千发股票震荡交易模型v2

最新推荐文章于 2025-03-20 16:37:51 发布
最新推荐文章于 2025-03-20 16:37:51 发布
阅读量385 收藏
点赞数 1
分类专栏： 股票自动买卖
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。
本文链接：https://blog.youkuaiyun.com/lovebanyi/article/details/84095109
版权

在千发股票震荡交易模型除了故有的直线下跌的风险外，它实际上还有一个缺陷，不知道你是否看起来了。

它的缺陷就是当股票处在趋势上升的时候，软件没有股票可以卖，然后最后一次的成交价就一直维持在某个价位上。 比如说最后一次的价格是5块钱，然后现在我们没有一股可以卖了，而价格继续升到6块然后跌到5.5块然后再升到7块，这里面是有一个震荡的，但是我们却没有操作到，我们把这次机会放弃了。

为了解决这种缺陷的话，我们必须在股票变成 5.1块的时候（2%算）不管有没有股票可以卖，我们都需要把股票的最后一次成交的价格变成5.1块，然后继续变成 5.x 块只到6块，然后这个时候股票开始跌了，我们的策略就可以自动买入了，一直买到5.5块钱，然后再升到7块的时候我们就有操作到这个震荡区域了，当然这种趋势行情用震荡来做是很不好理想的一种方式（理想的方式应该是有趋势和震荡对冲的）。不过我们总算是有解决了这样的一个问题了。

在解决这种问题之后，也许我们会变到一个新的问题就是再一次加大了风险。因为我们震荡挣到的钱不会太多，但是我们可能要承担下跌的风险变大了。比如再一次趋势上升的过程中因为震荡我们挣到了新的2份交易的钱，但是下跌的过程却需要5份才达到相同的价格位置。所以我们这种操作方式，最开心的是要变到小周期内的不断震荡的股票。

如果有采用定投基金的朋友，我想采用我们这种方式是最酷的。没有资金可买的时候，因为有其它方面挣到的钱进来。哪么交易就可以不断进行下去了。

 

千发股票自动交易软件已支持这个策略了

 

StarGAN v2: Diverse Image Synthesis for Multiple Domain
AI天才研究院
08-02 993
在过去的十年里，生成对抗网络（GANs）已经推动了图像、视频、音频等各种数据形式的创作和转化。通过学习一种已知图像的模式并生成类似但不完全相同的新图像，这种生成模型被广泛应用于视觉艺术、科学、工程和游戏设计等领域。在现实世界中，一个对象可以有多种外观或形态，比如一只猫可能有黑白两色的外表，也可能有褐色的毛皮和蓝色的耳朵；在计算机视觉任务中，目标对象可以有多种属性，如身材高大丰满，身材矮小瘦弱，面部轮廓复杂，皱纹横冲直撞……这些差异性造就了图像数据的多样性。
梯度消失问题探究与解决方案
AI天才研究院
08-13 293
深度学习（Deep Learning）是当前非常火热的机器学习方向，它不仅在图像、文本等领域取得了巨大的成功，还在自动驾驶、手语识别、虚拟现实、医疗诊断等多个领域展现出强劲的实力。然而深度学习的另一个重要的特性就是它的参数规模及训练时间都很大。而梯度消失问题正是由于参数量过多导致的，即神经网络中的参数太多或层数太多导致某些层学习到一个统一的最优解而难以学习其他更复杂的参数配置，从而导致整个模型性能的下降。因此，如何解决梯度消失问题是提高深度学习模型效果的关键。
TB期指程序交易趋势+震荡模型
05-29
这是建立在TB平台之上，针对期货程序化爱好者，开发的自主交易软件，上传到网上，是希望借助优快云平台，跟同行进行探讨、交流。扩展自己的编程思路，分享变成心得！
千发股票震荡交易模型
风中的云
11-21 546
从大的级别上来看所有的股票都是一个震荡（摘自教你炒股票-缠中说禅） 通过观察股票我们可以发现股票除了趋势外有，有一个非常重要的东西就是震荡。震荡占了股票运动空间的70%左右。即使就是趋势本身，里面也是经常有几根k线在震荡的。 我们知道了股票这样震荡，我们就可以想出一个方法来对它进行交易了。因为单次涨跌的判断对我们来说一点意义都没有。所以我们这个系统必须排除这种判断。 股票还有一种情况下会...
常见传统模型类型特征分类（震荡、趋势、加速、预加速）
m0_57729416的博客
05-20 1277
小友莫走，我这里有金融交易大法，五毛一本。关于常见四种行情状态的整理与阐述——震荡、趋势、加速、预加速（后两种是少见分类，建议收藏）
如何移植行情软件的指标到千发股票自动交易软件？
weixin_33786077的博客
10-04 199
可以把传统行情软件的指标移过来吗？ 可以的，并且搬到这边来也是一件很容易的事情，我们的股票自动交易软件已经有提供了一些基础的函数。 到目前为止我们股票自动交易软件提供的函数有 MA平均 EMA滑动平均 WMA加权平均 SMA移动平均 HHV某周期内最高价 LLV某周期最低价 CROSS穿...
【量化金融】交易模型常见系统问题（4）趋势模型与震荡模型浅议（实盘量化亏5000以上才能明白的交易技巧）以tb开拓者为例
m0_57729416的博客
03-30 1173
量化金融中趋势模型与震荡模型浅议，以及未来量化发展新思路
基于ChatYuan-large-v2 微调训练 医疗问答 任务
小毕超博客
08-20 749
上篇基于`ChatYuan-large-v2` 语言模型 `Fine-tuning` 微调训练了广告生成任务，总体生成效果还可以，但上篇文章的训练是微调的模型全部的参数，本篇文章还是以 `ChatYuan-large-v2` 作为基础模型，继续探索仅训练解码器层参数，并在医疗问答任务上的效果如何。
transformer模型详细配置——大语言模型 LLMBook 学习（三）
最新发布
swpucwf的博客
03-20 780
激活函数（Activation Function）是神经网络中的非线性变换函数，它的主要作用是。
Python量化交易入门
曲折旅程，艰难人生
04-13 3872
Python量化交易知识归纳
fp32和int8模型的区别_模型压缩入门
weixin_33632843的博客
01-12 1979
本教程介绍了模型压缩的三大方法：剪枝、蒸馏、量化，最终在pc端完成部署。这些方法均采用各领域的经典思路来实现，剪枝部分(BN剪枝、直接减通道)、蒸馏部分(参考Hinton论文)、量化(MNN离线量化)。教程的目的是帮助自己快速在模型压缩领域入门，通过实验体会剪枝、蒸馏、量化的效果，并在模型调试方面积累经验。模型压缩核心：先缩小模型尺寸，再补偿下降的精度实验模型：VGG16，ResNet34数据集：...
电动汽车V2G问题研究综述.pdf
09-04
未来的研究方向可能集中在开发更精确的模型和算法来优化V2G的运行策略，完善市场机制以激发用户参与，以及提升电池管理系统和电力电子设备的效率和可靠性。 总的来说，电动汽车V2G技术是一项多维度、跨学科的研究...
SF30 | 双均线交易模型的震荡过滤
松鼠宽客的博客
03-14 3173
致力于分享量化策略，培训视频，Python，算法研究等相关内容。
今天完成了股票自动化交易软件1.2版本了
风中的云
09-28 3338
千发[url="http://www.qianfa.net/AutoTrade.html"]股票自动交易[/url]功能简介: 用户只需要把自己想要监控的股票加入股票池。然后选择股票交易策略，我们的软件就会每6秒钟自动进行一次判断，是否有股票可以买入，是否卖出现有的股票（现有的股票我们会自动从你的帐号哪边获取的）。 我们这个自动交易软件没有办法完成对多个市场进行套利的策略。 为什么...
股票交易接口
风中的云
09-15 2707
其实好多人，包括程序员在接触到程序化交易的时候，都会在想如何自己去编写一自动化交易的程序，在C#股票数据接口里面,我们已经提到了如何使用新浪来写一个股票数据接口，现在这边我们谈的是如何用c#来写一个股票交易接口。 股票交易是在证交所里面进行撮合交易的，这个是需要席位的，是给券商用的，我们普通的个人是没有办法直接连到哪边去交易，我们要做的是连到券商哪边去进行交易，但是我们会发现很多的券商跟...
完成了安信交易接口
风中的云
12-10 1251
安信交易接口是安信证券提供的交易接口，现在有提供交易接口的券商是非常少的，安信还不错了还可以提供一个这样的接口。不过它的接口C++写的标准DLL，不是com c#是没有办法对它直接引用的。   然后我就花了一些时间对它进行了封装了，再过一段时间就可以把它放到我的股票策略交易 和股票自动交易软件 里面去了。  ...
股票自动买卖
风中的云
09-05 957
股票自动买卖就是使用电脑进行自动化帮助我们进行股票交易，一般我们在网上进行炒股,依靠的是证券公司所发布的股票证券交易系统。这种系统没有办法进行自动买卖，它的缺点是你必须时时在股市，一开盘时就盯着电脑显示屏,然后在涨跌之间做决定是否买入股票或是卖出股票。这种操作的优点就是你可以很及时的了解某一只你想要的股票信息。并且形成自身的条件反射。如果按正确的方法练下去，你可能会成长为一个高手。 但...
程序化交易你放心吗？
风中的云
09-21 225
今天有一个朋友在问我“最近在忙什么东西”，然后我就就告诉他我在做[url="http://www.qianfa.net/TradeHelper.html"]股票策略交易[/url]，和[url="http://www.qianfa.net/AutoTrade.html"]股票自动化交易[/url]，做一个可以自动挣钱的东西。 然后他就觉得这个太难了，根本就不太可能实现，电脑什么会比人聪明呢？...
bp神经网络模型优化 完整代码
07-15
下面是一个使用优化技术（如动量优化和学习率衰减）的BP神经网络模型的完整代码示例： ```python import numpy as np class NeuralNetwork: def __init__(self, input_size, hidden_size, output_size): self.W1 = np.random.randn(input_size, hidden_size) self.W2 = np.random.randn(hidden_size, output_size) self.V1 = np.zeros_like(self.W1) # 用于动量优化 self.V2 = np.zeros_like(self.W2) # 用于动量优化 def sigmoid(self, x): return 1 / (1 + np.exp(-x)) def sigmoid_derivative(self, x): return x * (1 - x) def forward(self, X): self.z = np.dot(X, self.W1) self.hidden_layer = self.sigmoid(self.z) self.output_layer = self.sigmoid(np.dot(self.hidden_layer, self.W2)) def backward(self, X, y, learning_rate, momentum): output_error = y - self.output_layer output_delta = output_error * self.sigmoid_derivative(self.output_layer) hidden_error = np.dot(output_delta, self.W2.T) hidden_delta = hidden_error * self.sigmoid_derivative(self.hidden_layer) dW2 = np.dot(self.hidden_layer.T, output_delta) dW1 = np.dot(X.T, hidden_delta) self.V2 = momentum * self.V2 + learning_rate * dW2 self.V1 = momentum * self.V1 + learning_rate * dW1 self.W2 += self.V2 self.W1 += self.V1 X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([[0], [1], [1], [0]]) input_size = X.shape[1] hidden_size = 4 output_size = 1 nn = NeuralNetwork(input_size, hidden_size, output_size) epochs = 10000 learning_rate = 0.1 momentum = 0.9 for i in range(epochs): nn.forward(X) nn.backward(X, y, learning_rate, momentum) # 学习率衰减 learning_rate *= 0.99 new_data = np.array([[1, 1]]) nn.forward(new_data) print("预测结果：", nn.output_layer) ``` 在这个优化的代码示例中，我们添加了动量优化和学习率衰减。动量优化通过引入速度（V）变量来加速参数更新，并减少震荡。学习率衰减通过每个epoch后减小学习率来提高模型的收敛性。 请注意，这只是一个简单的示例代码，实际应用中可能需要更复杂的优化技术和调参方法。神经网络的性能和训练结果很大程度上取决于数据集和网络结构的选择。如果你有更多问题，请随时提问。
评论
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