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。
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。
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。
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。
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:
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。
在Reddit的Algotrading网站上发现了一个关于优化 MACD 设置的帖子。
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。
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。
EA系列之:ZigAndZag_V2 – MetaTrader 4EA
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。
OK,Show me your code!Go!Go!Go! 先来看一波效果图:
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):
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。
文章地址:https://caoyongzhuo.cn/archives/902 备用地址:https://cloud.tencent.com/developer/article/2200692 代码如下:
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。
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
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
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。
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
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
你是一个Python编程专家,要完成一个编写Python脚本的任务,具体步骤如下:
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。
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://louluan.blog.csdn.net/article/details/42425105
争取每天更新 ? 126 蜗牛的历程: [入门问题] [机器学习] [聊天机器人] [好玩儿的人工智能应用实例] [TensorFlow] [深度学习] [强化学习] [神经网络
常用的量价技术指标:Chaikin A/D、BBAND、CCI、EMA、MACD、OBV、RSI、SMA和STOCH。
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!
机器学习是未能完全解决的一个领域是股票预测,因为它可能是最有利可图的研究领域之一所以在这方面的研究仍然在继续。投资者希望能够放心地把钱投在表现优异的公司,随着投资的增加,公司的发展也将会突飞猛进,投资的收益也会增长。
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:
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。
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。
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。
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
本系列为吴恩达老师《深度学习专项课程(Deep Learning Specialization)》学习与总结整理所得,对应的课程视频可以在这里查看。
教程地址:http://www.showmeai.tech/tutorials/41
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。
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:
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。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
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
今天编辑部带来关于在基于金融时间序列的预测模型案例,我们将通过神经网络来增强一个经典的移动平均策略,并表明它真的是有所改善相对原策略。
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。
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。
领取专属 10元无门槛券
手把手带您无忧上云