从数学角度来分析，MACD指标是根据均线的构造原理，对股票收盘价进行平滑处理，计算出算术平均值以后再进行二次计算，它是属于趋向类指标。
貌似三个月没有更新博客园了，当时承诺的第二篇金融数据分析与挖掘这几天刚好又做了总结，在国内经济不景气的现在来对这个话题结个尾。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文是用 Python 做交易策略回测系列文章的第四篇。上个部分介绍了以下几个方面内容：
在ChatGPT引领的AI浪潮下，涌现了一大批AI应用，其背后其实蕴含着一个基本事实：AI能力得到了极大突破——大模型的能力有目共睹，未来只会变得更强。这世界唯一不变的就是变，适应变化、拥抱变化、喜欢变化，天行健君子以自强不息。我们相信未来会有越来越多的大模型出现，AI正在逐渐平民化，将来每个人都可以利用大模型轻松地做出自己的AI产品。
基本用法：MACD金叉：DIFF由下向上突破DEA，为买入信号。MACD死叉：DIFF由上向下突破DEA，为卖出信号。MACD绿转红：MACD值由负变正，市场由空头转为多头。MACD红转绿：MACD值正转负，市场多头转空头。DIFF与DEA均为正值，即都在零轴线以上时，大势属于多头市场，DIFF向上突破DEA，可以做买入信号。DIFF与DEA均为负值，即都在零轴线以下时，大势属于空头市场，DIFF向下跌破DEA，可做卖出信号。DEA在盘整局面失误率高，配合RSI及KDJ指标可以适当弥补缺点。
但是一个量化交易可以通过回测系统建立信心然后让其一如既往的运行，以达到让钱生钱的目的，并且是自动的。
文章地址：https://caoyongzhuo.cn/archives/902 备用地址：https://cloud.tencent.com/developer/article/2200692 代码如下：
均线：k线在所有均线上方运行批注：从图上小伙伴们可以看出来，高点之后的一轮上涨至57720处开始回调，多比君认为54290这个位置的支撑，可偏偏不下来，说明比特币的走势现在是相当的强悍！比特币继续持有，不担心！今天判断走势：盘整震荡，调整，时间换空间，横盘震荡之后，继续走高！上方的压力位59720。请关注！
要有能方便使用的各种投资相关的数据。这要考虑到各种数据的收集、存储、清洗、更新，以及数据取用时的便捷、速度、稳定。
以试运行（dry-run）或实时模式（使用 freqtrade trade ）启动 freqtrade 将启动机器人并启动机器人迭代循环。这也将运行 bot_start() 回调。默认情况下，bot 循环每隔几秒运行一次 ( internals.process_throttle_secs ) 并执行以下操作（这个循环将一次又一次地重复，直到机器人停止）：
为了更好利用向量化来加速，滑动窗口使用np.lib.stride_tricks.sliding_window_view(x, win)提取，它会返回所有x[i]开头并且长度为win的数组的数组。
今天上证成交量只有2528亿，9月8号2639就被成为半年来的新低，今天不知道是多久以来的新低了？成交量低没什么不好，最起码是说恐慌情绪已经过去了，而且经过5178跌到2850，现在MACD底背离已经形成了，不断的利好消息出来，人气不断聚集，走出一波像样的走势还是很有可能的。关于MACD的背离，我觉得参考意义还是很大的，比如之前说过的5月25左右，上证突破4月28号高点后形成的MACD顶背离，之后的事情大家都知道了。
这次是记录一下这次判断。自己学习一段时间后开始根据自己学习的知识去看K线，了解市场动态。作为自己交易判断。首先这次实盘判断自己总的来说不算赢家，当然也不算输家毕竟自己跑了一部分。手里面保留了抄底的资金。当然 总的来看还是输给人性了。 三只乌鸦 在前面我们就介绍过三只乌鸦这个形态，可以参考 以下文章进行K线的学习 [ 去掉小白身份，从学习K线开始 ] [ 去掉小白身份，从学习K线开始] [关于交易，我们更需要了解这些] 通过K线学习我们知道,三只乌鸦是是上升趋势中出现的见顶的信号，一般出现这种情况对
OK,Show me your code!Go!Go!Go！ 先来看一波效果图：
我去年出了一本Python书，基于股票大数据分析的Python入门实战，在这本书里，我是用股票范例讲述Pythorn的爬虫，数据分析和机器学习知识点，如下是京东的连接。
算法交易的主要类型有:(1)被动型算法交易，也称结构型算法交易。该交易算法除利用历史数据估计交易模型的关键参数外，不会根据市场的状况主动选择交易时机和交易的数量，而是按照一个既定的交易方针进行交易。该策略的的核心是减少滑价（目标价与实际成交均价的差）。被动型算法交易最成熟，使用也最为广泛，如在国际市场上使用最多的成交加权平均价格（VWAP）、时间加权平均价格（TWAP）等都属于被动型算法交易。(2)主动型算法交易，也称机会型算法交易。这类交易算法根据市场的状况作出实时的决策，判断是否交易、交易的数量、交易的价格等。主动型交易算法除了努力减少滑价以外，把关注的重点逐渐转向了价格趋势预测上。(3)综合型算法交易，该交易是前两者的结合。这类算法常见的方式是先把交易指令拆开，分布到若干个时间段内，每个时间段内具体如何交易由主动型交易算法进行判断。两者结合可达到单纯一种算法无法达到的效果。
在我写的这本书，《基于股票大数据分析的Python入门实战（视频教学版）》里，用能吸引人的股票案例，带领大家入门Python的语法，数据分析和机器学习。
游戏中，急于与王迅猜拳赢得胜利的罗志祥，亲手将一个市值和利润率颇高的公司送入破产。相反，黄磊公司虽没有特别良好的市场竞争力，但得益于资深经理人的协助，他利用各种金融手段与股民建立信任机制，降低风险同时拉高公司市值。
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。 源代码请点击阅读原文 在QIML公众号官方GitHub查看 QIML官方GitHub上线 https://github.com/QuantWorld2022 希望大家多Follow，多给星⭐️ 通过config实例化操
今天我想做一个带有实际预测的金融时间序列结论:我们将用神经网络强化经典移动平均策略,证明它真的改善了最终结果，并且审查新的预测目标。 训练神经网络的代码地址：https://github.com/Rachnog/Deep-Trading/blob/master/strategy/skew.py 主要思路 我们可以预测不同的价值——从价格变化到波动率。在我们把这些预测看作是一种抽象的东西之前，只是看这些“up-down”的预测就尝试交易，即使这些预测并不是很好。但我们也知道，有很多其他的交易策略都是基于技术分
概述 和Python计算环境中的tushare包一样，在R中我们使用quantmod包接入第三方数据源，实现自定义量化分析平台的构建。 本文打算以陌陌的股票分析为背景，介绍如何通过quantmod包构
量能也成为成交量，代表多空双方交战的过程，一定程度上决定了价格和走势。量能和价格走势进行结合，成为量价结合的分析方法。
XRP 是为 Ripple 的跨境汇款生态系统提供动力的代币，在 3 月份与比特币和以太坊一起表现出色，因为投资者将即将对美国证券交易委员会 (SEC) 提起的诉讼进行简易判决。
用Python做web图形用户界面，最先想到的是Flask、Djong等框架。然而研究这些对于初学者来讲，尤其是没有web开发基础的数据分析人员是痛苦的。
前言 使用gradle打包react native的时候，出现了如下报错，下面和大家说一下解决的具体办法 Deprecated Gradle features were used in this build, making it incompatible with Gradle 5.0 问题详解 从字面意思来看，是因为当前项目使用了gradle版本过渡时候的语法和特性，而本地环境的gradle版本太高，不支持之前的语法和特性，所以导致报错。 问题解决 其实这个问题还是比较好解决的，最简单的方法也是最推荐的方
公众号特约编辑 / 一心想错 / 独家 gcForest Algorithm 对于周志华教授的文章，网上已经有人做出很详细的解释啦。我们对论文进行简单描述之后，然后直接从策略开始讲起。 gcForest(multi-Grained Cascade forest 多粒度级联森林)是周志华教授最新提出的新的决策树集成方法。这种方法生成一个深度树集成方法(deep forest ensemble method)，使用级联结构让gcForest学习。gcForest模型把训练分成两个阶段：Multi-Grain
在本篇文章中，我们将创建一个完整的程序来预测股票价格的变动。为此，我们将使用生成对抗性网络（GAN），其中LSTM是一种递归神经网络，它是生成器，而卷积神经网络CNN是鉴别器。我们使用LSTM的原因很明显，我们试图预测时间序列数据。为什么我们使用GAN，特别是CNN作为鉴别器？这是一个好问题，后面会有专门的部分介绍。
近日，Medium 上出现了一篇题为《Neural networks for algorithmic trading: enhancing classic strategies》的文章，作者 Alex
选自Medium 机器之心编译 参与：黄小天、路雪 近日，Medium 上出现了一篇题为《Neural networks for algorithmic trading: enhancing clas
这个库我们之前就介绍过了，AkShare 是基于 Python 的开源数据接口库, 目的是实现对期货, 期权, 基金等衍生金融产品和另类数据从数据采集, 数据清洗加工, 到数据下载的工具, 满足金融数据科学家, 数据科学爱好者在数据获取方面的需求。那么这个提供金融数据的库目前也采集了网易和丁香园的疫情数据提供给大家。如果在做项目时需要爬数据的话，可以先来看看有没有提供处理好的数据，如果有还是很方便的～
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者”。 前言 在之前的文章中，我们使用Qlib实现了GAT与新闻共现矩阵的量化策略（A股实践 ：图神经网络与新闻共现矩阵策略（附代码））。后台收到很多留言，希望我们能够出一些Qlib的使用教程。Qlib确实一个非常体系化、流程化
May there be enough clouds in your life to make a beautiful sunset.愿你的生命中有足够的云翳，来造成一个美丽的黄昏。
TI公司C24XX系列DSP的移位指令很有特色而且效率很高；一般的移位功能不用专门的指令实现而是作为其他指令中的一个功能给出，并且移位并不占用CPU额外时间。以下整理出了DSP常用的移位指令:
传统的CTA策略多为多品种多周期的趋势跟踪策略组合。其中对于趋势的定义，大都基于时间序列计算出的传统技术指标，如MACD、均线等。然后根据趋势的多空，构建多品种的多空组合。随着深度学习的发展，很多研究者在量化CTA策略的研发中，开始尝试深度学习算法。常见的作法，如直接用深度学习预测每个品种未来一段时间的收益率，并根据预测收益构建品种多空的组合。但这钟做法有以下两个缺点：
1、上证A股综合指数当前为3080，假如未来1年投资上证指数的年收益率5.1%，上证指数的年波动率标准差为0.7，如果上证指数在未来2年服从正太分布，请画出未来2年内的上证指数模拟走势图。
常用的量价技术指标：Chaikin A/D、BBAND、CCI、EMA、MACD、OBV、RSI、SMA和STOCH。
ChatGPT现在是越来越能干了！ 有人竟然用ChatGPT写了一本有关量化投资的书籍！ 还出版了！ 还是二作！
这是2018的一篇论文《A Machine Learning View on Momentum and Reversal Trading》的观后感。作者探索并比较了各种机器学习技术，包括决策树（DT），支持向量机（SVM），多层感知器神经网络（MLP）和长短期记忆神经网络（LSTM）。基于这些机器学习方法来预测中国股市的动量、反转效应。
24 天从从 JavaScript 到 Rust教程，一个 Node 开发者视角的 Guide。
特斯拉把约75%的比特币持仓转换为了法定货币。第二季度的比特币转换为特斯拉的资产负债表增加了9.36亿美元现金。
本人最近在尝试着发表“以股票案例入门Python编程语言”系列的文章，在这些文章里，将用Python工具绘制各种股票指标，在讲述各股票指标的含义以及计算方式的同时，验证基于各种指标的交易策略，本文是第一篇，通过K线和均线案例讲述Numpy，Maplotlib等相关库的用法，并且还用代码案例来验证买卖的交易策略。在本系列的后面文章中,将陆续通过python绘制成交量、KDJ、MACD、RSI和OBV等指标,而且还会用Python编写针对这些指标的交易策略,敬请关注。
正在使用 ZAO 的用户会发现，想要生成一段新的 AI 换脸视频，已经不是等待几秒、排队第几位的问题，而是 ——
量化合约指的是目标或任务具体明确，可以清晰度量。根据不同情况，表现为数量多少，具体的统计数字，范围衡量，时间长度等等。所谓量化就是把经过抽样得到的瞬时值将其幅度离散，即用一组规定的电平，把瞬时抽样值用最接近的电平值来表示。经过抽样的图像，只是在空间上被离散成为像素(样本)的阵列。而每个样本灰度值还是一个由无穷多个取值的连续变化量，必须将其转化为有限个离散值，赋予不同码字才能真正成为数字图像。这种转化称为量化。
但如果使用 matplotlib 从 0 开始绘制，一步一步添加日线、均线、MACD、成交量等指标时，则会显得十分麻烦，且代码很难复用。
来源：雪球 【投资起源】“与第一张股票认购证擦肩而过，再次入市从基金做起” 问：您哪一年入市的有多久了？为何会入市呢？第一次买卖赚了还是亏了？ 持有封基：1992年是个激情澎湃的年代，年初推出了30元一张的股票认购证，但那天我去银行买的时候，柜台营业员让我等一会，我正好还有其他事，加上当年100元工资来说，（认购费）是相当大的一笔钱，而且当时聪明人都在说是买了一张废纸，第一次我就这样和财富失之交臂了。 第二次买认购证时，我竟然中了上海石化，5元的认购证成本加上3元的股价，很多年都没翻身（当时大部
今天我们来深度剖析一个老生常谈的话题「请说出在淘宝网输入一个商品到最终展示的完整路径」，这题很难，涉及到网络的工作机制，硬件上需要对交换机，路由器，网卡的工作机制有所了解，软件上则涉及到 TCP，LVS 的工作原理，网上对这些内容的讲解有不少错误而且讲得不够细，很多知识点一笔带过，本文将会用大量的图解对网络中软硬件的工作机制做详细介绍，相信大家看了肯定有收获,肝文不易，大家来个三连支持呀
全仓：全仓模式的意思是账户里所有可用余额都可以充当担保资产，以避免被强制平仓。这个模式的好处是：只要杠杆适中，爆仓可能性很低，所以经常被用于套期保值。 逐仓：逐仓模式的意思是分配给某仓位的担保资产被限制在一定数额。 如果仓位的担保资产不足以支撑浮亏，此仓位将被强制平仓。所以，在波动率较高，杠杆较大的情况下，逐仓模式很容易被强制平仓，但最终的损失仅仅是仓位担保资产，而不影响账户余额。 常见的K线形态：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
