MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型构建在线实验闯关

原创 于 2025-07-05 00:27:50 发布 · 1.1k 阅读 · 20 ·
CC 4.0 BY-SA版权
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。
文章标签：

#python

部署运行你感兴趣的模型镜像

第1关 移动平均线指标计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，

# 计算收盘价5、10、20日移动平均价格，

# 返回计算结果，结果用一个数据框ma表示，第1-3列依次为5、10、20日移动平均价格

def return_values():

    #1.读取数据

    import pandas as pd

    data=pd.read_excel('trd_data.xlsx')

    d=data.iloc[data.iloc[:,0].values==601668,:]

    I1=d.iloc[:,1].values>='2017-01-01'

    I2=d.iloc[:,1].values<='2018-01-01'

    d=d.iloc[I1&I2,:]

    d.index=range(len(d)) #d即为待计算的数据框，索引重新排序

    ma = pd.DataFrame()

    ma['5日移动平均价格'] = d['收盘价'].rolling(window=5).mean()

    ma['10日移动平均价格'] = d['收盘价'].rolling(window=10).mean()

    ma['20日移动平均价格'] = d['收盘价'].rolling(window=20).mean()

    return ma

第2关 指数平滑异同平均线指标的计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，

# 计算MACD指标，公式参考书本

# 返回计算结果，结果用一个数据框macd表示。

#注意：读取的交易数据表，需按照日期的升序进行排序

def return_values():

    import pandas as pd

    data=pd.read_excel('trd_data.xlsx')#题目数据

    d=data[data.iloc[:,0].values==601668]

    d=d[d.iloc[:,1].values>='2017-01-01']

    d=d[d.iloc[:,1].values<='2018-01-01']

    d.index=range(len(d)) #索引重新排序

    #2.平滑异同平均线MACD指标值

    import numpy as np

    #指数平滑移动平均

    ema12=pd.DataFrame.ewm(d['收盘价'],span=12).mean()

    ema26=pd.DataFrame.ewm(d['收盘价'],span=26).mean()

    dif=ema12-ema26

    dea=np.zeros((len(dif))) #以dif为长度做全为0的数组

    macd=np.zeros((len(dif)))

    for t in range(len(dif)):

        if t==0:

            dea[t]=dif[t]

        if t>0:

            dea[t]=(2*dif[t]+8*dea[t-1])/10

        macd[t]=2*(dif[t]-dea[t])

    #3.合并数据并保存Excel表

    macd={'MACD':macd}

    macd=pd.DataFrame(macd)

    return macd

第3关 随机指标K、D、J的计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，

# 计算KDJ指标，公式参考书本

# 返回计算结果，结果用一个数据框KDJ表示,

# 其中第1列为交易日期，2-4列分别为K、D、J指标值

#注意：读取的交易数据表，需按照日期的升序进行排序

def return_values():

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    d=A[A.iloc[:,0].values==601668]

    d=d[d.iloc[:,1].values>='2017-01-01']

    d=d[d.iloc[:,1].values<='2018-01-01']

    d.index=range(len(d)) #索引重新排序

    #2.平滑异同平均线MACD指标值

    #计算移动周期内的最大值和最小值

    import numpy as np

    Lmin=d['最低价'].rolling(9).min() #周期数为9

    Lmax=d['最高价'].rolling(9).max()

    rsv=(d['收盘价'].values-Lmin)/(Lmax-Lmin)

    K=np.zeros((len(rsv)))

    D=np.zeros((len(rsv)))

    J=np.zeros((len(rsv)))

    for t in range(9,len(d)):

        if t==0:

            K[t]=rsv[t]

            D[t]=rsv[t]

        if t>0:

            K[t]=2/3*K[t-1]+1/3*rsv[t]

            D[t]=2/3*D[t-1]+1/3*K[t]

        J[t]=3*D[t]-2*K[t]

    #3.合并数据并保存Excel表

    kdj={'D':D,'J':J,'K':K}

    kdj=pd.DataFrame(kdj)

    date={'交易日期':d['Trddt'].values}

    date=pd.DataFrame(date)

    KDJ=date.join(kdj)

    return KDJ

第4关 计算相对强弱RSI指标

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据，

#计算出的三个指标RSI6、RSI12、RSI24用数据框Data储存

#Data的前三列的指标数分别为RSI6、RSI12、RSI24,

'''注意：读取的交易数据表，需按照日期的升序进行排序，即:2017年开始日期到结束日期，不按照命名要求进行命名

则无法检测答题结果是否准确'''

def return_values():

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    a1=A['Trddt'].values>='2017-01-01'

    a2=A['Trddt'].values<='2017-12-31'

    data1=A.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))  #规范索引

    #预定义涨跌标识向量z

    import numpy as np

    z=np.zeros(len(data1)-1)

    #涨跌标识向量赋值

    z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>=0]=1 #涨

    z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌

    #涨情况统计

    zhang=pd.Series(z==1) #转化为序列

    #6天移动计算涨数

    zhang1=zhang.rolling(6).sum()

    zhang1=zhang1.values   #转化为数组

    #12天移动计算涨数

    zhang2=zhang.rolling(12).sum()

    zhang2=zhang2.values   #转化为数组

    #24天移动计算涨数

    zhang3=zhang.rolling(24).sum()

    zhang3=zhang3.values   #转化为数组

    #跌情况统计

    die=pd.Series(z==-1) #转化为序列

    #6天移动计算跌数

    die1=die.rolling(6).sum()

    die1=die1.values   #转化为数组

    #12天移动计算跌数

    die2=die.rolling(12).sum()

    die2=die2.values   #转化为数组

    #24天移动计算跌数

    die3=die.rolling(24).sum()

    die3=die3.values   #转化为数组

    #RSI指标计算

    rsi6=np.zeros((len(data1)))

    rsi12=np.zeros((len(data1)))

    rsi24=np.zeros((len(data1)))

    for t in range(6-1,len(data1)-1):

        rsi6[t]=zhang1[t]/(zhang1[t]+die1[t])

    for i in range(12-1,len(data1)-1):

        rsi12[i]=zhang2[i]/(zhang2[i]+die2[i])  

    for j in range(24-1,len(data1)-1):

        rsi24[j]=zhang3[j]/(zhang3[j]+die3[j])

    #将计算出的指标与交易日期利用字典整合起来

    rsi={'RSI6':rsi6,'RSI12':rsi12,'RSI24':rsi24}

    rsi=pd.DataFrame(rsi)    

    date={'交易日期':data1['Trddt'].values}

    date=pd.DataFrame(date)

    RSI=date.join(rsi)

    return RSI

第5关 乖离率指标BIAS的计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据

#计算出的三个指标Bias5、Bias10、Bias520用数据框Data储存

#Data的前三列的指标数分别为Bias5、Bias10、Bias520,请按照左侧提供的公式进行计算。

#注意：读取的交易数据表，需按照日期的升序进行排序

def return_values():

    #1.数据获取

    import pandas as pd

    A = pd.read_excel('trd_data.xlsx')#题目数据

    data=A

    a1=data['Trddt'].values>='2017-01-01'

    a2=data['Trddt'].values<='2017-12-31'

    data1=data.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))   #data1即为待计算的数据框，重新排列索引

    #预定义乖利率指标

    import numpy as np

    bias5=np.zeros((len(data1)))

    bias10=np.zeros((len(data1)))

    bias20=np.zeros((len(data1)))

   

    #计算5天移动平均价格和BIAS指标计算

    man5=data1.iloc[:,5].rolling(5).mean()

    for t in range(5-1,len(data1)):

        bias5[t]=(data1.iloc[t,5]-man5[t])/man5[t]

   

    #计算10天移动平均价格和BIAS指标计算

    man10=data1.iloc[:,5].rolling(10).mean()

    for i in range(10-1,len(data1)):

        bias10[i]=(data1.iloc[i,5]-man10[i])/man10[i]

   

    #计算20天移动平均价格和BIAS指标计算

    man20=data1.iloc[:,5].rolling(20).mean()

    for j in range(20-1,len(data1)):

        bias20[j]=(data1.iloc[j,5]-man20[j])/man20[j]

       

    #将计算出的指标与交易日期利用字典整合起来

    bias={'BIAS5':bias5,'BIAS10':bias10,'BIAS20':bias20}

    bias=pd.DataFrame(bias)  

    Data = bias

    return Data

第6关 能量潮指标OBV的计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2017-12-31的交易数据

#计算能量潮OBV指标，请根据左边所提供的公式来进行计算

#能量潮指标OBV的计算结果用一个数据框L来表示，

#注意：读取的交易数据表，需按照日期的升序进行排序

def result():

    #1.数据获取

    import pandas as pd

    data = pd.read_excel('trd_data.xlsx')#题目数据

    a1=data['Trddt'].values>='2017-01-01'

    a2=data['Trddt'].values<='2017-12-31'

    data1=data.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))  #data1即为待计算的数据框，重新排列索引

    #预定义能量潮指标

    import numpy as np

    obv=np.zeros((len(data1)))

    for t in range(len(data1)):

        if t==0:

            obv[t]=data1['交易量'].values[t]

        if t>0:

            if data1['收盘价'].values[t]>=data1['收盘价'].values[t-1]:

                obv[t]=obv[t-1]+data1['交易量'].values[t]

            if data1['收盘价'].values[t]<data1['收盘价'].values[t-1]:

                obv[t]=obv[t-1]-data1['交易量'].values[t]

               

    #将计算出的能量潮指标与交易日期利用字典整合起来

    obv={'OBV':obv}

    obv=pd.DataFrame(obv)  

    L=obv

    return L

第7关 涨跌趋势指标的定义及计算

#今有部分股票交易数据表“trd_data”，字段名称为：

# Stkcd    、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额

# 读取股票代码601668,2017-01-01至2018-01-01的交易数据

'''计算出涨跌趋势指标其方法如下：下一日收盘价减去当日收盘价，

若大于0，则下日股价呈现上涨趋势，用1表示，反之则股价呈现下跌趋势，用-1表示'''

#计算结果用数据框Y进行储存，

#注意：读取的交易数据表，需按照日期的升序进行排序

def result():

    #1.获取数据

    import pandas as pd

    data = pd.read_excel('trd_data.xlsx')#题目数据

    a1=data['Trddt'].values>='2017-01-01'

    a2=data['Trddt'].values<='2017-12-31'

    data1=data.iloc[a1&a2,:].sort_values('Trddt')

    data1=data1.loc[data1['Stkcd']==601668,:]

    data1.index=range(len(data1))     #data1即为待计算的数据框，重新排列索引

    #预定义因变量y和标识变量z

    import numpy as np

    y=np.zeros((len(data1)))

    z=np.zeros((len(y)-1))

    for t in range(len(z)):

        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>0]=1 #涨

        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values==0]=0 #平

        z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌

        y[t]=z[t]

    Y={'涨跌趋势':y}

    Y=pd.DataFrame(Y)

    return Y

第8关 基于技术指标的股票价格涨跌趋势预测模型的构建（支持向量机模型）

#请结合前几题所计算出的各种指标，构建出股票价格涨跌趋势预测模型

#将指标与交易日期以及股价的涨跌趋势整合起来

##提取训练（1-11月）和测试数据（12月）

#数据标准化

#支持向量机模型

#计算模型准确率和预测准确率分别用sc和Rs储存,模型实用支持向量机模型

#若不按照命名要求进行命名则无法检测答题结果是否准确

def result():

    #1.数据获取

    import pandas as pd

    data1=pd.read_excel('Y.xlsx')  #跌涨趋势指标,字段名称为：交易日期、Y

    data1.drop('Unnamed: 0', axis=1, inplace=True)

    data2=pd.read_excel('MA.xlsx') #移动平均线指标，字段名称为：交易日期、MA5、MA10、MA20

    data2.drop('Unnamed: 0', axis=1, inplace=True)

    data3=pd.read_excel('MACD.xlsx') #平滑异同平均线指标，字段名称为：交易日期、MACD

    data3.drop('Unnamed: 0', axis=1, inplace=True)

    data4=pd.read_excel('KDJ.xlsx')  #随机指标，字段名称为：交易日期、D、J、K

    data4.drop('Unnamed: 0', axis=1, inplace=True)

    data5=pd.read_excel('RSI.xlsx')  #相对强弱指标，字段名称为：交易日期、RSI6、RSI12、RSI24

    data5.drop('Unnamed: 0', axis=1, inplace=True)

    data6=pd.read_excel('BIAS.xlsx') #乖离率指标，字段名称为：交易日期、BIAS5、BIAS10、BIAS20

    data6.drop('Unnamed: 0', axis=1, inplace=True)

    data7=pd.read_excel('OBV.xlsx')  #能量潮指标，字段名称为：交易日期、OBV

    data7.drop('Unnamed: 0', axis=1, inplace=True)

    #将指标与交易日期以及股价的涨跌趋势整合起来

    zh=pd.concat([data3,data4,data5,data6,data7,data1],axis=1)

    zh.drop('交易日期',axis=1,inplace=True)

    zh=pd.concat([data2,zh],axis=1)

    zh1=zh.dropna()

    #提取训练和测试数据

    x1=zh1['交易日期']<='2017-11-30'

    index=x1.values==True

    index1=x1.values==False

    x_train=zh1.iloc[index,1:15]

    y_train=zh1.iloc[index,15]

    x_test=zh1.iloc[index1,1:15]

    y_test=zh1.iloc[index1,15]

    #数据标准化

    from sklearn.preprocessing import StandardScaler

    scaler = StandardScaler()

    scaler.fit(x_train)

    x_train=scaler.transform(x_train)

    x_test=scaler.transform(x_test)

    #支持向量机模型

    from sklearn import svm

    clf= svm.SVC(kernel='rbf', C=5)

    clf.fit(x_train,y_train)

    sc=clf.score(x_train,y_train)

    result=clf.predict(x_test)

    Z=result-y_test

    Rs=len(Z[Z==0])/len(Z)

    return [sc,Rs]

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

qwerthoykd
关注
优质投资组合构建、MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型在线实验闯关
Junds0的博客
03-22 1969
任务描述本关任务:以中国建筑（股票代码：601668）2017年的交易数据为例，编写一个程序脚本（非函数形式），计算其涨跌趋势指标值。其方法如下：下一日收盘价减去当日收盘价，若大于0，则下日股价呈现上涨趋势，用1表示，反之则股价呈现下跌趋势，用-1表示。相关知识股价趋势预测主要是通过建立预测模型进行的，是自变量，是因变量。本节主要是将这些技术指标作为输入自变量，而因变量是根据股票每日的收盘价确定的。
OBV指标计算与预测模型在线实验闯关
ByteKnight的博客
08-15 516
OBV指标是一种基于成交量的技术分析工具，用于测量买入和卖出压力的强弱。通过分析成交量的变动情况，OBV指标可以帮助投资者判断股票价格的趋势以及买卖信号。除了计算OBV指标，我们还可以使用机器学习算法构建一个预测模型来预测未来的OBV值。综上所述，我们介绍了OBV指标的计算方法，并以Python代码示例展示了如何计算OBV指标和构建OBV指标预测模型。最后，我们可以使用均方误差（Mean Squared Error，MSE）等评价指标评估预测结果与实际情况之间的误差。会返回一个包含OBV值的列表。
头歌实验 MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型构建在线实验闯关
2201_76039426的博客
11-07 4092
今有部分股票交易数据表“trd_data”，字段名称为：# Stkcd 、Trddt、开盘价、最高价、最低价、收盘价、交易量、交易金额# 读取股票代码601668,2017-01-01至2018-01-01的交易数据'''计算出涨跌趋势指标其方法如下：下一日收盘价减去当日收盘价，若大于0，则下日股价呈现上涨趋势，用1表示，反之则股价呈现下跌趋势，用-1表示'''#计算结果用数据框Y进行储存，#注意：读取的交易数据表，需按照日期的升序进行排序。
MA、MACD、KDJ、RSI、OBV相关指标计算
JS74110的博客
12-15 2263
z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values==0]=0 #平。z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌。z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values>=0]=1 #涨。z[data1.iloc[1:,5].values-data1.iloc[0:-1,5].values<0]=-1 #跌。
基于macd、kdj、ma技术指标分析股票多空方向——应用开发3 计算股票相关技术指标数据
m0_64902855的博客
01-18 4387
接上一节，我们获取了000001.SZ股票过去一年的历史数据stock_df，接下来我们就计算技术指标 所用包 pandas_ta import pandas_ta as ta 关于pandas_ta 可以在GitHub - twopirllc/pandas-ta: Technical Analysis Indicators - Pandas TA is an easy to use Python 3 Pandas Extension with 130+ Indicators这里了解更多...
优质投资组合构建、MA、MACD、KDJ、RSI、OBV相关指标计算及预测模型在线实验闯关 2.html
09-23
其中，移动平均线（MA）、指数平滑异同移动平均线（MACD）、随机指标（KDJ）、相对强弱指数（RSI）以及能量潮指标（OBV）是投资者在市场分析中广泛使用的工具。 移动平均线（MA）是最基础的技术分析工具之一，它...
上市公司综合排名及投资组合构建、收益率计算在线实验闯关
Junds0的博客
03-24 3220
本关任务：采用综合评价方法，基于2016年的财务指标数据进行综合评价，获得排名前20的股票代码构建投资组合，以2017年5月1日至12月31日为持有期，计算投资组合的收益率，并与同期的沪深300指数收益率比较。变量或指标的单位不同，造成有些指标数据值非常大，而有些非常小，在模型运算中，大的数据会把小的数据覆盖，造成模型失真，因此需要对这些数据进行规范化处理。为了完成本关任务，你需要掌握的知识：1.掌握综合评价方法，2.获得排名前20的股票代码构建投资组合。3.计算投资组合的收益率。
基于macd、kdj、ma技术指标分析股票多空方向——应用开发6 导出到EXCEL表格
m0_64902855的博客
01-26 1529
接上一节，我们获得了分析结果 result_df 与图片，现在把结果导出为excel表格 导出表格 代码如下 #建立book writer = pd.ExcelWriter('分析结果.xlsx',engine='xlsxwriter') workbook=writer.book #建立sheet 表名称为 股票代码 result_df.to_excel(writer,'%s分析'%stock_df.iloc[0,0]) writer.save() writer.close() 结果如下 .
股票联动与轮动布尔数据集构建在线实验闯关
cfy2401926342的博客
07-04 842
【代码】股票联动与轮动布尔数据集构建在线实验闯关。
ma、boll、macd、kdj指标.pdf
07-13
ma、boll、macd、kdj指标.pdfma、boll、macd、kdj指标.pdfma、boll、macd、kdj指标.pdfma、boll、macd、kdj指标.pdfma、boll、macd、kdj指标.pdfma、boll、macd、kdj指标.pdf
MT4 MA 移动均线指标 源程序
06-11
MT4 MA 移动均线指标 源程序 ，仅供自动交易初学者学习参考。
1.1 pandas清洗数据、做均线
actuaryzx的博客
05-09 1539
前言 量化投资实践入门，从处理基本数据开始。 这个python程序就是用于处理基本股票日度收益率。数据来源是国泰安CSMAR数据库 其中，各个标签的意思如下： Stkcd： 股票代码 Trddt： 交易日期 Opnprc： 开盘价 Hiprc： 最高价 Loprc： 最低价 Clsprc： 收盘价 Adjprcwd：...
量化交易入门笔记-KDJ指标研究
东南有大树的博客
10-29 4465
KDJ概念 KDJ指标又叫随机指标，是一种相当新颖、实用的技术分析指标，它起先用于期货市场的分析，后被广泛用于股市的中短期趋势分析，是期货和股票市场上最常用的技术分析工具。 KDJ计算方法 KDJ的计算比较复杂，首先要计算周期（n日、n周等）的RSV值，即未成熟随机指标值，然后再计算K值、D值、J值等。 以n日KDJ数值的计算为例，其计算公式为 n日RSV=（Cn－Ln）/（Hn－Ln）×100...
K线图的技术分析公式
最新发布
极客神殿
02-12 3956
K线图常用于技术分析中，结合各种指标来预测市场走势。
【量化交易】KDJ指标实现
芒果冰麦
05-15 1337
股票量化交易
Python 量化投资（一）：滑动均值、布林带、MACD、RSI、KDJ、OBV
龙哥盟
07-12 1122
这就完成了向量化，因为 NumPy 或者 PyTorch 都针对卷积做了特殊优化。为了更好利用向量化来加速，滑动窗口使用。
量化：KDJ策略
April123abc的博客
12-15 1459
type: 股票、场内基⾦、场内交易的货币基⾦、分级A基⾦、分级B基⾦、分级⺟基⾦、⾦融期货、期货、债券基⾦、股票基⾦、QDII 基⾦、混合基⾦，'stock'/ 'fund' / 'mmf' /'fja'/'fjb'/ 'fjm'/'index_futures' / 'futures' / 'bond_fund' / 'stock_fund' / 'QDII_fund' / / ‘mixture_fund' /'120m', '1d', '1w', '1M'. '1w' 表示⼀周, ‘1M' 表示⼀⽉。
Python 实现股票指标计算——RSI
myqijin的博客
07-15 3238
RS（相对强度）= N日内收盘价涨数和之均值÷N日内收盘价跌数和之均值。B为N日内（N一般取值为6、14、21）收盘价的负数之和乘以（-1）假设A为N日（N一般取值为6、14、21）内收盘价的正数之和。这样，A和B均为正，将A、B代入RSI计算公式，则。公式2计算的结果与股票软件上显示的结果一致。RSI（相对强弱指标）
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
 
红包 添加红包
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