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。
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。
下面，使用python模块库sklearn自带的iris标准数据集进行简单测试。 获得的分类图为： 此外，尝试在优矿平台上，对股票的涨跌幅进行分类，选取的指标包括PE、KDJ_D，KDJ_J和AR
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。
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。
除去基本面的影响不说，对于散户而言，炒股最忌讳的就是两点：一是高频操作，二是因为贪心而忽视了自身事先设定的预期。
“没有一套合理的数据指标体系，纵然你有再多的数据，分析起来根本无从下手。”做数据分析时的你是否深有同感？
Excel作为大家都熟悉的办公软件，特别是对每天需要接触大量数据的人来说，打开Excel的动作宛如条件反射般自然。
相同的车型，二手车比新车要实惠许多，比如下图中的奔驰GLC级，二手车能比新车便宜5-20万不等。因此有越来越多的人在购置车辆时将二手车纳入了考量。
OK,Show me your code!Go!Go!Go！ 先来看一波效果图：
最近，一位常年研究股票系统的开发者 pythonstock 用 Python 写了一个股票分析系统，发布数天就获得了不少关注。
股市跌宕起伏。7 月初 A 股飙升，股票瞬间成为大家的热门讨论话题，「现在入场还来得及吗？」几乎成为新的问候语。
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～
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/170487.html原文链接：https://javaforall.cn
#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
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。
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。
import numpy as np def KDJ(date,N=9,M1=3,M2=3): datelen=len(date) array=np.array(date) kdjarr=[] for i in range(datelen): if i-N<0: b=0 else: b=i-N+1 rsvarr=array[b:i+1,0:5] rsv=(float(rsvarr[-1,-1])-float(min(rsvarr[:,3])))/(float(max(rsvarr[:,2]))-float(min(rsvarr[:,3])))*100 if i==0: k=rsv d=rsv else: k=1/float(M1)*rsv+(float(M1)-1)/M1*float(kdjarr[-1][2]) d=1/float(M2)*k+(float(M2)-1)/M2*float(kdjarr[-1][3]) j=3*k-2*d kdjarr.append(list((rsvarr[-1,0],rsv,k,d,j))) return kdjarr
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。
首先说说数据挖掘吧，接触这东西也是机缘巧合，上学期听说ZYN学姐在做科创，于是问了问具体情况，她说跟数据挖掘有关，这词我还是第一次听说，听起来很高级啊，我看了些资料，觉得非常感兴趣，于是就阴差阳错地加入了，还拉了BM和BAQ同学入伙。于是悲剧就开始上演了，我们小组组成以后才发现，原来大家都不懂，什么叫数据挖掘？于是项目没法成立，因为连挖啥都不知道。 于是我们先找了老师问，各种找，找了各种老师，得到了各种资料，什么挖文本的，挖银行的，挖教育的，就差没挖坟了。后面经过大家讨论，决定做股票的，一个是因为股
原文：http://blog.sina.com.cn/s/blog_601331150100gjmk.html
1 、配置文件的位置 在文件夹 /etc/ 以下。有个名为vimrc 的文件。这是系统中公共的vim配置文件。对全部用户都有效。而在每一个用户的主文件夹下，都能够自己建立私有的配置文件，命名为：“. vimrc ”。比如。/root文件夹下，通常已经存在一个. vimrc文件。 假设不知道配置文件及脚本的位置，能够在vim中使用命令 :scriptnames 。将显演示样例如以下路径 /etc/vimrc /usr/share/vim/vim72/syntax/syntax.vim /usr/share/vim/vim72/syntax/synload.vim /usr/share/vim/vim72/syntax/syncolor.vim /usr/share/vim/vim72/filetype.vim /usr/share/vim/vim72/ftplugin.vim /home/kdj/.vimrc … 假设不知道vim配置文件的搜索位置。请输入 :version ，将显示 系统vimrc文件：”/etc/vimrc” 用户vimrc文件：”$HOME/.vimrc” 用户exrc文件：”$HOME/.exrc” $VIM预设值：”/usr/share/vim” 2 、设置语法高亮显示 1) 打开vimrc，加入下面语句来使得语法高亮显示： syntax on 2) 假设此时语法还是没有高亮显示，那么在/etc文件夹下的profile文件里加入下面语句： export TERM=xterm-color 3 、设置 Windows 风格的 C/C 自己主动缩进（加入下面 set 语句到 vimrc 中） 1）设置（软）制表符宽度为4： set tabstop=4 set softtabstop=4 2）设置缩进的空格数为4 set shiftwidth=4 3）设置自己主动缩进：即每行的缩进值与上一行相等。使用 noautoindent 取消设置： set autoindent 4）设置 使用 C/C 语言的自己主动缩进方式： set cindent 5）设置C/C 语言的详细缩进方式（以我的windows风格为例）： set cinoptions={0,1s,t0,n-2,p2s,(03s,=.5s,>1s,=1s,:1s 6）假设想在左側显示文本的行号，能够用下面语句： set nu set roler 设置光标显示 7）最后，假设没有下列语句。就加上吧： if &term==”xterm” set t_Co=8 set t_Sb=^[[4%dm set t_Sf=^[[3%dm endif
1 简单替换表达式 :%s/four/4/g “%” 范围前缀表示在所有行中执行替换。
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。
监督式学习是机器学习的一个分支，可以通过训练样本而建立起一个输入和输出之间的函数，并以此对新的事件进行预测。 典型的监督学习流程如下： 支持向量机 是监督学习中一种常用的学习方法。 支持向量机（ S
在证券市场中，存在着大量历史交易数据。近年来随着大数据兴起，数据挖掘技术在股市中也得到了广泛的关注，在阅读文献的基础上我们小组对股市中不同情况如行业板块联动、行业指数涨跌预测、个股价格涨跌预测分别采用不同的机器学习算法进行分析。
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。
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。
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。
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
本期导读 ⊙ML、SVM介绍 ⊙股价的正负统计分析 ⊙预测第二天开盘趋势 机器学习方法是计算机科学的一个分支，它借助于计算机算法，对数据进行分析后，实现模式识别，进而实现对未来数据的预测。 机器学习方法可以分为以下几个类别： 1.监督学习： 训练的输出分类是预先设定好的，根据输入和输出，算法的目标在于寻找其中的对应函数。 2.无监督学习： 训练的输出分类是预先不知道的。算法的目标在于发现数据中的结构，如聚类分析。 3.半监督学习： 介于监督学习和无监督学习之间。 4.增强学习： 算法通过执行一系列的
我们将过去10天里播报的大数据新闻，浓缩成17条精选资讯，您只要在20分钟就可以读完，了解下这个行业的变化吧~ 1. 数说× “各行各业都在装备大数据” 2. 数说内参 ”大数据行业内的【技术、人才、资本】最新动向“ 3.数说笔记 ”算法、模型、学科、语言“ ---- 洞察商机、行业前沿，聊天面试、约会饭局，坚持订阅数说工作室的【十日大数据参考】，让你 不至out，反得永潮 数说工作室 | 大数据 云计算 高逼格 ---- 十日大数据精选 | 20151123-20151202 一、数说× “各行各业都
我最近出了一本书，《基于股票大数据分析的Python入门实战 视频教学版》，京东链接：https://item.jd.com/69241653952.html，在其中给出了MACD，KDJ等指标图的绘制方法。此外，还可以用价格通道来分析。根据指定股票通道指标的算法，能用过去一定时间段的交易数据绘制出上下两条通道线，即价格通道里的上下轨道。一般来说，当股价向上突破上轨时，即预测后市将涨，反之当股价向下突破下轨时，即预测后市将跌。
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。
这不，就有人忍无可忍，自己做了个新版本并开源，受到了其他家长们的一致好评，安卓商店评分4.2星。
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。
查看K8s的master节点的描述信息 [root@k8s-master pv]# kubectl describe nodes k8s-master
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）。
/extwarehouse/student_hive数据目录不存，在创建外部表时自动生成，且数据目录属主为hive。
Python凭借其开发效率高和功能强大的特性，在众多编程语言中脱颖而出，成为大数据时代的分析利器。
上述命令执行完成以后，kubeadm、kubelet、kubectl、kubernetes-cni这些二进制文件都会被自动安装好。
给定一个abdcdd字符串和一个abd字符串，在abdcdd字符串中找出abd字符串出现的第一个位置（从0开始），如果不存在，则返回-1.
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。
NL2SQL基础系列(1)：业界顶尖排行榜、权威测评数据集及LLM大模型（Spider vs BIRD）全面对比优劣分析[Text2SQL、Text2DSL]
贝叶斯方法与量化投资 贝叶斯方法在量化投资中有哪些应用? 股票分类 市场趋势识别 波动率估计 投资组合风险 股票分类 构造投资组合的方法是买入好的 股票(未来收益率高)或卖出(空) 差的股票(未来
有一些单纯搞计算机、数学或者物理的人会问，究竟怎么样应用 ML 在量化投资。他们能做些什么自己擅长的工作。虽然在很多平台或者自媒体有谈及有关的问题，但是不够全面和完整。从今日起，量化投资与机器学习公众号将推出一个系列【机器学习该如何应用到】。今日的推文，是编辑部人员对国内的所有券商金工团队做的机器学习的研究报告做了一个系统性的整理。希望大家有所收获。 获取本推文所有研报请看文章末端 系列文章（点击即可查看） 机器学习该如何应用到量化投资系列（一） 机器学习该如何应用到量化投资系列（二） 2010年08月1
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
