上证50代表的优质股票还有下的空间到1800附近黄色的上涨通道,跌到下边界,,,白色的上涨通道已经往下跌破。给你回踩解套在下边界,,如果你刚好是在白色下边界买入的。是解套的0做空由trade1638提供110
t-SNE降维短线情绪可视化最近有人在TradingView社区私信我说:“怎么好意思把发布几个技术指标就称之为量化?”。 我对于这种倾向于冒犯的留言并没有生气,因为我也确实认同技术指标不等于量化。只不过我提示了他怎么知道我只会写技术指标的呢? 借这个这个有趣的事情就引出一个不那么“传统”的量化分析方法: t-SNE, 分析股票短线市场情绪的一些自己简介。首先,t-SNE的标准发音是“踢死你”。作为目前公认最好的降维可视化技术,t-SNE没有踢死你我,却踢到了PCA的软肋上。至于这个梗,感兴趣的各位可以自行上网学习。 短线市场的情绪好比游泳下水前要知道水温一样。短线交易者常说顺风局和逆风局,顺风局买啥啥涨停,买错的能赚,逆风局买到涨停,就炸板或次日核按钮,同样的技术策略有时吃肉有时吃面究竟是什么原因? 情绪啊。 归根结底还是市场氛围和情绪不同。情绪是择时交易的依据。常听人说:“站在风口上猪都能飞起来”,很多人更专注猪:“哇,猪飞起来耶”,然而重要的是风而不是猪,只要风够大,不要说是猪,就是房子都会飞起来的。同理,交易里我们不能只见猪(个股),却忽视了风的作用(情绪)。交易过程中包括猪、风,我。但实际上只需要控制两个方面,第一是我,我能控制的就是风险(亏损)控制和选那头猪骑上去;第二个就是风,风决定利润的多少。感知风要么凭借触觉经验,要么就通过量化把它可视化。 可视化只有三个选项:1D就是点,2D就是面,3D就是体。对于更高的维度(>= 4D)我们是没有办法进行可视化的。对于市场情绪的量化来说,涉及的维度会超过3,这时候要想可视化表现情绪就需要用到高维数据降维技术。而我们今天要讨论的t-SNE和PCA都是降维技术。 降维技术在人工智能(AI),尤其是训练机器 学习模型时会经常用到,其可以降低计算的复杂度,从而可以简化机器学习算法从输入数据集合到完成学习的过程。PCA(Principal Component Analysis) 作为降维技术的主要算法由皮尔逊(Pearson)在1901年开发。它的主要缺点时无法维护数据集合局部结构,而t-SNE就可以有效的解决这个问题。举个例子,在人工智能中让机器学习分辨不同种类的物种特征,PCA降维往往会出现无法分辨的情况,而t-SNE在这方面的性能就高一筹。 t-SNE出现比较晚,是2008年由Laurens van der Maatens和Geoffrey Hinton开发的,它能更高地将N维数据映射到1~3D,于此同时比较号地维持原始数据地相似性。t-SNE的基本工作原理是随机选择一个数据点(标点)并计算与数据集合中其它点的欧几里德距离并创建概率分布。标点附近的点具有更高的相似度,反之相似度低。然后根据相似度给数据集合中每个点都创建一个相似度矩阵。t-SNE根据正态分布计算出相似距离并转换为联合概率,这样可以将所有数据点随机排列在低维度上。接着,t-SNE有一次对高维数据点和随机排列的低维数据进行相同的计算,根据t分布分配概率。因为t分布可以减少拥挤问题,所以其分类效果要好于PCA。 回到正题,对于短线市场情绪,我手头收集了一个13维的数据集,从今日回溯700个交易日的时间序列数据,包括首板数量、2连板数量、3连板数量、高度板数量、连板数量、跌停数量、涨停数量、连板高度、曾跌停数量、炸板数量、一字板数量、换手板数量和老版本的情绪指标,如图所示。接下来,我将使用t-SNE对这个数据集合降维处理,目的是实现13维数据的可视化、解决降维后样本分布拥挤问题、解决老版本短线情绪指标边界不明显的问题。 13维数据集合表征短线情绪 首先,要使用t-SNE,需要安装python的sklearn库,并且通过国内pip镜像可以提高下载安装速度: pip install scikit-learn -i pypi.tuna.tsinghua.edu.cn 除此之外,对于数据处理还用到Python的numpy 和 pandas库。另外一个值得注意的问题是需要保证13个子集在方向上是一致的。所以,我取数值越大表示上涨方向。这样,其中的3个子集数据需要进行反向处理,包括:跌停、曾涨停、炸板。处理后的结果保证当这些数量变大时,表示市场情绪好转的方向。只有这样,才能和其它10个子集在情绪表达方向上是一致的。然后,对13个子集数据进行归一化处理,以保证每个子集的幅度在0~1之间。这些数据操作建议通过pandas的dataframe进行处理,最终结果存储在df1中。 13维数据归一化结果 接下来就是t-SNE处理部分,具体代码如下: from sklearn import manifold,datasets import numpy as np import pandas as pd #归一化函数 max_min_scaler = lambda x: (x - np.min(x)) / (np.max(x) - np.min(x)) X = np.array(df1) tsne = manifold.TSNE(n_components=1, init='pca', random_state=501) X_tsne = tsne.fit_transform(X) 值得注意的是,t-SNE输入数据需要是一个2维的numpy数组,需要提前将df1转换维2维数组或者说矩阵格式。降维处理的结果X_tsne,但这并不是最终的结果,而是市场情绪的权重系数。这个系数体现了13维数据在单日市场情绪的综合结果。所以,我还需要再对X_tsne进行一次归一化处理: df2 = pd.DataFrame(X_tsne) for column in df2: df2 = df2 [ ].apply(max_min_scaler) 生成13维数据降维后的情绪系数,存储在df2中。最终的新短线市场情绪的计算公式为: 新短线市场情绪 = 老短线市场情绪 X 降维后的情绪系数 新老情绪量化对比图 最终效果如图:当13维子集趋势高度一致的时候,新情绪值会和老的情绪值重合;反之,则按照降维后的结果修改老的情绪值。例如:最近A股短线非常难做,从上周比较差的情绪对应老情绪指标可能并不能体现出每一天都亏钱效应十足,但是降维计算后的新情绪则更贴近实际创下近期情绪的最低值。 上证指数行情来自TradingView 如上图所示,t-SNE降维的新情绪下探到了白色冰点区域,老情绪在蓝色区域。新情绪会产生情绪底背离,老情绪指标没有情绪底背离。 综上所述,t-SNE降维是更好量化短线市场情绪的一次尝试,至于其长期效果有待观察。本人抛砖引玉,对这项技术感兴趣的朋友可以考虑将t-SNE用于其它降维量化场景。至于t-SNE算法复杂度远远大于PCA,可能导致计算时间较长的担心,我这里(13*700数据量)并没有观察到,基本都是秒出的。本人也不确定当数据集合变得庞大后t-SNE算法时间会有长的延时。0由blackcat1402提供115
RSI对RMI说:叫爸爸!相对强弱指标(RSI)是很多人都在用的技术指标。其重点指示某支股票的强弱走势。这点的传统的用法上,当RSI处在50之上为强势,反之为弱势。80之上为超买,20之下为超卖。这是教科书上的说法。然而,如果您按照这个教科书上的原理进入实战操作会大亏小赢!这究竟是什么原因呢?当RSI大于50的时候,也就是一支股票进入强势区,这时候可能情绪刚刚酝酿起来,结果你就跑了,眼巴巴看着别人吃肉。相反的,当RSI<20,也就是一只股票进入弱势区您就买了,这时候亏钱效应正在扩散,刚刚好好接盘了主力倾倒的筹码,后面就是以为自己抄了底,发现抄在半山腰。按此循环操作,大概率会出现一种现象:您卖了就升,您买了就套。有类似遭遇的朋友赶紧回想一下自己的RSI是否是这么用的哈。技术指标是武器,它既可以是多方的工具,也可以是空方的利刃,千万别教条学习,千里送人头儿。交易是人心的博弈,有句古语叫做“人心叵测”,你真的认为能有一个种工具可以100%每次都检测到人心的真正用意么? 对于以上的问题,我建议可以从两个方面进行改进(话说,一旦策略广泛流传,失效只是时间问题,市场是个自适应的复杂系统,只要在能用的条件下充分利用即可,不好用了就扔或者变形): 1. RSI用法是反其道而用之。当一支股票从高位经过深幅调整,RSI从80以上高位跌破50由强转弱,短线不可买入。但当RSI第一次由低位进入高位80时,刚好证明这支股票进入强势区。有资金在活动,放入股票池。 就等RSI在缩量回调时(主力洗盘时拉升前)及时介入。这里强调的是RSI使用要结合成交量,涨放量,跌缩量都是健康的表现。回调不破重要均线就是确认的买点或者二次回踩重要均线更是更加确定的买点。 2. RSI改为更为稳定可调的RMI(相对动量指标),其特点是多了一个动量参数,既可以非常接近RSI性能,又可以在市场环境变化时,调整动量参数m,以保证更好的适配变化了的市场。 相对动量指数(RMI)由 Roger Altman 开发,并在他 1993 年 2 月发行的《股票和商品技术分析》杂志的文章中对其原理进行了介绍。他是依据RSI原理开发的RMI。例如,RSI计算在一段时间内从收盘到昨收盘比较涨跌,而RMI从收盘价到m天前收盘比较涨跌。所以,从原理上m=1的时候RSI应该等于RMI。但是正是因为多了这个m参数,才可以使得RMI结果有可能比RSI更加平滑。 具体的不多说了,上图:m=1时候RMI和RSI重叠,结果相同。 上证50指数行情来自TradingView (m=1) 上证50指数行情来自TradingView (m=3) 上证50指数行情来自TradingView (m=5) 对于这个指标功能来说,我也做下简单介绍: 1. 50是强弱线(白色),线下不操作,线上关注。80是警示线(黄色)表示个股进入强势区;90是减仓线(橙色),一旦大于90并且出现卖出K线形态,就减仓;95清仓线(红色)是说卖在高潮。这是在日线和周线周期上看的,小周期未必适合。 2. 紫红色带说明动量充足持仓,绿色带说明动量不足,空仓。 3. 将RMI分为7,14,21周期,当两个共振出现金叉时候,就会产生金色叉提示买入,两个周期共振产生死叉时候就会出现紫色叉提示卖出。 4. 加入顶底背离判断算法。Top_Div红色标签提示出现顶背离; Bot_Div绿色标签提示出现底背离。这些信号仅作辅助判断,并不是100%精准。 5. 这个指标需要结合VOL量能,K线形态和均线进行综合判断。目前还处于雏形阶段,开源发在TradingView社区。更加完整的高级版本也考虑后续在发布(因为K线形态识别算法还在完善中)。编辑精选0由blackcat1402提供101054
上证A50指数已经到位超级筑底已经完成,头肩底底部形态已经确认。 下行趋势已经被打破,现突破回踩正是上车之时。 请在此做多大A,做多中国! #tradingview@Rextron 2021/11/5 SSE:000016 ----------------------------------------------------------- The super bottoming has been completed, and the shape of the head and shoulders bottom has been confirmed. The downward trend has been broken, and now it’s time to break through and step back on the car. Please do as much A here, do more China! #tradingview@Rextron 2021/11/5 SSE:000016 0做多由rextron提供1
【和谐交易】 上证50(000016)潜在看涨鲨鱼形态上证50(000016)潜在看涨鲨鱼形态,根据鲨鱼形态交易规则,关注价格测试2630.50位置的反应,结合相关技术指标的表现,做出相应的交易决策和交易管理。 温馨提示:以上观点仅供参考,跟单有风险,交易需谨慎!和谐交易系统是由形态辨识,交易执行和交易管理等三部分组成,每部分都有严格的规则限制,包括明确的止损和止盈规则等,并不是每个和谐形态都适合进场交易,只有符合相关规则的情况下才能进场交易,且进场后的技术和仓位管理也是有相关规则的,如果在没有系统学习的情况下盲目跟单,那么无疑加大了投资的潜在风险。 想了解正宗的和谐交易规则,可以留言或私信交流,非诚勿扰!0做多由Harmonic-Trading168提供3
000016 上证50 看涨鲨鱼上一个看跌5-0二次测试反转后目前产生一个看涨鲨鱼形态,已经开始测试PRZ重叠上一个看涨鲨鱼已经反转过的PRZ,指标到达30,等待进场信号0做多由AlphaOmeaga提供3
上证50 000016 看跌加特利后潜在看涨蝙蝠形态前期大结构看跌加特利测试PRZ后反转,现在下降中小结构上出现潜在看涨蝙蝠形态,蝙蝠的PRZ接近前期头肩底的颈线,与前期下降趋势线重叠,等待股指到达PRZ,观察市场反应0做多由AlphaOmeaga提供3
上证50 000016 潜在看跌加特利&看跌蝴蝶股指大结构形成三角形收敛,近期三角形内部产生潜在看跌深加特利和看跌蝴蝶,加特利反转区与三角形顶边重合,蝴蝶反转区与长期下降趋势线重合,观察两个潜在反转区域会在哪个位置反转0做空由AlphaOmeaga提供已更新 2