神经网络用于日内股票预测

基于LSTM神经网络模型来预测股票的收益率 综上,通过添加更丰富的特征、更长的历史数据、更复杂的模型结构、更精细的超参数调优、增量训练策略以及集成学习等方法,我们可以进一步优化该LSTM模型,提高其对股票数据的预测性能。在“基于LSTM神经网络模型来预测股票的收益率”项目中,LSTM模型可以学习股票市场中的历史数据,并利用记忆单元来捕捉股票收益率的长期依赖关系和非线性模式。通过适当的训练和调整,LSTM模型可以提供准确的股票收益率预测。然而,需要注意的是,股票市场的预测依然具有一定的风险,模型的预测结果仅供参考,投资者仍需谨慎决策。 阅读详情

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai


上一篇我们研究了用一些线性模型来做股票回报预测,在这篇文章中,我们将专注于将神经网络应用于市场,从而来获得回报。

前馈神经网络

我们的目标是预测接下来 5 分钟内股票的价格变化。我们可以使用简单的前馈神经网络(FNN)。FNN的损失函数保持不变。损失函数与我们在上一篇文章中的线性回归部分中看到的相同。

J(θ)=12m∑i=1m(hθ(xi)−yi)2+α∣∣θ∣∣22J(\theta) = \frac{1}{2m}\sum^{m}_{i=1} (h_{\theta}(x^{i}) - y^{i})^{2} + \alpha||\theta||^{2}_{2}J(θ)=2m1​∑i=1m​(hθ​(xi)−yi)2+α∣∣θ∣∣22​

其中,h(x) 是上一篇文章中的线性模型,但在今天的文章中它代表 FNN。我们也使用 l2_penalty 来保持稳定性。下面是 pytorch 的代码:

class FNN(nn.Module):
    def __init__(self, num_features):
        super(FNN, self).__init__()
        self.fc1 = nn.Linear(num_features, 100)
        self.bn1 = nn.BatchNorm1d(100)
        self.fc2 = nn.Linear(100, 20)
        self.bn2 = nn.BatchNorm1d(20)
        self.fc3 = nn.Linear(20, 1)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.relu(self.bn1(self.fc1(x)))
        x = F.dropout(x, training=self.training)
        x = self.relu(self.bn2(self.fc2(x)))
        x = F.dropout(x, training=self.training)
        return self.fc3(x)

我在优化模型时学到的一些东西:

  • 标准化输入时必须滴。我使用了 scikit-learn 库中的 RobustScalaer 类来实现;
  • BatchNormalization 和 Dropout 可以显著提高泛化水平;
  • 归一化目标也是有帮助的;
  • early stopping 是非常有帮助的;

一个简单的多任务模型,用来预测所有证券

将多个任务建模在一起的能力是使用神经网络的一个非常好的优势。我们的假设是特征向量包含足够的信息以便能够预测多个证券。因此,我们可以直接预测所有证券的价格变化。我们仍然使用相同的 MSE 损失函数进行优化。

class FNN(nn.Module):
    def __init__(self, num_features, num_securities):
        super(FNN, self).__init__()
        self.fc1 = nn.Linear(num_features, 100)
        self.bn1 = nn.BatchNorm1d(100)
        self.fc2 = nn.Linear(100, 50)
        self.bn2 = nn.BatchNorm1d(50)
        self.fc3 = nn.Linear(50, num_securities)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.relu(self.bn1(self.fc1(x)))
        x = F.dropout(x, training=self.training)
        x = self.relu(self.bn2(self.fc2(x)))
        x = F.dropout(x, training=self.training)
        return self.fc3(x)

多任务模型的训练与普通的 FNN 模型类似。

criterion = nn.MSE()
fnn = FNN(num_features, num_securities)

l2_penalty = 1e-3
learning_rate = 1e-3
optimizer = torch.optim.Adam(fnn.parameters(), lr=1e-3, weight_decay=l2_penalty)
for n in range(num_epochs):
    for i, batch in enumerate(train_loader):
        inputs, targets = Variable(batch[0]), Variable(batch[1])

        optimizer.zero_grad()
        outputs = fnn(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()

LSTM 模型

由于 RNN 模型比较擅长预测序列,因此我们正在探索的证券预测模型可能非常适合它们。最原始的 RNN 模型会存在一个很大的问题就是梯度消失,所以我们采用 LSTM 来更好的处理这个问题。

然而,我们知道即使 LSTM 也有其自身的局限性 —— 它们通常擅长较短的序列,比如 10 到 30 的长度,所以我尝试了以下模型,长度为 15。

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, dropout=0.2):
        super(LSTM, self).__init__()

        self.hidden_size = hidden_size
        self.rnn = nn.LSTM(
            input_size=input_size,
            hidden_size=hidden_size,
            num_layers=1,
            dropout=dropout,
            bidirectional=False, )
        self.fc1 = nn.Linear(hidden_size, hidden_size)
        self.bn1 = nn.BatchNorm1d(hidden_size)
        self.fc2 = nn.Linear(hidden_size, 1)
        self.relu = nn.ReLU()

    def forward(self, x):
        batch_size = x.size()[0]
        seq_length = x.size()[1]

        x = x.view(seq_length, batch_size, -1)

        # We need to pass the initial cell states
        h0 = Variable(torch.zeros(seq_length, batch_size, self.hidden_size))
        c0 = Variable(torch.zeros(seq_length, batch_size, self.hidden_size))
        outputs, (ht, ct) = self.rnn(x, (h0, c0))

        out = outputs[-1]  # We are only interested in the final prediction
        out = self.bn1(self.fc1(out))
        out = self.relu(out)
        out = F.dropout(out, training=self.training)
        out = self.fc2(out)
        return out

LSTM 解决多任务

与 FNN 例子类似,我们可以将所有证券一起建模。我们只需要在 LSTM 模型中进行以下更改。

self.fc2 = nn.Linear(hidden_size, num_securities)

LSTM 与 FNN 的性能类似。但是一起学习所有证券的数据,可以很容易的管理训练好的模型。所以,我最终使用 FNN 模型来预测所有证券的价格差异。选择 FNN 主要是因为它的简单性。

使用日内模型进行交易

此后的一项重要任务是将预测的价格变化转换为交易行为。一种流行的方法是,如果来自模型的预测信号大于特定阈值,则发送购买信号。如果信号在一段时间后低于阈值,我们可以选择持有或者卖出。

一种常见的方法是连续出现市场数据更新流。这将包括每一个相关的市场数据更新。例如,你正在交易 AAPL 股票,而你的模型包括 AAPL,MSFT,GOOGL,FB 和 AMZN,你可能希望持续流式传输每个新的订单。你可以实时计算功能并将其提供给神经网络。该模型将为 AAPL输出单个 5 分钟的预测。重要的是要记住这些预测通常是错误的。但是,我们不知道哪些是正确的。

无论如何,一旦你有了预测信号,你可以使用一个阈值来检查信号是否足够强。在预测方向上进行执行,以下是这种系统的粗略 Python 代码:

class TradingSystem(object):
    def trading_logic(self, signal):
        # Check if there is a BUY signal
        if signal > self.threshold and self.current_risk() < self.risk_threshold:
            # Send a new BUY order at the current bid price
            self.send_new_order('B', self.current_bid_price)

            # Cancel existing sell orders - since we have a BUY signal
            self.cancel_sell_orders()
        
        elif signal < -self.threshold and self.current_risk() > -self.risk_threshold:
            # Send a new SELL order at the current ask price
            self.send_new_order('S', self.current_ask_price)

            # Cancel existing buy orders - since we have a SELL signal
            self.cancel_buy_orders()
        
        else:
            # We may want to keep the existing orders
            # or we can cancel them as well
            self.cancel_all_orders()
用RNN(循环神经网络)预测股票价格 本文演示了用Python编写的一个股票价格预测脚本,利用了TensorFlow和Keras库来构建和训练一个循环神经网络(RNN)模型,预测股票价格的相对完整的过程。 阅读详情

相关推荐

利用LSTM模型精准预测印度股市短期波动:精准捕捉日内波动,提升金融稳定性

我们提出的双向多变量LSTM模型进一步扩展了这一概念,它不仅处理单个时间序列,还能综合分析多个相关时间序列之间的复杂交互,提供更全面的数据动态洞察,显著提升预测的准确性和深度理解。输出门则用于过滤并输出细胞状态的信息。增强的建模能力使得该模型可以更好地捕捉复杂的关系和依赖性,不仅提高了预测的准确性,还提供了对数据动态更为深入的理解。相比之下,单变量LSTM的表现最不理想,例如在ICICI Bank上的MAE和RMSE分别达到了0.010906和0.014003,且R²得分较低,表明其预测能力有限。

AI16947的博客 1532

利用神经网络预测股票价格走势

股价趋势预测模型构建 (一)建立模型 读取10天的数据进行归一化处理变成[-1,1]区间的特征数据,中间经过4个全连接的神经网络层得到一个预测的开盘价输出,最后根据真实开盘价与预测开盘价的梯度更新权重。 (二)数据准备 Tushare是一个基于python的、免费的、开源的财经数据接口包。本文的金融数据来源将使用Tushare的API。所采用的训练集股票数据来自上证50指数,股票代码是从6000...

vzfearless 1万+

神经网络 炒股,神经网络 软件

原文链接:摘要在学术界和金融界,分析高频财务数据的经济价值现在显而易见。它是每日风险监控和预测的基础,也是高频交易的基础。为了在财务决策中高效利用高频数据,高频时代采用了最先进的技术,用于清洗和匹配交易和报价,以及基于高收益的流动性的计算和预测。高频数据的处理在本节中,我们讨论高频金融数据处理中两个非常常见的步骤:(i)清理和(ii)数据聚合。

m0_54846070的博客 686

【Matlab股票价格预测】基于RBF径向基神经网络的多变量股票价格预测(附MATLAB代码)

在金融市场中,股票价格的预测一直是投资者和分析师们关注的焦点。通过对股票价格进行时间序列预测,投资者可以更好地制定投资策略,降低风险,并获取更多的收益。在这篇博文中,我们将介绍如何使用Matlab中的径向基神经网络(RBF)来预测股票价格的时间序列。通过本篇博文的介绍,我们了解了如何使用Matlab中的RBF径向基神经网络来进行股票价格的时间序列预测。股票价格预测是一个复杂而又具有挑战性的问题,但是通过合理的建模和训练,我们可以利用现代科学计算工具来更好地理解和预测股票市场的走势。

qq_59747472的博客 1008

使用MATLAB预测股票次日股价实战

本文基于MATLAB R2025b和Tushare数据,构建神经网络模型预测深南电路(002916.SZ)股票收益率。研究重点在于规范化的预测流程:通过特征工程构建15项技术指标,采用时间序列切分避免数据泄露,使用集成神经网络(15个模型)降低随机性影响,并与朴素基线("明日价格等于今日")进行对比验证。结果显示测试集方向预测准确率仅48.34%,未显著优于基线,表明模型虽能识别高波动状态下的回调风险(预测2026年6月25日下跌1.87%),但预测信号可靠性不足。

bit 623

深度学习与股票市场预测:探索神经网络的力量(含代码)

然而,深度学习的出现为我们提供了一种新的工具,可以通过学习历史数据中的模式和趋势来预测未来的股票价格。第二部分:神经网络在股票市场预测中的应用 神经网络是深度学习的核心组成部分,具有良好的自适应能力和非线性建模能力,适用于处理具有复杂关系的数据。然而,股票市场的复杂性和随机性带来了挑战,我们需要不断改进和优化模型,以提高预测的准确性和可靠性。希望本文能够为读者提供有关深度学习在股票市场预测中的应用的基本理解,并鼓励更多的研究和实践,以推动这一领域的进一步发展。

斌擎科技 1370

TowardsDataScience 博客中文翻译 2016~2018(二百六十六)

单元测试是一种测试代码片段的方法,以确保事情按预期运行。Python 中的库允许您用模拟对象替换部分代码,并断言它们是如何被使用的。“模拟”是一个顾名思义的对象——它模拟代码中对象/变量的属性。将最先进的机器学习功能放入Docker 容器中,这样像您这样的开发人员就可以轻松地将自然语言处理、面部检测、对象识别等功能融入其中。到您自己的应用程序中。盒子是为扩展而建造的,所以当你的应用真正起飞时,只需水平地添加更多的盒子,直到无限远甚至更远。哦,它比任何云服务都要便宜可能更好)……而且。

龙哥盟 2287

股票价格预测 | 融合CNN和Transformer以提升股票趋势预测准确度

股票价格预测 | 融合CNN和Transformer以提升股票趋势预测准确度

算法如诗的博客 1163

基于鲸鱼优化算法优化BP神经网络的WOA-BP时间序列预测的Matlab代码

比如在某次电力负荷预测中,算法最终锁定了输入层8节点+隐藏层12节点的结构,比人工试错省事多了。建议把epochs设大些,让网络有足够收敛时间,同时验证集误差连续6次不降就停止训练,这比固定训练次数科学多了。从实际运行结果看,WOA-BP的预测曲线明显更贴近真实数据波动,传统BP的预测线则像喝醉了一样忽上忽下。基于鲸鱼优化算法优化BP神经网络的(WOA-BP)的时间序列预测WOA-BP时间序列。基于鲸鱼优化算法优化BP神经网络的(WOA-BP)的时间序列预测WOA-BP时间序列。num和hidden。

TjlIlSzJbh的博客 224

基于HPM5E00的EtherCAT从站开发实战:从硬件解析到软件调试

实时工业以太网通信是工业自动化与运动控制领域的核心技术,它通过硬件与协议栈的协同,实现了微秒级的高确定性数据交换。其技术价值在于为多轴同步、机器人控制等复杂场景提供了高实时性、高同步精度的通信基础。在应用场景上,广泛服务于数控机床、包装机械、半导体设备等高端制造领域。本文聚焦于EtherCAT从站开发,深入解析了基于先楫HPM5E00高性能MCU与专用从站控制器(ESC)的硬件架构设计,并详细阐述了开源协议栈SOES的移植、对象字典配置以及过程数据(PDO)映射等核心软件实践,为开发者快速构建稳定可靠的实时

weixin_30915951的博客 502

傅里叶红外(FT-IR):Origin数据处理、光谱绘图、曲线优化、图形美化

双击 X 轴,选择“轴线和刻度线”,设置粗细为“2”(较常用的粗细度),主刻度和次刻度为“朝内”,然后在此对话框内选择左轴,设置粗细为“2”,主刻度和次刻度为“无”,上轴和右轴同左轴。(4)在第二个图层基础上新建第三个图层,针对第二组数据重复上述中(1)和(2)的操作,再添加第三组数据的折线图,并重复上述中(3)的操作。FTIR 光谱上的峰只有相对的强弱,因此只分析一个光谱上的一个峰的强度大小并无意义,一般分析两个光谱在同一位置的峰强相对大小,或者分析同一光谱不同位置的峰强相对大小并与另一光谱进行比较。

qiushireader的博客 3939

机器学习用于日内股票预测

作者:chen_h 微信号 &amp;amp; QQ:862251340 微信公众号:coderpai 对于股票价格的预测对于大多数交易员来说都是非常重要的。人们多年来一直在使用各种预测技术。我们将探索这些技术以及最近流行的算法,比如神经网络。在这篇文章中,我们将专注于对源自市场数据的特征应用到线性模型。 问题定义 首先我们来定义一下我们的问题,我们想要解决的问题是去预测证券的价格变化(或者回报)。 在...

CoderPai的博客 7013

从零玩转GD32单片机CAN总线:手把手实战配置与源码解析

本文提供了一份基于GD32单片机的CAN总线实战入门指南。从硬件连接(GD32F103C8T6与TJA1050收发器)到软件配置,详细解析了CAN初始化、波特率计算、过滤器设置及中断收发等核心源码。通过手把手的回环测试示例与常见问题排查,帮助开发者快速掌握CAN总线通信的关键配置与调试技巧。

g5h6i7j的博客 481

基于VAE、Transformer和LSTM的模型框架用于股票价格预测

本文提出了一种先进的集成深度学习框架用于股票价格预测,结合了变分自编码器(VAE)、变换器(Transformer)和长短期记忆网络(LSTM)。框架旨在利用各模型的优势,识别股票价格波动中的线性和非线性关系。通过丰富的技术指标和市场情况调整预测器,提高预测准确性。在多个股票数据集上测试,集成方法表现出高准确性和可靠性。VAE擅长高维数据的线性表示,Transformer识别长期模式,LSTM处理序列数据,增强时间动态性。该解决方案在算法交易、风险分析和金融决策中具有重要应用。

2401_84494441的博客 1806

SNAP实战:Sentinel-1 GRD数据从预处理到后向散射系数生成全流程解析

本文详细解析了Sentinel-1 GRD数据从预处理到后向散射系数生成的全流程,包括辐射定标、噪声处理、地形校正等关键步骤。通过SNAP软件实战操作,帮助用户掌握SAR影像处理技巧,提升数据质量与分析效率,适用于地表变化监测、灾害评估等应用场景。

weixin_29239661的博客 538

【云迁移工具RDA】迁移常见问题

Agent无法正常启动,Linux系统提示“SMS.0201 Failed to start sms agent!”,Windows系统提示“SMS.0201 源端主机网络繁忙,无法连接api网关”。该问题通常是由于源端没有通公网,或者没有按照要求配置hosts,无法与iam或者sms通信导致。需要排查源端网络。1.登录源端服务器。2.检查源端是否能正常访问互联网,若无法访问,请处理后重新启动Agent。可参考弹性公网IP Ping不通检查源端的DNS,防火墙,安全组、本地网络等。

2404_89358774的博客 1487

股票预测之BP神经网络

股票预测之BP神经网络       股票预测的算法有很多,可以用数学的卡尔曼滤波,粒子滤波、马尔科夫、神经网络...... 这其中涉及到很多因素,比如说,你用的特征,你选择的范围(针对个股还是多股、历史时间范围、分析周期等等)。小编自身对股票了解不深,仅仅是从数据的角度分析。(有点想的太简单了O(∩_∩)O) 先从简单的入手:简单的算法:BP神经网络; 简单的范围:个股、每日线、5个特征:开

Crossi的专栏 1万+

手把手教你学Simulink--基于新型通信技术集成的场景实例:无人机利用激光通信实现高速率数据传输

摘要: 本文基于Simulink搭建无人机激光通信仿真系统,解决传统射频通信带宽不足问题。系统通过五层架构(发射机、信道、PAT系统、接收机、性能分析)实现Gbps级高速传输,重点建模大气衰减(雾/雨)、光束发散、PAT精跟踪(Stateflow+PID控制)等核心模块。仿真结果显示:晴天链路可达2.5Gbps(BER 1e-8),浓雾下链路中断,验证了雾是主要性能限制因素。案例涵盖调制方式选择、动态环境仿真及3D可视化,为无人机高速数据传输提供可扩展的仿真框架,并指出混合FSO/RF、AI-PAT等优化方

MHD0815的博客 183

用lstm模型做预测_1-基于LSTM-GA 的股票价格涨跌预测模型

摘要如何准确地进行股票预测一直是量化金融领域的重要问题。长短期记忆细胞神经网络(LSTM)的出现较好地解决了股票预测这类的复杂序列化数据学习的问题。然而前期研究结果表明单一使用该方法仍存在预测不平衡、陷入局部极值导致能力不佳的问题。基于上述问题,文中利用将遗传算法(GA)解决调参问题来保证模型预测的平衡性,由此构建了新型股票预测模型。该模型分为三部分,首先利用 LSTM 网络进行收盘价的预测,再利...

weixin_35802555的博客 4884

UNet 改进(39):结合残差连接与CBAM注意力机制的unet模型

本文提出了一种改进的UNet架构,通过融合残差连接和CBAM注意力机制来增强医学图像分割性能。该网络保留UNet的U形结构,但将基础模块替换为ResidualBlock和CBAM的组合:残差块通过快捷连接解决梯度消失问题,CBAM模块结合通道和空间注意力机制突出重要特征。整体架构采用编码器-解码器设计,包含5个下采样和上采样阶段,通过跳跃连接融合多尺度特征。实验表明,这种改进显著提升了原始UNet的性能,特别适用于需要精细边界的医学图像分割任务。

2401_82355416的博客 1040

【Simulink教程案例19】基于simulink的扩频通信系统建模与仿真

扩频是一种应用于数字调制信号的调制技术,可以提高传输信号的带宽。扩频通信具有抗干扰能力强,扩频增益越大,抗干扰能力越强。而且扩频通信具有很强的保密性,扩频后信号近似白噪声,功率谱密度也很低。扩频通信可用于多址通信。扩频调制有如下三个特点:① 扩频后信号的带宽远大于信号所需的带宽② 使用扩频码进行扩频调制,扩频码与信号中的数据相互独立③ 在接收端,通过将接收信号与扩频码的同步副本进行相关,实现解扩。

FPGA/MATLAB学习教程/源码/项目合作开发 2197

【亲测免费】 探索股市脉搏:基于LSTM与随机森林的日内交易预测工具

探索股市脉搏:基于LSTM与随机森林的日内交易预测工具 在金融市场的浩瀚数据中,预测股票价格走势一直是一个充满挑战的任务,但对于追求高效投资策略的交易者而言,这亦是金矿所在。今天,我们为您带来一项革新性的开源项目——《利用LSTM和随机森林预测股票日内价格走势》,这是一项由Pushpendu Ghosh等学者研究并发布于《Finance Research Letters》的杰出工作。 项目介绍 该...

gitblog_00086的博客 682

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

如何通过Python构建日内波动率预测模型?

在金融市场中,波动率是衡量资产价格变动幅度的关键指标。日内波动率预测对于交易者和风险管理者来说尤为重要,因为它可以帮助他们做出更明智的投资决策和风险管理策略。本文将详细介绍如何使用Python构建一个日内波动率预测模型,包括数据预处理、特征工程、模型选择和评估等关键步骤。

wencaitouzi的博客 868

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

论文 | 深度学习股票预测

作者:chen_h 微信号 &amp; QQ:862251340 微信公众号:coderpai 论文链接:Deep learning networks for stock market analysis and prediction 摘要 作者考虑了两个主要问题: 仅使用日内市场数据预测日内股票回报; 使用预测的股票收益预测协方差矩阵; 数据集 数据集由来自韩国 KOSPI 的38种股票组成...

CoderPai的博客 4310

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【视频讲解】神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列预测|附代码数据

因为股票市场容易受到经济、政策、心理等多种相关因素的影响,是一个极其复杂的非线性系统,再加上每天大量投资者进行交易产生了非常庞大的交易数据需要处理、增添了股价预测的难度,所以传统的统计方法由于其在适应性、学习能力以及容错能力等方面的局限性,应用在股价预测问题上的结果往往差强人意。在反向传递的过程中,根据。在套索回归代码中,我们创建了一个模型,该模型不仅可以预测股票价格,还可以通过减少变量的数量来简化模型,如果某些变量对预测没有多大帮助(这是通过“alpha”值完成的,它控制着这种简化的强度)。

大数据部落 1807

bp神经网络进行交通预测的matlab源代码_神经网络进行股票价格预测软件----MATLAB--毕业设计...

一、BP神经网络的步骤(1)根据评价指标集, 确定BP 网络中输入节点的个数, 即为指标个数;(2)确定BP 网络的层数, 一般采用具有一个输入层, 一个隐含层和一个输出层的三层网络模型结构; 明确评价结果, 输出层的节点数为1;(3)对指标值进行标准化处理, 然后作为训练样本和检验样本;(4)网络状态初始化, 对连接权值wij 和阈值θj赋予( 0, 1)之间的随机数;(5)输入样本, 从前往后...

weixin_39606361的博客 388
上一篇: 机器学习用于日内股票预测
下一篇: 优化是机器学习的核心
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值