布林线指标,利用统计学原理,求出股价的标准差和信赖区间,从而去定股价波动的范围和未来走势,利用波段显示股价的安全高低价位。因而被称为布林带。
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!
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:
[什么是ADX] ADX(average directional indicator) 平均趋向指数,常用的趋势衡量指标。通常与趋向系统(DMI)一起使用,利用多空趋向之变化差离与总和判定平均趋势,ADX数值不能显示趋势的发展方向。 但是如果趋势存在,ADX可以衡量趋势的强度。 [ADX的计算方法(默认区间14天)] Step 1. 计算Directional movement (动向变化值) +DM:当日最高价比昨日最高价高并且当日最低价比昨日最低价高,即为上升动向+DM。上升幅度为:当日最高价减去昨日最
前两日上涨本质上已经验证了中期行情判断的正确性,而昨日上涨由BTC暴涨带动,进一步给市场引导了方向;基于中期行情的持续性和上涨空间,后市,不排除部分币种会走出翻倍行情。
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。
导读: 一个棋盘,几个棋子就能拥有万千变化,而变化之中又有奇妙的规律等待着数学家与解谜者的探寻。游戏是人类的天性,几千年来,人们发明游戏、在游戏中取胜、挖掘着游戏背后的秘密。正是在游戏与对真理的追寻中
EA系列之:ZigAndZag_V2 – MetaTrader 4EA
当日Hcash 24小时交易量排全部数字货币第18名,占整个数字货币的0.65%,价格上也拉出一根大阳线。
量化程序是用计算机程序来执行投资策略的程序,通常会涉及到数据获取、数据分析、模型构建、交易执行等一系列流程。下面是一个简单的示例程序,可以使用Python获取股票数据,并计算股票的均线,然后根据均线的交叉情况来决定是否买入或卖出股票。
在前三篇文档中我们大概学习了成交量指标、价格指标和重叠研究指标(均线相关),其中成交量就是多空双方的力量对比指标,经过作图发现能量潮和ADOSC指标比较好,其均通过成交量的统计得出。如果其趋势向上表示上涨力量较大,反正空方占优。但是再具体实践中还需要对风格切换的关键点进行仔细翔实。除此之外就是价格指标,价格指标只是单纯的试图通过数学计算得出能够代替所有交易价格的这样一个价格,通过仔细思考,我们发现典型价格比较好,因为每日的交易的最终图像是五边形,使用收盘价做处理其实是合理的,我记得有一篇论文他们就是采用的收盘价做五边形的定点。当然加权收盘价也是比较重要的,加权收盘价通过给收盘价更好的次数,使得加权收盘价总是大于或小于真实的收盘价。为什么这么计算的原因在于一个基础性的假设,这个假设就是收盘价在某种程度上代表未来,加权收盘价就是放大这种效果,通过与趋势线的对比可能会好于真正的收盘价的比较。在最后的一篇文档中,我们学习了重叠性研究指标,发现重叠性就是均线指标。首先就是布林带,通过对收盘价的统计,画出价格的的波动范围,主要用上轨、下轨和中轨,中轨采用的是均线。这其中有几种形态分别为喇叭口和收紧。这种形态的产生也和布林线的统计有关,一般来说横盘是收紧,上升和下降均为喇叭口。这块和kdj结合比较好,因为kdj就是用来识别底部的指标,而布林线能够提供上升的参考。在均线指标中还有更加平滑的T3和对当日给予更大权重的移动加权平均法(原理和典型价格一样)。都有不错的表现,在实际使用中我们可以采用T3才替代趋势线(均线)。
在图形上观察初次停止,通常被误解为:增加的成交量和扩大的交易区间。初次停止也可以被堪称一系列的K线带着相对狭窄的实体,并且期间都保持着高成交量,总之反应的含义就是:大型交易者第一次有意义的进场!
摘要: 本篇文章是”Python股市数据分析”两部曲中的第二部分。在本篇文章中,我们讨论了均线交叉策略的设计、回溯检验、基准测试以及实践中可能出现的若干问题,并结合Python代码实现了一个基于均线交叉的交易策略系统。 注意:本篇文章所涉及的看法、意见等一般性信息仅为作者个人观点。本文的任何内容都不应被视为金融投资方面的建议。此外,在此给出的所有代码均无法提供任何保证。选择使用这些代码的个人需自行承担风险。 交易策略 我们把在未来条件满足时将被终止的交易称为未平仓交易。多头仓位是指在交易过程中通过金融商品增
我们在使用ea 回测的时候,如果使用自带的数据回测,因为数据质量问题,无法回测出ea的实际盈亏能力。这时就需要一个高质量的数据来回测,而自带的数据往往不能满足这一点
在用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口爬取数据和验证交易策略代码)一文里,我讲述了通过爬虫接口得到股票数据并绘制出K线均线图形的方式,在本文里,将在此基础上再引入成交量效果图,并结合量价理论,给出并验证一些交易策略。
因为某一时刻状态转移只依赖于它的前一个状态,那么我们只要能求出系统中任意两个状态之间的转移概率,进而得到状态转移概率矩阵,那么马尔科夫链的模型便定了。以下图股市模型为例,共有三个状态,分别为牛市(Bull market)、熊市(Bear market)、横盘(Stagnant market)。每一个状态都能够以一定概率转移到下一状态,比如牛市以0.075的概率转移到横盘的概率,这些状态转移概率图可以转换为矩阵的形式进行表示。
速度是指价格移动的角度。 如果价格移动比之前快,那么就是强势。 反过来,如果移动得比之前慢,就是弱势。
过去几十年,高等教育在中国的普及,以及大学的逐年扩展,目的之一就是为了缓解就业压力。
上周(7.7-7.13)为猴市(弱),C-。本周(7.14-7.20)和上一期相同,5个核心指标均未达到牛二标准,且持续萎缩,依然为猴市,C-。
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。
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。
看多了前面的铺垫,接下来写一写可以实操的。本篇给出写择时策略回测的详细步骤,并用代码展示全过程,代码用python写,数据和代码后台回复“择时”获取,可以自己测试。
第一,不要24小时看盘,只要没有突破区间,就不要管,不要想买在谷底,抛在峰顶,心态非常非常重要,再重复一遍,心态非常非常重要。
作为投资者,我们常听到的一句话是“不要把鸡蛋放入同一个篮子中”,可见分散投资可以降低风险,但如何选择不同的篮子、每个篮子放多少鸡蛋,便是见仁见智的事情了,量化投资就是解决这些问题的一种工具。
如果我们看到一个下跌的行情吗,我们可以对整个趋势进行成交量分布分析,来确定价格在可能会出现某种看涨回调的区域。
#小策略,策略逻辑是在金叉时候买进,死叉时候卖出,所谓金叉死叉是两条均线的交叉,当短期均线上穿长期均线为金叉,反之为死叉
前不久收到清华大学出版社赠送的《深入浅出Python量化交易实战》一书,也答应了出版社要写一些读书笔记,今天就来交作业了。
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。
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。
IT派 - {技术青年圈} 持续关注互联网、大数据、人工智能领域 2017年的12月,对币圈来说是一个疯狂的月份,对比特币,疯狂更甚。 结束了11月8千美金的长期横盘,12月份的比特币,就犹如搭上了直
摘要:本篇文章是"Python股市数据分析"两部曲中的第一部分,主要介绍金融数据分析的背景以及移动均线等方面的内容。 本篇文章是"Python股市数据分析"两部曲中的第一部分,内容基于我在犹他州立大学MATH 3900 (Data Mining)课程上的一次讲座。在这些文章中,我将介绍一些关于金融数据分析的基础知识,例如,使用pandas获取雅虎财经上的数据,股票数据可视化,移动均线,开发一种均线交叉策略,回溯检验以及基准测试。第二篇文章会介绍一些实践中可能出现的问题,而本篇文章着重讨论移动平均线。 注意:
均线策略应该是我们刚进入股市时就听过的一个策略,而双均线策略,顾名思义,就是两根均线:短期均线和长期均线。当短线均线上穿长期均线(金叉)时买入,当短期均线下穿长期均线(死叉)时卖出,这就是双均线策略的核心思想。
本篇文章是”Python股市数据分析”两部曲中的第一部分,内容基于我在犹他州立大学MATH 3900 (Data Mining)课程上的一次讲座。在这些文章中,我将介绍一些关于金融数据分析的基础知识,例如,使用pandas获取雅虎财经上的数据,股票数据可视化,移动均线,开发一种均线交叉策略,回溯检验以及基准测试。第二篇文章会介绍一些实践中可能出现的问题,而本篇文章着重讨论移动平均线。 注意:本篇文章所涉及的看法、意见等一般性信息仅为作者个人观点。本文的任何内容都不应被视为金融投资方面的建议。此外,在此提供的
以先进的数学模型替代人为的主观判断,利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略,极大地减少了投资者情绪波动的影响,避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
这个程序使用了tushare库获取股票数据,计算了股票的均线,并根据均线与买卖阈值的关系来判断是否买入或卖出股票。程序中的交易规则是一个简单的均线策略,如果股票价格上穿均线并且超过买入阈值,就买入股票;如果股票价格下穿均线并且低于卖出阈值,就卖出股票。程序的输出包括每次买卖的时间和价格,以及总收益率。
前不久,收到清华大学出版社赠送的 《深入浅出Python量化交易实战》 一书,也答应了出版社要写一些读书笔记,今天就来交作业了。
给定一个含有 M x N 个元素的矩阵(M 行,N 列),请以对角线遍历的顺序返回这个矩阵中的所有元素,对角线遍历如下图所示。
今天给大家分享一位好朋友的六年量化程序开发历程,最后他的策略实现了很高的收益,身边有很多朋友也都是主业码农,副业量化,这种搭配是现在非常流行的,量化代码给大家放在了文章末尾,看完后希望对你有所启发与帮助~
闲着没事瞎倒腾,前几天网上看到一个描述股票趋势姿势,名字叫做“神仙趋势”,听着名字好像很厉害呀。到底说明的是一种什么样的趋势呐,带着激动的心情,作者今天就用python实践了一波。发现也就那样吧,有严重的时间延迟特征。这里小记一下。
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。
本人之前写过若干“给程序员加财商”的系列文,目的是通过股票案例讲述Python知识点,让大家在学习Python的同时还能掌握相关的股票知识,所谓一举两得。
作者:Wanxin Sun 来源: https://www.ricequant.com/community/topic/2095/?tum_source=tab 本文通过讲述 [单股票均线策略] 在
上一期(5.28-6.6),B-T-C前期5.28-6.4日,B-T-C价格在8800-8300之间高位震荡,6.4日后开始大跌10%左右,在7600-8000之间震荡。
python版本:3.4 最近在学习基于python的股票数据分析,其中主要用到了tushare和seaborn。tushare是一款财经类数据接口包,国内的股票数据还是比较全的,官网地址:http://tushare.waditu.com/index.html#id5 。seaborn则是一款绘图库,通过seaborn可以轻松地画出简洁漂亮的图表,而且库本身具有一定的统计功能。 导入的模块: import matplotlib.pyplot as plt import seaborn as sns i
最近在学习基于python的股票数据分析,其中主要用到了tushare和seaborn。 python版本:3.4 tushare是一款财经类数据接口包,国内的股票数据还是比较全的,官网地址:http://tushare.waditu.com/index.html#id5 。 seaborn则是一款绘图库,通过seaborn可以轻松地画出简洁漂亮的图表,而且库本身具有一定的统计功能。 导入的模块: import matplotlib.pyplot as plt import seaborn as sns
在MCMC(一)蒙特卡罗方法中,我们讲到了如何用蒙特卡罗方法来随机模拟求解一些复杂的连续积分或者离散求和的方法,但是这个方法需要得到对应的概率分布的样本集,而想得到这样的样本集很困难。因此我们需要本篇讲到的马尔科夫链来帮忙。
在上次的文档中,我说自己要用python实践一下网络上流传的筹码分布算法,后边我做了,但是感觉计算量比较大,我假设一个周期是120天,也就是120天的话,基本所有持仓的人都会卖出自己手中的筹码。然后我选择要展示的是最近的120,因此在计算的时间窗口上,我采用240天,也就是前边的120天是仅仅是为保证最近的120的数据不会有大的出入。除此之外还实现了论文2中的算法,相对来说比较简单。对于基于行为金融学中的算法,我选择了放弃,因为每次都要从股票上市的哪天进行计算,计算量比较大。通过对后边两种算法的实现,发现网上流传的筹码分布算法和各种软件上筹码分布图非常类似,差别很小。这里贴出我的实践结果。
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。
陆奇的离职让百度的股价着实喝了一壶,连续一个多月的上涨迎来了一个大的下挫,股价一个交易日跌去一成。
Echarts 是一个由百度开源的数据可视化工具,凭借着良好的交互性,精巧的图表设计,得到了众多开发者的认可,而 Python 就不用多说了。
领取专属 10元无门槛券
手把手带您无忧上云