股票入门知识

股票入门

1.分时图

黄线代表当天平均成交价,蓝线代表实时成交价

右侧是成交的情况

从成交量可以看出市场对这一支股票是看涨还是看跌,红色多且长代表看涨,反之亦然;

Screenshot_2019-02-25-16-51-28-244_雪球股票

2.交易手续费

服务费一般最低价是5元;

服务费的计算公式:成交金额(股价 *购买数量) *佣金率(一般在2%o)+上海市场过户费(1000股=1元->1200股1.2元)

卖出亦然

3.日K,周K,月K,季K,年K

日K:是每一天的K线图组成的,里面的一个K线代表一天。

周K:是每一周的K线图组成的,里面的一个K线代表一周。

月K:是每一月的K线图组成的,里面的一个K线代表一月。

Screenshot_2019-02-26-20-31-43-064_雪球股票

K线

img
K线之开盘价与收盘价之间以实体表示。若收盘价高于开盘价,以中空实体表示,称红线或阳线;若收盘价低于开盘价,则以黑色实体表示,称黑线或阴线。

### 使用AI大模型进行股票交易入门学习 #### 学习路径概述 对于希望了解如何使用AI大模型进行股票交易的人来说,可以从以下几个方面入手:基础知识积累、技术框架搭建以及实际操作演练。以下是详细的介绍。 #### 基础知识准备 在进入具体的实践之前,建议先掌握一些基础概念和技术背景。这包括但不限于以下内容: - **人工智能与机器学习基本理论**:理解监督学习、无监督学习的概念及其在金融领域中的应用[^1]。 - **时间序列分析**:由于股市数据本质上属于时间序列类型的数据集,因此熟悉ARIMA, LSTM等适用于此类数据分析的方法尤为重要[^3]。 #### 技术栈选型 当具备了一定程度的知识储备之后,则需考虑选用哪些技术和工具来支持整个流程: ##### 数据获取阶段 可以借助多个平台提供的API接口抓取实时行情信息或者历史记录用于后续建模工作之中。例如提到过的Quandl 和 TradingView都是不错的选择之一[^3]。 ##### 模型开发环节 目前主流的大规模预训练语言模型如GPT系列能够很好地服务于自然语言处理任务;而对于数值计算密集型场景下的回归分类等问题则更适合采用基于Transformer架构改进版的视觉类别的Vicuna家族成员来进行解决[^2]。此外还有专门面向科学研究社区推出的开源项目PyTorch Lightning简化分布式环境部署难度的同时也提高了代码可读性和维护效率[^4]。 ##### 部署上线部分 完成离线实验验证效果满意后即可着手规划线上服务端口设计事宜了。考虑到延迟敏感度较高的量化交易平台往往倾向于本地化安装而非云端调用方式以减少网络传输带来的额外开销成本。所以提前做好硬件资源配置评估显得尤为必要[^5]。 ```python import torch from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("gpt2") # 替换为你选择的具体模型名称 model = AutoModelForCausalLM.from_pretrained("gpt2") input_text = "今天大盘走势" inputs = tokenizer(input_text, return_tensors="pt") outputs = model.generate(**inputs) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` 以上是一个简单的例子展示如何加载预先训练好的文本生成器并通过给定提示词获得相应回复的过程。当然,在真实环境中还需要加入更多维度考量因素比如风险控制机制设定等等才能构成完整的解决方案体系结构图谱。 ---
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