资金流学习-逐笔交易的分析

本文介绍了如何使用同花顺和大智慧等交易软件的复盘功能来分析股市的大笔交易。虽然免费版软件仅能提供分笔数据,但通过深入研究分时成交数据仍可得出有用结论。

龙大文章中提到,可以根据总委买和总委卖的变化,分析大笔交易 实际的买卖方向。

image

不过在交易软件中,没有找到这个东西。收盘后,在同花顺和大智慧里面摸索了一下,是这样的:

  1. 两个软件都提供了复盘的操作,同花顺的叫超级盘口,大智慧的叫历史记忆。不过,都只能看到分笔数据,也就是多笔交易合在一起的数据

image

image

免费版本,相比起来,大智慧的更加实在些,有五档数据。

2、逐笔数据的好处,是可以看到每笔买卖的细节,如下面这样,可以搞反

但是,需要购买。

3、通过分时成交,也能够得到一些结论,需要深入研究。

转载于:https://www.cnblogs.com/jetz/p/7151512.html

// 循环工作表Sheet for (int numSheet = 0; numSheet < hssfWorkbook.getNumberOfSheets(); numSheet++) { //o--对应第一张工作表如默认情况下sheet1 hssfSheet = hssfWorkbook.getSheetAt(numSheet); //System.out.println("表明"+hssfSheet.getSheetName()); if (hssfSheet == null) { continue; } //首先获得第一行的数据 HSSFRow rowFirst=hssfSheet.getRow(0); // 循环行Row for (int rowNum = 1; rowNum <=hssfSheet.getLastRowNum(); rowNum++) {// //获取行对象 HSSFRow hssfRow = hssfSheet.getRow(rowNum); if(hssfRow!=null) { //构建comp对象 CompShows comp=new CompShows(); //初始化所有comp默认为1 comp.setTypeOfTransaction(1); //根据列单元格的名字规划数据 int t=hssfRow.getLastCellNum(); // System.out.println(t+"fffffffffffffsssssssssssss"); for(int i=0;i<t;i++) { //遍历根据i获得数据和列名 HSSFCell hcFirst=rowFirst.getCell(i); // System.out.println(getValueForString(hcFirst)+"========"); //if("客户帐号".equals(hssfrow)) //获得每一列的列名 HSSFCell hc=hssfRow.getCell(i); if("客户名称".equals(getValueForString(hcFirst).toString())||"户名".equals(getValueForString(hcFirst))||"交易户名".equals(getValueForString(hcFirst))) { //System.out.println("客户账号"+getValue(hc)); //表示该列数据存储的是账户名 comp.setName((String)getValueForString(hc)); }else if("账号".equals(getValueForString(hcFirst))||"客户帐号".equals(getValueForString(hcFirst))||"交易账号".equals(getValueForString(hcFirst))) { //表示该列数据存储的是账号 comp.setAccount((String)getValueForString(hc)); //System.out.println("账号"+getValue(hc)); }else if("交易日期".equals(getValueForString(hcFirst))||"交易时间".equals(getValueForString(hcFirst))) {
我说的是这个的业务逻辑图,### 融合技术解决股票交易难题的可行性分析 股票交易的核心难题包括**市场预测精度低**、**高频交易竞争激烈**、**信息噪声干扰大**以及**动态决策时效性要求高**。融合大模型技术、订单流分析、深度学习预测与MCP协议,可通过以下机制构建新型解决方案: #### 一、技术协同框架 1. **动态数据整合(MCP协议核心能力)** MCP协议通过标准化接口整合多源异构数据,例如: - 订单流数据:逐笔交易记录、挂单量变化 - 非结构化数据:新闻舆情、财报文本、社交媒体情感 - 历史行情数据:价格、成交量、技术指标 其上下文感知能力可建立跨时间维度的关联图谱,解决传统量化模型的数据碎片化问题。 2. **市场行为建模(订单流+深度学习)** 使用深度神经网络(如LSTM、Transformer)对订单流数据进行时空特征提取: $$h_t = \text{LSTM}(o_{t-n:t}, v_{t-n:t}, \theta)$$ 其中$o_t$为订单类型,$v_t$为订单量,$n$为时间窗口,$\theta$为模型参数。通过捕捉冰山订单、大单异动等微观结构特征,识别主力资金流向。 3. **多模态预测(大语言模型+深度学习)** 大模型(如GPT-4)对非结构化数据进行语义解析,输出情绪评分$S_{sent}$,与深度学习预测结果$P_{price}$进行加权融合: $$P_{final} = \alpha \cdot P_{price} + \beta \cdot S_{sent}$$ 系数$\alpha,\beta$通过强化学习动态调整,适应不同市场状态。 #### 二、关键突破方向 1. **高频交易延迟优化** MCP协议通过压缩上下文传输协议,将数据处理延迟降低至微秒级,满足高频交易需求。 2. **黑箱模型可解释性** 结合SHAP值分析和大模型的自然语言生成能力,对交易信号进行归因解释: $$\phi_i = \sum_{S\subseteq N\setminus\{i\}} \frac{|S|!(|N|-|S|-1)!}{|N|!}[f(S\cup\{i\})-f(S)]$
04-14
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