《基于情绪与博弈行为的做T研究》

一、引言

很多人问我怎么做T,考虑到很多人没有做T思维以及方法,这里总结下自己对于做T的理解,以及提供方法论和基本思路。尽量以规范化的模式,让小白也能极大提高做T成功率。由于很多技术指标是滞后的,所以本文主要以方法论、思路、纪律、标准化模式进行论述,希望能够让小白也能敢于做T,能够做T。

二、做T的逻辑方法

做T的本质是博弈趋势变化。趋势变化是由资金推动的,资金的情绪与博弈行为决定了短期走势。所以需要理解筹码交换的心理

这里有两个重要概念:支撑位与压力位理解好这2个概念是做T成功的关键。这2个位置也代表了正反T的买与卖点。

(一)压力位【☆☆☆☆☆】

压力位一般是抛压无法消化的位置,或者很难消化的位置。

其一是,心理的压力位,是持筹人恐高位置;这里一般是前高与整数位,以大PIAO赛赛为例,比如前高是106.66,那么压力位自然就是106.66,这里如果考虑到抢跑行为,压力位需要提前0.5左右,也就是106就是强压力,所以压力区间就是106-106.66;整数就是100,105,110等,大piao以5yuan一个档,小piao以1yuan或者0.5为一个档。或者折算成涨跌比例就是5%为一个档位。以上整数压力位考虑抢跑行为的话都需要适当降低压力位数值。

其二是,套牢压力位,也就是阻力大的点位;散户心理是一旦解套大多数都会先卖出去,除了少数比较贪心的人会迟疑。所以前几个交易日的最高点,尤其是有上影线的点,就是强套牢压力位,这里的抛压很大。更精准的计算,需要结合前几天每个分时交易量,计算出哪些高点是最大抛压点【量最大】。如果粗略计算,就只需要考虑前几日上影线高点或者说当日最高点。昨天摩托我说过需要冲破29.5-30才能一飞冲天,也是这么算出来的。包括之前摩托很难突破28.5,你们看看图形就知道是为什么了

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集个性化推荐展示,Java后端支撑高并发服务日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练全局聚合的协同逻辑,同时可基于项目架构进行算法替换功能扩展,适用于科研验证工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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
 条评论被折叠 查看
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

打赏作者

牛马尼格

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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