[zt] 华尔街顶尖高手选股绝招

CANSLIM是一种有效的选股模式,由威廉·鸥内尔提出。该模式关注股票的季度和年度每股收益增长、流通股本大小、新产品的推出、领涨股特性、大机构持有情况及市场整体趋势。运用CANSLIM有助于投资者筛选出具有高成长潜力的股票。
          威廉. 鸥内尔在1958年开始股票生涯,是华尔街最顶尖的资深投资人士。他白手起家,三十岁时就买下纽约证券交易所席位,并于洛杉矶创办执专业投资机构之牛耳的奥尼尔公司,目前是全球六百位基金经理人的投资顾问。在1983年创办《投资者财经日报》,该报成长迅速,是《华尔街日报》的主要竞争对手。同时他是一位乐观主义者,也是一位美国式经济制度的热诚追随者和支持者,他说:“在美国每年都有好机会,你要随时做好准备,抓住时机,你会欣喜地发现一颗小小的的橡果会长成巨大的橡树林,只要勤奋和持之以恒,凡事都可有成,你本人希望成功的决心才是最重要的的因素。”

威廉.鸥内尔1988年以其四十年来研究股市的心得和经营共同基金的实证经验,著有《股海淘金》一书,他将他的选股艺术淬炼出CANSLIM的选股模式,这个选股模式可以成为你最简单的分析手段。很多人认为投资股票和减重一样困难,Can(可)Slim(瘦)意味着减肥的成功。

“C”=股票每季每股收益

检阅过去的大黑马的特征,就是盈余均有大幅度的增长,尤其是最近一季,因此,适合买进股票应该是:与去年同季相较的当季每纯益(最近公告的一季)有高成长。但也要注意,若是去年同季获利水平很低,例如每股收益仅1分,今年5分,就不能包括在内。

当季收益高速增长,应当排除非经常性的收益,比和有些公司靠出售一些资产,取得了巨额的收益,这些收益以后将不会再出现,因此,不会理会这些公司。最好的情况,就是每股收益能够加速增长,这类公司是股市的明星。

当季收性益成长率至少应在20%-50%或更高;最好的纯益成长率更可能高达100%至500%之间。而每股纯正益成长率8%或10%是不够的,你若想挑出黑马股,这些是最基本的要求。

“A”=年度每股线性益成长率

一只好股票过去5年的每年每股纯收益应较上年度每股纯收益显著成长。值得你买的好股票,应在过去的四到五年间,每股纯收益年度复合成率达25%至50%,甚至100%以上。据统计,所有飙升股票在初动时的每股纯收益年度复合成长率平均为24%,中间值则21%。

一只表现优异的股票,需要在最近几年有出色的盈余成长纪录,更不能欠缺的是最近数季大幅成长的盈余成果,这两者缺一不可。许多人把本益比高低作为选股的标准,但是,无法判断到底应该买进或卖出股票,在多数情况下,一只股不会因本益比很低,就大幅涨升,相反,大飙升股的本益比往往是市场平均值的2倍,甚至更高,事实上,每股纯收益成比率与股价上涨之间的关系,要较本益比股价涨跌之间的关系,远远来得密切。所以,投资者将分析重点放在,找出过去5年每股纯益成长明确增长的潜力股。不要听信任何藉口,一只好股票必须是年度纯收益成长与最近几季每股纯收益成长同步向荣。
"N"=新东西、新管理层、股价新高

公司展现新气象,是股价大涨的前兆。它可能是一项促成营业收入增加及盈余加速成长的重要新商品或服务;或是过去数年里,公司最高管理阶层换上新血液。新官上任三把火,不管事何,新领导人至少会替公司带来新的理念及注入新的活动。或者,发生一些和公司本身产业有关的事件,如:产品供不应求、售价激升或新科技引进,均可能使同一产业里所公司受益。

大多数人都不敢买创出新高的股票,反而逢低抢进越跌越多的股票。据研究,在以前数次股市的行情循环里,创新高的股票易于再创出高价。买进股票的最佳时机是在涨势正逐渐止稳,进而向上迈向新高时,正是考虑的最佳时刻----最好在股票突破盘整期之时就先买进。但千万不要等到股价已经涨逾突破买价5%或10%后,才跚然进场。股价走势若能在盘整区中转强,向上接近或穿越整理上限,则更值得投资。

在研究过去1953年至1993年年间能够大涨的股票之后,我们发现,超过95%的飙股不是推出重要的新商品或服务、更换经营层,就是在该产业里出现有利的环境变化。买入一只多数投资者起先都觉得有些贵的股票,然后等待股票涨到让那些投资人都想买这只股票的时候,再卖出股票。

"S"=流通股本要小

通常股本较少的股票较具股价表现潜力,一般而言,股本小的股票流动性较差,股价波动情况会比较激烈,倾向于暴涨暴跌,但是,最具潜力的股票通常在这些中小型成长股上,过去40年,对于所有飙升股的研究显示,95%公司的盈余成长及股价表现,最高峰均出现在实收股份少于2500万股,流通股本越少越好,易于被人操纵,显然易于涨升。

"L"=领涨股

在大多数情况下,人们倾向于买自己一向喜欢、觉得安心、熟悉的那几档股票。但是,你的爱股通常未必是当时市场最活跃的领涨股,若只因你的习惯而投资这些股票,恐怕只好看他们慢牛拖步。

要成为股市的羸家的法则是:不买落后股,不买同情股,全心全力抓住领涨股。在你采用这项原则之前,要先确认股票是在一个横向底部型态,而且股价尚未向上突破后上升了5%或10%,这样,可以避免追进一只涨得过高的股票。

领涨股的相对强弱度指数RSI一般不少于70,在1953年至1993年间,每年股价表现最好的500档美国上市股票,在真正大涨之时的平均相对强弱度指数RSI为87。股市中强者恒强,弱者恒弱是永恒的规律,一旦大盘跌势结束,最先反弹回升创新高的股票,几乎肯定是领涨股。所以,不买则已,要买就买领涨股。

"I"=大机构的关照
股票需求必须扩大到相当程度,才能剌激股票供给需求。而最大的股票需求好来自大投资机构,一只股票之所以会涨,不全然是因为很多家投资机构抢着买进投资,但至少部分原因是因为投资机构投资这只股票,拥有几家投资机构认同是最基本而合理的。

大投资机构的认同可以来自其同基金,企业退休基金、保险公司、大型投资顾问、银行信托部门等,但是,一只股票若是赢得太多的投资机构的关照,将会出现大投资机构争相抢进、买过头的现象(抢庄),一旦公司或大盘出了情况,届时竞相卖出的压力是十分可怕的。

知道有多少大投资机构买进某一只股票并不那么重要。最重要的是去了解操作水准较佳的大投资机构的持股内容;而知道拥有多少家大投资机构认同的唯一用途,就是可藉此判断最近一季的股市趋势。综括而论,适于投资者买进的股票,应是最近操作业绩良好的数家大投资机构所认同的股票。

"M"=大市走向


你可以找出一群符合前6项选股模式的股票。但是一旦看错大盘走势,在你持有的股票中,约有七八成股票恐将随势沉落,惨赔出场。所以,你必须学习一套简易而有效的方法,来判断大盘是否处于多头行情或是空头行情。研判大盘走向最好的方法就是了解并跟踪每日大盘指数的波动与走向。市场头部形态出现一般有几种形式:

一般是市场上涨到一个新高度,但成交量较低,说明在这个价格高度股票的需求量不大,这一上涨容易收挫,
成交量猛冲几天,但每次收盘后发觉股票指数几乎没有或很少上涨,
原来发动牛市的领涨股票开始突破下跌,
ADL指标(每天上涨股票家数和下跌股票家数的差值)如股票指数平均线背驰,
银行加息。
市场上能够符合上述原则的股票仅在少数,而这些股票之中也只有2%的股票成为飙升股,有的升幅超过一倍,足可以弥补由于选股不当造成的损失。投资者所要做到的是,买进所有的股票,订下损失时你准备止损的价位,专注心力观察股价是否已经到达这些设定价位,一旦达到及时止损,一般而言,在购进成本以下7%至8%的价位绝对是止损的底线。

在中国股市,威廉. 鸥内尔的CANSLIM选股模式也是放诸四海皆准的,但是中国股市发展的时间还较短,投资者对有关的分析数据要做一定的调整。假若你对这种方法有兴趣的话,不妨一试,你亦会得到意想不到的收获。
 

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/35489/viewspace-545718/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/35489/viewspace-545718/

基于NSGA-III算法求解微电网多目标优化调度研究(Matlab代码实现)内容概要:本文围绕基于NSGA-III算法的微电网多目标优化调度展开研究,重点介绍了如何利用该先进多目标进化算法解决微电网系统中多个相互冲突的目标(如运行成本最小化、碳排放最低、供电可靠性最高等)的协同优化问题。文中结合Matlab代码实现,详细阐述了NSGA-III算法的基本原理、在微电网调度模型中的建模过程、约束条件处理、目标函数设计以及仿真结果分析,展示了其相较于传统优化方法在求解高维、非线性、多目标问题上的优越性。同时,文档还提供了丰富的相关研究案例和技术支持背景,涵盖电力系统优化、智能算法应用及Matlab仿真等多个方面。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事能源优化领域的工程技术人员;尤其适合正在进行微电网调度、多目标优化算法研究或撰写相关论文的研究者。; 使用场景及目标:①掌握NSGA-III算法的核心思想及其在复杂能源系统优化中的应用方式;②学习如何构建微电网多目标调度模型并利用Matlab进行仿真求解;③为科研项目、毕业论文或实际工程提供算法实现参考和技术支撑。; 阅读建议:建议读者结合文中提供的Matlab代码实例,逐步调试运行并深入理解算法流程与模型构建细节,同时可参考文档中列出的其他优化案例进行横向对比学习,以提升综合应用能力。
内容概要:本文深入探讨了YOLOv11目标检测模型在计算机竞赛中的应用价值,介绍了其作为实时目标检测前沿技术的核心原理,即通过单次前向传播实现目标分类与定位,具备高精度与高速度的优势。文章阐述了YOLOv11基于深度学习和卷积神经网络的特征提取机制,并重点分析了在竞赛中提升性能的关键技巧,包括数据集精细化管理、针对性数据增强策略(如光照调整)、模型结构选择与学习率调度优化。结合自动驾驶、医疗影像分析和环境监测等实际应用场景,展示了其广泛适用性。并通过一段完整的代码实例,详细解析了模型加载、图像预处理、推理、后处理及结果可视化的全流程。最后展望了YOLOv11未来在硬件加速、多模态融合及模型可解释性方面的演进趋势。; 适合人群:具备一定深度学习基础,参与计算机视觉相关竞赛的高校学生、研究人员及算法工程师;熟悉Python和PyTorch框架的技术人员。; 使用场景及目标:①掌握YOLOv11在各类计算机竞赛中的实际部署方法;②学习如何针对特定任务优化模型性能;③理解从数据处理到结果可视化的完整目标检测流程;④为参赛项目提供高效、可靠的解决方案。; 阅读建议:建议结合代码实例动手实践,复现检测流程,并根据具体竞赛需求调整数据增强策略与模型参数,同时关注模型轻量化与推理效率的平衡。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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