DKD说买卖时机

Labber Labber 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 632平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄19年
关注
原创 最新推荐文章于 2026-10-13 12:59:42 发布 632 阅读 AI 写同款· GEO 优化 ›
股票量化因子学习 看到一篇博客文章，里面阐述了很多股票的量化因子，学习了一番，但是解释的不是很细，我之后又详细查询了很多，形成了这篇文章，特此记录一下，为自己和后来人查询使用。 最近在看《量化投资数据挖掘技术与实践（MATLAB版）》。学习了其中的常见的股票衍生变量，并且利用WIND金融数据终端的matlab借口windmatlab导出一些数据进行了一个简单的学习。特此记录。 1. 移动平均线 移... 阅读详情

DKD：如何判断一只股票的大体走势方向及进入时机:

 

一般来说,只要60日(或120日)均线是向上的,基本上是向上走势.市场中也有很多人用成本均线或神秘系数作为均线参数.

低空作业:股价一旦放量突破60(或120,这更安全)日均线,可关注,有效确认后可及时跟进.

高空作业:很多看中的股票早已升天而去,想抢也不敢抢,怎么办?耐心等待!没有只涨不跌的股票.待其落下之时,几个重要位置附近处可介入:

1,距离60日线5~10%附近,最好是均线上吃货.

2,沿着上升趋势线下轨线附近吃货.

3,前期放量突破曾获得确认的重要颈线位置附近吃货.

4,沿着趋势线上轨线(突破后获得确认的)附近吃货,但要注意止损.

在介入任何一只股票前,最好先弄清楚这家公司的利润来源,产品结构,市场状况,影响其未来利润的各种因素.(这些老股民的文章里已经介绍很多,就不说了)

 

另外建议朋友们选股最好选自己最熟悉的行业,如你的职业范围,曾经接触过的行业,因为这些你相对容易获得更多的信息和资料,如果没有,就仔细研究感兴趣的几个行业,把鸡蛋放在几个篮子里比较安全.

 

鄙人大学毕业后分在一家军工企业负责原材料的质量管理,呵呵,被关在仓库里长达六年,整天和金属化工等原材料打交道,那些什么不锈钢材(板,丝,带等)1cr18ni8ti(是不是这样写的,忘了)无氧铜,黄铜,紫铜,镍材,铝板......当时全国各地的厂家去了不少(呵呵,当时鄙人负责军工条例检查,去考察供应厂家是否符合要求),在仓库六年,倒也逍遥自在,读了不少好书.因觊觎金属材料采购计划员位置未果,辞职去了一家外贸公司做进口化工原料.在这个行业混了十年,经手操盘品种达几十种,主要是塑料和有机化工原料的一些品种,涉及用途比较广.鄙人爱好广泛,喜读杂书,三教九流,无所不交(呵呵,必须对脾气).现无业游民.

 

鄙人炒股如做国际贸易,只把股票当作曾经做的化工品种一样,买了是为了卖,卖了是为了买.股票是一种商品(鄙人的看法.至少目前中国市场是如此),有的待价而沽,有的获利了结,及时进货,有的市场不妙,溜之大吉,有的判断失误,壮士断臂.

 

做进口贸易要不断地和不同的外商谈判,杀价;要不断地开发国内的新客户,维持老客户,抬价.(呵呵,经常给客户杀价,当孙子的时候多,当爷爷的时候少)有点烦.这个股票市场就不一样了,大量的供应商,大量的客户.高兴的时候就买点(呵呵，要掌握好时机),不高兴的时候就卖点(感觉价格不舒服了).一句话,物流利自生.即使是狗屎,这个市场还是会有人去吃的.(呵呵,不好意思,有点粗俗了).

 

再好的股票,也有它不好的时候,再差的股票,也有它好的时候.首先要问自己来这个市场,你是为什么而来的?如果你把股票当作一种商品来看,问题就简单了.永远记住,你目前根本就不是中国股市的投资者.你只是个生意人,是为利而来的.那些好股票如果不能给你带来利润,那么相对于你来说,就不是好股票.那些确实也很差的股票,但能给你带来利润,对于你来说,就是好股票,因为你赚钱了,获利了.你敢说最近进000803这个最好玩的庄股没人赚钱吗?你敢说最近进最牛的有色股的没赔钱吗?

 

摘自－－DKD即兴之作。

标签
#化工 #作业 #物流 #产品
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。
LeetCode123——买卖股票的最佳时机III 我的LeetCode代码仓：https://github.com/617076674/LeetCode 原题链接：https://leetcode.com/problems/best-time-to-buy-and-sell-stock-iii/description/ 题目描述： 知识点：动态规划 思路一：分解成两个LeetCode121——买卖股票的最佳时机子问题 枚举第一笔交易... 阅读详情

相关推荐

SpringBoot多模块架构实战：蓝鲸云系统设计与MybatisPlus边界控制

多模块架构是现代Java企业级应用应对高并发、高可维护性与团队并行开发的核心工程范式。其本质在于通过职责分离、生命周期解耦与依赖收敛，解决单体项目在规模增长后出现的编译冲突、隐式耦合与发布僵化等典型问题。SpringBoot凭借自动装配与模块化配置能力，天然适配分层治理；MybatisPlus则需通过Mapper路径锁定、XML沙盒加载与QueryWrapper封装等手段严守数据访问边界。该模式广泛应用于云平台、中台系统及微服务演进前的准分布式架构中，尤其适合蓝鲸云这类强调扩展性、稳定性与模块自治的中大型系

weixin_34174422的博客 289

最佳股票交易时机

最佳股票交易时机

sinat_27180563的博客 377

Best Time to Buy and Sell Stock III 最佳时间买入卖出股票（最多两次买卖）@LeetCode

直到要用DP做，但是一开始思路是错的。后来参考了 http://blog.youkuaiyun.com/pickless/article/details/12034365 才意识到可以在整个区间的每一点切开，然后分别计算左子区间和右子区间的最大值，然后再用O(n)时间找到整个区间的最大值。 看来以后碰到与2相关的问题，一定要想想能不能用二分法来做！ 下面复制pickless的讲解，我觉得我不能比

2万+

leetcode股票买卖题目汇总

Best Time to Buy and Sell Stock 允许一次买卖 思路：O(n)时间复杂度，非常简单 class Solution { public: int maxDiff(vector<int>& nums) { if(nums.size() < 2) return 0; int max_profit = 0...

向着星辰大海 915

电力电子基于CCM Boost拓扑的3.3kW PFC电路参数设计：功率因数校正系统电感与器件选型优化

摘要：工程计算最难的不是算出来，而是「算完讲得清、改得动」。本文以一份 《3.3kW CCM BOOST PFC circuit parameters calculation》计算书为例，梳理 Maple Flow 的核心功能，并看它如何把规格、公式、器件选型、损耗校验和环路设计收进同一份可交付文档。

产业园区运营负责人如何精准对接企业技术需求与科研成果？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

PythonStock（13）：使用stockstats计算股票中的16个常用指标方法大全

前言使用Python开发一个股票项目。 项目地址： https://github.com/pythonstock/stock 相关资料： http://blog.youkuaiyun.com/freewebsys/article/details/78294566 主要使用开发语言是python。 使用的lib库是pandas，tushare，TensorFlow，tornado等。本文的

freewebsys的专栏 5万+

从‘能看’到‘好看’：用Seaborn调色板让你的热力图在PPT和论文中脱颖而出

本文探讨如何利用Seaborn调色板提升热力图在PPT和论文中的视觉效果，从视觉心理学和场景适配角度出发，提供学术与商业场景下的配色方案和实战代码。通过优化色彩选择，使数据可视化更具专业性和吸引力，帮助读者快速理解关键信息。

weixin_30755393的博客 249

leetcode股票交易时间5题

https://blog.youkuaiyun.com/Dr_Unknown/article/details/51939121

weixin_41506373的博客 463

Echats-wordcloud 文字云图的踩坑点【Unknown series wordCloud】

一直都是报 【ECharts Unknown series wordCloud】这玩意可能要刷脸，祝你好运吧~

Sky_Bug的博客 2418

【WSL2 Win10】解决子系统中nividia-smi出现的Failed to initialize NVML GPU access blocked by the operating systeM

环境：WIN10专业版 WSL2 Ubuntu x64架构 尝试在WSL2中装CUDA，装好以后在wsl系统中输入nvidia-smi命令，结果报错。但是在Win10的CMD中正常显示 Failed to initialize NVML: GPU access blocked by the operating system Failed to properly shut down NVML: GPU access blocked by the operating system在网上搜了一下，没太多类似的情况

6746

选股+择时策略组合

导语：本文讨论交易中两个非常重要的命题：选股+择时，并将其两者结合起来开发策略。下文会给出样例并附上源码链接，感兴趣的朋友可以直接前往BigQuant一键克隆进一步研究。 选股就是要选一只好股票，而择时就是选一个好的买卖时机。如果投资者选了一只很差劲的股票，无论怎样择时操作，都无法获得超额的利润。但如果只选股而不进行择时，又可能面临系统性风险爆发的困境。如何将选股和择时策略有机地结合起来？ ...

bigquant的博客 1万+

LightTools 中LCD投影仿真的checkerboard pattern偏振控制技术解析

本文深入解析了在LightTools软件中进行LCD投影仿真时，利用checkerboard pattern（棋盘格图案）结合偏振控制技术来模拟液晶面板像素开关、提升图像对比度的核心方法。文章从实战角度出发，详细拆解了通过设置波片（如1/2波片）和偏振片来操控S光与P光转换的原理，并分享了在LightTools中搭建仿真模型、使用VBA脚本自动化配置参数以提高效率的实用技巧，为光学工程师优化投影系统仿真流程提供了清晰指导。

weixin_29305313的博客 345

rsi的实现(python版本)

import numpy as np def RSI(array_list, periods=14): length = len(array_list) rsies = [np.nan] * length if length &lt;= periods: return rsies up_avg = 0 down_avg = 0 f...

pureszgd的博客 8287

硬件工程师入门进阶，一文搞懂，看这篇就对了

每家公司的datasheet都有严格的规范，及独特的风格，有时候还会穿插一些原理性的介绍，比如ADI公司的一些ADC/DAC器件资料里面，还会包含AD/DA转换的原理性讲解内容，Datasheet既可以是我们设计上的好帮手，也是学习的好资料。在出货量大的产品中，尽量减少物料种类，比如开头说的，1%的电阻不得不用，那么5%的替换成1%的，物料种类就减少一种，量就大了，能不能争取更优的价格呢？如果说前面学的是内功，那这一关，是招式、是工具的使用，原理图和PCB设计都有对应的工具，教程也很多，且比较容易上手。

一路带飞的博客 5万+

荔枝派Lichee Nano全志F1C100s烧录避坑指南：从Fel模式到SPI Flash完整流程

本文详细介绍了荔枝派Lichee Nano基于全志F1C100s芯片的SPI Flash烧录完整流程，从FEL模式进入技巧到定制化sunxi-tools编译，再到分区策略与实战烧录步骤。针对开发者常见的烧录程序问题提供了专业解决方案，帮助用户高效完成嵌入式系统部署。

tea88的博客 788

领扣-121/122 最佳买卖时机 Best Time to Buy and Sell MD

目录 买卖股票的最佳时机 -121 题目 暴力法 贪心算法(波峰波谷法) 优化 买卖股票的最佳时机 II -122 题目 波峰波谷法 波峰波谷法优化 累加法 买卖股票的最佳时机 III -123 动态规划 二维数组(不懂) 动态规划 一维数组(不懂) 买卖股票的最佳时机 IV -188 动态规划(不懂) Markdown版本笔记 我的GitHub首页 我的博客 我的微信 我的邮箱...

weixin_34019144的博客 209

mbed驱动st7789屏幕-硬件选择及连接（1）

在单片机项目中，交互性至关重要，而视觉感知是用户交互的直接体现。本期专栏介绍了如何使用mbed平台驱动ST7789型号的TFT屏幕，以显示字符、汉字和图像。由于针对STM32L432KC的mbed驱动库尚未完整，作者自行编写了一个基于mbed的ST7789屏幕驱动库，并将在专栏中提供全代码及使用指南。

weixin_64524066的博客 391

干货 | 如何用指标判断买卖时机

说起技术分析，没有人会说自己不熟悉的。只要打开任何一个看盘软件，K线图，KDJ，MACD，VOL等等指标总是会落入我们的眼中，我们总以习惯的方式观察著这些指标（直观，简明），但对它们的作用与用途，深知其理的却没几个人。 一、指标的作用 谈论指标之前，先说点题外话。每个人都或多或少会做点吃的，因此对于油盐浆醋的作用大家都会知道些，用好了，美味无比，用错了，难以下咽。 指标对于股价也有调料之功效，其揭...

YSQUANT的博客 907

14、多标签分类与卷积神经网络在医学图像处理中的应用

本文探讨了多标签分类与卷积神经网络（CNN）在医学图像处理中的应用。文章详细介绍了多标签分类的概念和挑战，以及如何通过CNN进行高效、准确的分类任务。内容涵盖模型设计、损失函数选择、数据增强技术、类别权重调整等关键技术点，并结合实际案例，如白内障手术工具检测、视网膜血管分割等，展示了CNN在医学图像分析中的强大潜力。此外，还讨论了模型优化策略及面临的挑战与解决方案。

t8u9v0的博客 193

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

确定股票买卖时机秘籍

星期日很无聊，和老婆去广场转转，春天的气息已经很浓了，回来回答了股友的几个问题，到“女人窟”看美文，回忆一下大学和青春，就觉得应该写点财经技术方面的东西，把自己的实战经验好好总结一下，和我的股友交流。刚开始炒股的时候，喜欢看电视股评，所谓的股评家,他们象吃了鸡血。我几次上当受骗，买了就套，终于忍不住卖了，股票就开始飞涨。我明白了，黑嘴多是股托，庄家要出货了，股评黑嘴开始鼓吹散户买进。有股票的利

技术性劳动 2279

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

股票买卖时机:

　相对“完美”的交易系统的条件： 　　　　1 简单不复杂（用了无挂碍的心去接近市场，用直观的视觉去看市场，不脱离市场的本质） 　　　　2 追随市场，顺势而为 　　　　3 具有调适性（有充分的弹性，没有任何的个人的主观的观点） 　　　　4 能处理任何的时间周期 　　　　5 信号不能太滞后（能够较快速反应市场的变化） 　　　　6 判断准确（市场会告诉俺们） 　　　　7 不武断不主观 　...

weixin_33991727的博客 164

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

短线买入股票的原则与时机

短线买入股票的原则 短线操作是利用当日或几日内股价波动赚取短期利差的投资方法。股价短期波动方向较难预测,因此短线操作风险大,但如果把握准了机会,短时间内获利较大。以下几条原则是许多成功短线炒家的“护身要诀”,也是许多失败者以高昂代价换来的心得体会。 1顺势而为 有的散户十分相信“人弃我取,人取我弃”的战略,殊不知这讲的是在顺大势总体发展趋势基础上,巧妙选择入市时机。而且通常这种战略应用于中长线投资...

宽客在线的博客 1772

MA均线组合

MA5、MA13、MA21、MA34、MA55、MA90、MA120、MA250  

weixin_33724046的博客 432

最佳买卖股票时机含冷冻期

描述： 给定一个整数数组，其中第 i 个元素代表了第 i 天的股票价格 。​ 设计一个算法计算出最大利润。在满足以下约束条件下，你可以尽可能地完成更多的交易（多次买卖一支股票）: 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。 卖出股票后，你无法在第二天买入股票 (即冷冻期为 1 天)。 示例: 输入: [1,2,3,0,2] 输出: 3 解释: 对应的交易状态为: [买入, 卖...

qq_17856593的博客 372

自己做量化交易软件(17)通过基本面建立自己的股票池

自己做量化交易软件(17)通过基本面建立自己的股票池 自动交易不能随便选股进行买卖，因此需要预先建立自己的股票池。 一般我们通过基本面来建立股票池，至少避免购买业绩非常差的股票。 我们主要关注的基本面参数主要有3个，市盈率，市净率，流通盘。 股票的内在价值核心由2部分组成：每股资产净值，每股收益率。 市净率=股价/每股净资产 市盈率=股价/每股收益。 选股流程如下： （1）获取沪深上市公司的实时数...

hepu8的博客 5305
上一篇： 我没卖出123的理由，价值低估！
下一篇： 和股市新手说说风险（三）
点赞 0
评论 0
书签 书签 0
Labber
Labber
博客等级 码龄19年 26粉丝 1976原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 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