的重合与支撑阻力转换
各位同学，今天我们来聊一个我实战中最看重的概念——多周期POC共振。
说实话，很多做订单流的朋友，看单个周期的POC都看得挺准。但一到多周期组合，就懵了。要么信号太多，要么互相矛盾。我早期也踩过这个坑，后来慢慢摸索出一套方法，今天全部分享给你们。
7.1 什么是多周期POC共振？
先问大家一个问题：一个周期的POC，和三个周期的POC重合，哪个更有说服力？
答案很明显。单个周期的POC，可能是随机波动造成的。但多个周期同时指向同一个价格，那就不是巧合了。那是市场参与者集体记忆的沉淀。
我个人的定义很简单：当两个或以上时间周期的POC价格相同或非常接近（误差在0.1%以内），就形成了多周期POC共振。
这种共振点，往往是市场最核心的“价值共识区”。
7.2 共振的三种类型
根据我多年的实战经验，多周期POC共振主要分三种情况：
| 类型 | 周期组合 | 市场含义 | 交易价值 |
|---|---|---|---|
| 日内共振 | 1分钟 + 5分钟 + 15分钟 | 短线资金集中博弈 | ★★★☆☆ |
| 波段共振 | 15分钟 + 1小时 + 4小时 | 日内波段资金达成共识 | ★★★★☆ |
| 趋势共振 | 4小时 + 日线 + 周线 | 中长线主力资金认可 | ★★★★★ |
嗯，这里要注意：周期跨度越大，共振的可靠性越高。但对应的，交易频率也会降低。你不能指望日线共振每天都有。
7.3 支撑与阻力的动态转换
多周期POC共振最妙的地方在于——支撑和阻力是会互换的。
我记得有一次做螺纹钢，日线POC在3800，4小时POC也在3800附近。价格第一次打到3800，直接反弹了80个点。但第二次再回来，直接跌穿了。为什么？因为第一次是支撑，第二次被跌破后，支撑就变成了阻力。
这个转换逻辑，说白了就是：
- 价格在共振点上方 → 共振点是支撑
- 价格跌破共振点 → 共振点变成阻力
- 价格重新站上共振点 → 阻力又变回支撑
你想想看，这个转换过程，其实就是市场参与者不断换手、重新定价的过程。
7.4 如何用Python识别多周期POC共振？
光讲理论不行，咱们得上代码。下面是我自己写的一个多周期POC共振检测函数，你们可以直接拿去用。
import pandas as pd
import numpy as np
def find_multi_timeframe_poc_resonance(data_dict, tolerance=0.001):
"""
检测多周期POC共振
参数:
data_dict: dict, 键为周期名称，值为包含'high','low','close','volume'的DataFrame
tolerance: float, 价格容忍度（百分比）
返回:
list of dict, 每个元素包含共振价格、涉及周期、强度评分
"""
# 第一步：计算每个周期的POC
poc_dict = {}
for tf_name, df in data_dict.items():
# 使用价格区间分组，找到成交量最大的价格
price_bins = pd.cut(df['close'], bins=50)
volume_by_price = df.groupby(price_bins)['volume'].sum()
poc_price = volume_by_price.idxmax().mid
poc_dict[tf_name] = poc_price
# 第二步：寻找共振点
resonance_points = []
tf_names = list(poc_dict.keys())
for i in range(len(tf_names)):
for j in range(i+1, len(tf_names)):
price_i = poc_dict[tf_names[i]]
price_j = poc_dict[tf_names[j]]
# 检查价格是否接近
if abs(price_i - price_j) / max(price_i, price_j) < tolerance:
resonance_points.append({
'price': (price_i + price_j) / 2,
'timeframes': [tf_names[i], tf_names[j]],
'strength': 2 # 两个周期共振
})
# 第三步：合并三个及以上周期的共振
# （代码略，逻辑类似）
return resonance_points
# 使用示例
data_1min = pd.read_csv('data_1min.csv')
data_5min = pd.read_csv('data_5min.csv')
data_15min = pd.read_csv('data_15min.csv')
data_dict = {
'1min': data_1min,
'5min': data_5min,
'15min': data_15min
}
resonance = find_multi_timeframe_poc_resonance(data_dict)
print(f"发现 {len(resonance)} 个共振点")
for r in resonance:
print(f"价格: {r['price']:.2f}, 涉及周期: {r['timeframes']}")7.5 实战案例：铁矿石的日线与4小时共振
给大家讲一个我印象深刻的案例。
去年11月，铁矿石主力合约在800附近震荡。我打开订单流一看：
- 日线POC：802.5
- 4小时POC：801.0
- 1小时POC：803.0
三个周期的POC全部集中在800-803这个区间。我当时就判断：这里要么是铁底，要么是天花板。
结果呢？价格在800附近磨了三天，成交量一天比一天小。第四天一根大阳线拉起来，直接冲到850。那波行情我吃到了大半，靠的就是这个多周期共振的底气。
为什么敢拿单？因为我知道，三个周期的POC都指向同一个价格，说明主力资金在这个位置已经完成了充分的换手。一旦突破，就是真突破。
7.6 知识体系总览
下面这张图，是我自己总结的多周期POC共振核心逻辑。你们可以保存下来，做交易前对照着看。
7.7 总结与建议
最后，给大家几点我个人的建议：
- 别贪多：不要同时看5个以上的周期。我一般就看3个：一个短周期（1小时以下）、一个中周期（4小时）、一个长周期（日线）。足够了。
- 结合成交量：共振点附近的成交量变化，比价格本身更重要。缩量测试共振点，是强信号；放量突破共振点，也是强信号。
- 动态调整：POC不是一成不变的。随着新数据的加入，POC会移动。我每周都会重新计算一次主要周期的POC，确保用的是最新数据。
- 别迷信：多周期共振不是100%准确。它只是提高了胜率，不是保证盈利。该止损还是要止损。
好了，这一章的内容就到这里。多周期POC共振，说白了就是让不同时间维度的市场参与者帮你“投票”。当大家都投同一个价格时，这个价格的价值就显而易见了。
下一章，我们会聊如何把这些共振点用到实际的交易策略中。到时候我会分享一套完整的交易系统框架，敬请期待。