昨天在知乎上看到一位医学博士的文章[《推荐一个非常实用的峰值查找算法（peak detection）》](https://zhuanlan.zhihu.com/p/549588865) 在数字信号处理中，经常涉及到波峰（或波谷）查找算法，比如心率测量、步数计数等。对于周期信号或者准周期信号，有一种称之为Automatic multiscale-based peak detection (AMPD)，即自动多尺度峰值查找算法。 其优势是： （1）算法本身（几乎）没有超参数，无需调参，对信号具有良好的自适应性，唯一的假设是信号是周期的或者准周期的； （2）抗噪能力强，后面可以看到，对周期性的要求也不是很高。 就是用一个多尺度的滑动窗口去两侧进行比较，寻找局部最大值。 ``` import numpy as np def AMPD(data): """ 实现AMPD算法 :param data: 1-D numpy.ndarray :return: 波峰所在索引值的列表 """ p_data = np.zeros_like(data, dtype=np.int32) count = data.shape[0] arr_rowsum = [] for k in range(1, count // 2 + 1): row_sum = 0 for i in range(k, count - k): if data[i] > data[i - k] and data[i] > data[i + k]: row_sum -= 1 arr_rowsum.append(row_sum) min_index = np.argmin(arr_rowsum) max_window_length = min_index for k in range(1, max_window_length + 1): for i in range(k, count - k): if data[i] > data[i - k] and data[i] > data[i + k]: p_data[i] += 1 return np.where(p_data == max_window_length)[0] ``` 我们先来合成一段数据看看效果： ``` import matplotlib.pyplot as plt def sim_data(): N = 1000 x = np.linspace(0, 200, N) y = 2 * np.cos(2 * np.pi * 300 * x) \ + 5 * np.sin(2 * np.pi * 100 * x) \ + 4 * np.random.randn(N) return y def vis(): y = sim_data() plt.plot(range(len(y)), y) px = AMPD(y) plt.scatter(px, y[px], color="red") plt.show() vis() ```  效果还不错，那么对于股票数据效果怎样呢？ ``` data=get_price('600887.XSHG',start_date='2021-07-30',end_date='2022-08-05') y = data['close'] plt.plot(range(len(y)), y) px = AMPD(y) plt.scatter(px, y[px], color="red") ```  好像也还不错。 指数好像效果就比较差了： ``` data=get_price('000300.XSHG',start_date='2021-07-30',end_date='2022-08-05') y = data['close'] plt.plot(range(len(y)), y) px = AMPD(y) plt.scatter(px, y[px], color="red") ```  波谷的计算方式只需要把数据乘以-1反转一下就可以了。 抛砖引玉，欢迎有兴趣的大佬优化股票市场的应用。