1. 如何用大数据炒股
我们如今生活在一个数据爆炸的世界里。网络每天响应超过60亿次的搜索请求，日处理数据超过100PB，相当于6000多座中国国家图书馆的书籍信息量总和。新浪微博每天都会发布上亿条微博。在荒无人烟的郊外，暗藏着无数大公司的信息存储中心，24小时夜以继日地运转着。
克托·迈尔-舍恩伯格在《大数据时代》一书中认为，大数据的核心就是预测，即只要数据丰富到一定程度，就可预测事情发生的可能性。例如，“从一个人乱穿马路时行进的轨迹和速度来看他能及时穿过马路的可能性”，或者通过一个人穿过马路的速度，预测车子何时应该减速从而让他及时穿过马路。
那么，如果把这种预测能力应用在股票投资上，又会如何？
目前，美国已经有许多对冲基金采用大数据技术进行投资，并且收获甚丰。中国的中证广发网络百发100指数基金（下称百发100），上线四个多月以来已上涨68%。
和传统量化投资类似，大数据投资也是依靠模型，但模型里的数据变量几何倍地增加了，在原有的金融结构化数据基础上，增加了社交言论、地理信息、卫星监测等非结构化数据，并且将这些非结构化数据进行量化，从而让模型可以吸收。
由于大数据模型对成本要求极高，业内人士认为，大数据将成为共享平台化的服务，数据和技术相当于食材和锅，基金经理和分析师可以通过平台制作自己的策略。
量化非结构数据
不要小看大数据的本领，正是这项刚刚兴起的技术已经创造了无数“未卜先知”的奇迹。
2014年，网络用大数据技术预测命中了全国18卷中12卷高考作文题目，被网友称为“神预测”。网络公司人士表示，在这个大数据池中，包含互联网积累的用户数据、历年的命题数据以及教育机构对出题方向作出的判断。
在2014年巴西世界杯比赛中，Google亦通过大数据技术成功预测了16强和8强名单。
从当年英格兰报社的信鸽、费城股票交易所的信号灯到报纸电话，再到如今的互联网、云计算、大数据，前沿技术迅速在投资领域落地。在股票策略中，大数据日益崭露头角。
做股票投资策略，需要的大数据可以分为结构化数据和非结构化数据。结构化数据，简单说就是“一堆数字”，通常包括传统量化分析中常用的CPI、PMI、市值、交易量等专业信息；非结构化数据就是社交文字、地理位置、用户行为等“还没有进行量化的信息”。
量化非结构化就是用深度模型替代简单线性模型的过程，其中所涉及的技术包括自然语言处理、语音识别、图像识别等。
金融大数据平台-通联数据CEO王政表示，通联数据采用的非结构化数据可以分为三类：第一类和人相关，包括社交言论、消费、去过的地点等；第二类与物相关，如通过正在行驶的船只和货车判断物联网情况；第三类则是卫星监测的环境信息，包括汽车流、港口装载量、新的建筑开工等情况。
卫星监测信息在美国已被投入使用，2014年Google斥资5亿美元收购了卫星公司Skybox，从而可以获得实施卫星监测信息。
结构化和非结构化数据也常常相互转化。“结构化和非结构化数据可以形象理解成把所有数据装在一个篮子里，根据应用策略不同相互转化。例如，在搜索频率调查中，用户搜索就是结构化数据；在金融策略分析中，用户搜索就是非结构化数据。”网络公司人士表示。
华尔街拿着丰厚薪水的分析师们还不知道，自己的雇主已经将大量资本投向了取代自己的机器。
2014年11月23日，高盛向Kensho公司投资1500万美元，以支持该公司的大数据平台建设。该平台很像iPhone里的Siri，可以快速整合海量数据进行分析，并且回答投资者提出的各种金融问题，例如“下月有飓风，将对美国建材板块造成什么影响？”
在Kensho处理的信息中，有80%是“非结构化”数据，例如政策文件、自然事件、地理环境、科技创新等。这类信息通常是电脑和模型难以消化的。因此，Kensho的CEO Daniel Nadler认为，华尔街过去是基于20%的信息做出100%的决策。
既然说到高盛，顺便提一下，这家华尔街老牌投行如今对大数据可谓青睐有加。除了Kensho，高盛还和Fortress信贷集团在两年前投资了8000万美元给小额融资平台On Deck Capital。这家公司的核心竞争力也是大数据，它利用大数据对中小企业进行分析，从而选出值得投资的企业并以很快的速度为之提供短期贷款。
捕捉市场情绪
上述诸多非结构化数据，归根结底是为了获得一个信息：市场情绪。
在采访中，2013年诺贝尔经济学奖得主罗伯特•席勒的观点被无数采访对象引述。可以说，大数据策略投资的创业者们无一不是席勒的信奉者。
席勒于上世纪80年代设计的投资模型至今仍被业内称道。在他的模型中，主要参考三个变量：投资项目计划的现金流、公司资本的估算成本、股票市场对投资的反应（市场情绪）。他认为，市场本身带有主观判断因素，投资者情绪会影响投资行为，而投资行为直接影响资产价格。
然而，在大数据技术诞生之前，市场情绪始终无法进行量化。
回顾人类股票投资发展史，其实就是将影响股价的因子不断量化的过程。
上世纪70年代以前，股票投资是一种定性的分析，没有数据应用，而是一门主观的艺术。随着电脑的普及，很多人开始研究驱动股价变化的规律，把传统基本面研究方法用模型代替，市盈率、市净率的概念诞生，量化投资由此兴起。
量化投资技术的兴起也带动了一批华尔街大鳄的诞生。例如，巴克莱全球投资者（BGI）在上世纪70年代就以其超越同行的电脑模型成为全球最大的基金管理公司；进入80年代，另一家基金公司文艺复兴（Renaissance）年均回报率在扣除管理费和投资收益分成等费用后仍高达34%，堪称当时最佳的对冲基金，之后十多年该基金资产亦十分稳定。
“从主观判断到量化投资，是从艺术转为科学的过程。”王政表示，上世纪70年代以前一个基本面研究员只能关注20只到50只股票，覆盖面很有限。有了量化模型就可以覆盖所有股票，这就是一个大的飞跃。此外，随着计算机处理能力的发展，信息的用量也有一个飞跃变化。过去看三个指标就够了，现在看的指标越来越多，做出的预测越来越准确。
随着21世纪的到来，量化投资又遇到了新的瓶颈，就是同质化竞争。各家机构的量化模型越来越趋同，导致投资结果同涨同跌。“能否在看到报表数据之前，用更大的数据寻找规律？”这是大数据策略创业者们试图解决的问题。
于是，量化投资的多米诺骨牌终于触碰到了席勒理论的第三层变量——市场情绪。
计算机通过分析新闻、研究报告、社交信息、搜索行为等，借助自然语言处理方法，提取有用的信息；而借助机器学习智能分析，过去量化投资只能覆盖几十个策略，大数据投资则可以覆盖成千上万个策略。
基于互联网搜索数据和社交行为的经济预测研究，已逐渐成为一个新的学术热点，并在经济、社会以及健康等领域的研究中取得了一定成果。在资本市场应用上，研究发现搜索数据可有效预测未来股市活跃度（以交易量指标衡量）及股价走势的变化。
海外就有学术研究指出，公司的名称或者相关关键词的搜索量，与该公司的股票交易量正相关。德国科学家Tobias Preis就进行了如此研究：Tobias利用谷歌搜索引擎和谷歌趋势（Google Trends），以美国标普500指数的500只股票为其样本，以2004年至2010年为观察区间，发现谷歌趋势数据的公司名称搜索量和对应股票的交易量，在每周一次的时间尺度上有高度关联性。也就是说，当某个公司名称在谷歌的搜索量活动增加时，无论股票的价格是上涨或者下跌，股票成交量与搜索量增加；反之亦然，搜索量下降，股票成交量下降。以标普500指数的样本股为基础，依据上述策略构建的模拟投资组合在六年的时间内获得了高达329%的累计收益。
在美国市场上，还有多家私募对冲基金利用Twitter和Facebook的社交数据作为反映投资者情绪和市场趋势的因子，构建对冲投资策略。利用互联网大数据进行投资策略和工具的开发已经成为世界金融投资领域的新热点。
保罗·霍丁管理的对冲基金Derwent成立于2011年5月，注册在开曼群岛，初始规模约为4000万美元， 2013年投资收益高达23.77%。该基金的投资标的包括流动性较好的股票及股票指数产品。
通联数据董事长肖风在《投资革命》中写道，Derwent的投资策略是通过实时跟踪Twitter用户的情绪，以此感知市场参与者的“贪婪与恐惧”，从而判断市场涨跌来获利。
在Derwent的网页上可以看到这样一句话：“用实时的社交媒体解码暗藏的交易机会。”保罗·霍丁在基金宣传册中表示：“多年以来，投资者已经普遍接受一种观点，即恐惧和贪婪是金融市场的驱动力。但是以前人们没有技术或数据来对人类情感进行量化。这是第四维。Derwent就是要通过即时关注Twitter中的公众情绪，指导投资。”
另一家位于美国加州的对冲基金MarketPsych与汤普森·路透合作提供了分布在119个国家不低于18864项独立指数，比如每分钟更新的心情状态（包括乐观、忧郁、快乐、害怕、生气，甚至还包括创新、诉讼及冲突情况等），而这些指数都是通过分析Twitter的数据文本，作为股市投资的信号。
此类基金还在不断涌现。金融危机后，几个台湾年轻人在波士顿组建了一家名为FlyBerry的对冲基金，口号是“Modeling the World（把世界建模）”。它的投资理念全部依托大数据技术，通过监测市场舆论和行为，对投资做出秒速判断。
关于社交媒体信息的量化应用，在股票投资之外的领域也很常见：Twitter自己也十分注重信息的开发挖掘，它与DataSift和Gnip两家公司达成了一项出售数据访问权限的协议，销售人们的想法、情绪和沟通数据，从而作为顾客的反馈意见汇总后对商业营销活动的效果进行判断。从事类似工作的公司还有DMetics，它通过对人们的购物行为进行分析，寻找影响消费者最终选择的细微原因。
回到股票世界，利用社交媒体信息做投资的公司还有StockTwits。打开这家网站，首先映入眼帘的宣传语是“看看投资者和交易员此刻正如何讨论你的股票”。正如其名，这家网站相当于“股票界的Twitter”，主要面向分析师、媒体和投资者。它通过机器和人工相结合的手段，将关于股票和市场的信息整理为140字以内的短消息供用户参考。
此外，StockTwits还整合了社交功能，并作为插件可以嵌入Twitter、Facebook和LinkedIn等主要社交平台，让人们可以轻易分享投资信息。
另一家公司Market Prophit也很有趣。这家网站的宣传语是“从社交媒体噪音中提炼市场信号”。和StockTwits相比，Market Prophit更加注重大数据的应用。它采用了先进的语义分析法，可以将Twitter里的金融对话量化为“-1（极度看空）”到“1（极度看多）”之间的投资建议。网站还根据语义量化，每天公布前十名和后十名的股票热度榜单。网站还设计了“热度地图”功能，根据投资者情绪和意见，按照不同板块，将板块内的个股按照颜色深浅进行标注，谁涨谁跌一目了然。
中国原创大数据指数
尽管大数据策略投资在美国貌似炙手可热，但事实上，其应用尚仅限于中小型对冲基金和创业平台公司。大数据策略投资第一次被大规模应用，应归于中国的百发100。
网络金融中心相关负责人表示，与欧美等成熟资本市场主要由理性机构投资者构成相比，东亚尤其是中国的股票类证券投资市场仍以散户为主，因此市场受投资者情绪和宏观政策性因素影响很大。而个人投资者行为可以更多地反映在互联网用户行为大数据上，从而为有效地预测市场情绪和趋势提供了可能。这也就是中国国内公募基金在应用互联网大数据投资方面比海外市场并不落后、甚至领先的原因。
百发100指数由网络、中证指数公司、广发基金联合研发推出，于2014年7月8日正式对市场发布，实盘运行以来一路上涨，涨幅超过60%。跟踪该指数的指数基金规模上限为30亿份，2014年9月17日正式获批，10月20日发行时一度创下26小时疯卖18亿份的“神话”。
外界都知道百发100是依托大数据的指数基金，但其背后的细节鲜为人知。
百发100数据层面的分析分为两个层面，即数据工厂的数据归集和数据处理系统的数据分析。其中数据工厂负责大数据的收集分析，例如将来源于互联网的非结构化数据进行指标化、产品化等数据量化过程；数据处理系统，可以在数据工厂递交的大数据中寻找相互统计关联，提取有效信息，最终应用于策略投资。
“其实百发100是在传统量化投资技术上融合了基于互联网大数据的市场走势和投资情绪判断。”业内人士概括道。
和传统量化投资类似，百发100对样本股的甄选要考虑财务因子、基本面因子和动量因子，包括净资产收益率（ROE）、资产收益率（ROA）、每股收益增长率（EPS）、流动负债比率、企业价值倍数（EV/EBITDA）、净利润同比增长率、股权集中度、自由流通市值以及最近一个月的个股价格收益率和波动率等。
此外，市场走势和投资情绪是在传统量化策略基础上的创新产物，也是百发100的核心竞争力。接近网络的人士称，市场情绪因子对百发100基金起决定性作用。
网络金融中心相关负责人是罗伯特•席勒观点的支持者。他认为，投资者行为和情绪对资产价格、市场走势有着巨大的影响。因此“通过互联网用户行为大数据反映的投资市场情绪、宏观经济预期和走势，成为百发100指数模型引入大数据因子的重点”。
传统量化投资主要着眼点在于对专业化金融市场基本面和交易数据的应用。但在网络金融中心相关业务负责人看来，无论是来源于专业金融市场的结构化数据，还是来源于互联网的非结构化数据，都是可以利用的数据资源。因此，前文所述的市场情绪数据，包括来源于互联网的用户行为、搜索量、市场舆情、宏观基本面预期等等，都被网络“变废为宝”，从而通过互联网找到投资者参与特征，选出投资者关注度较高的股票。
“与同期沪深300指数的表现相较，百发100更能在股票市场振荡时期、行业轮动剧烈时期、基本面不明朗时期抓住市场热点、了解投资者情绪、抗击投资波动风险。”网络金融中心相关负责人表示。
百发100选取的100只样本股更换频率是一个月，调整时间为每月第三周的周五。
业内人士指出，百发100指数的月收益率与中证100、沪深300、中证500的相关性依次提升，说明其投资风格偏向中小盘。
但事实并非如此。从样本股的构成来说，以某一期样本股为例，样本股总市值6700亿元，占A股市值4.7%。样本股的构成上，中小板21只，创业板4只，其余75只样本股均为大盘股。由此可见，百发100还是偏向大盘为主、反映主流市场走势。
样本股每个月的改变比例都不同，最极端的时候曾经有60%进行了换仓。用大数据预测热点变化，市场热点往往更迭很快；但同时也要考虑交易成本。两方面考虑，网络最后测算认为一个月换一次仓位为最佳。
样本股对百发100而言是核心机密——据说“全世界只有基金经理和指数编制机构负责人两个人知道”——都是由机器决定后，基金经理分配给不同的交易员建仓买入。基金经理也没有改变样本股的权利。
展望未来，网络金融中心相关负责人踌躇满志，“百发100指数及基金的推出，只是我们的开端和尝试，未来将形成多样化、系列投资产品。”
除了百发100，目前市场上打着大数据旗帜的基金还有2014年9月推出的南方-新浪I100和I300指数基金。
南方-新浪I100和I300是由南方基金、新浪财经和深圳证券信息公司三方联合编制的。和百发100类似，也是按照财务因子和市场情绪因子进行模型打分，按照分值将前100和前300名股票构成样本股。推出至今，这两个指数基金分别上涨了10%左右。
正如百发100的市场情绪因子来自网络，南方-新浪I100和I300的市场情绪因子全部来自新浪平台。其中包括用户在新浪财经对行情的访问热度、对股票的搜索热度；用户在新浪财经对股票相关新闻的浏览热度；股票相关微博的多空分析数据等。
此外，阿里巴巴旗下的天弘基金也有意在大数据策略上做文章。据了解，天弘基金将和阿里巴巴合作，推出大数据基金产品，最早将于2015年初问世。
天弘基金机构产品部总经理刘燕曾对媒体表示，“在传统的调研上，大数据将贡献于基础资产的研究，而以往过度依赖线下研究报告。大数据将视野拓展至了线上的数据分析，给基金经理选股带来新的逻辑。”
在BAT三巨头中，腾讯其实是最早推出指数基金的。腾讯与中证指数公司、济安金信公司合作开发的“中证腾安价值100指数”早在2013年5月就发布了，号称是国内第一家由互联网媒体与专业机构编制发布的A股指数。不过，业内人士表示，有关指数并没有真正应用大数据技术。虽然腾讯旗下的微信是目前最热的社交平台，蕴藏了大量的社交数据，但腾讯未来怎么开发，目前还并不清晰。
大数据投资平台化
中欧商学院副教授陈威如在其《平台战略》一书中提到，21世纪将成为一道分水岭，人类商业行为将全面普及平台模式，大数据金融也不例外。
然而，由于大数据模型对成本要求极高，就好比不可能每家公司都搭建自己的云计算系统一样，让每家机构自己建设大数据模型，从数据来源和处理技术方面看都是不现实的。业内人士认为，大数据未来必将成为平台化的服务。
目前，阿里、网络等企业都表示下一步方向是平台化。
蚂蚁金服所致力搭建的平台，一方面包括招财宝一类的金融产品平台，另一方面包括云计算、大数据服务平台。蚂蚁金服人士说，“我们很清楚自己的优势不是金融，而是包括电商、云计算、大数据等技术。蚂蚁金服希望用这些技术搭建一个基础平台，把这些能力开放出去，供金融机构使用。”
网络亦是如此。接近网络的人士称，未来是否向平台化发展，目前还在讨论中，但可以确定的是，“网络不是金融机构，目的不是发产品，百发100的意义在于打造影响力，而非经济效益。”
当BAT还在摸索前行时，已有嗅觉灵敏者抢占了先机，那就是通联数据。
通联数据股份公司（DataYes）由曾任博时基金副董事长肖风带队创建、万向集团投资成立，总部位于上海，公司愿景是“让投资更容易，用金融服务云平台提升投资管理效率和投研能力”。该平台7月上线公测，目前已拥有130多家机构客户，逾万名个人投资者。
通联数据目前有四个主要平台，分别是通联智能投资研究平台、通联金融大数据服务平台、通联多资产投资管理平台和金融移动办公平台。
通联智能投资研究平台包括雅典娜-智能事件研究、策略研究、智能研报三款产品，可以对基于自然语言的智能事件进行策略分析，实时跟踪市场热点，捕捉市场情绪。可以说，和百发100类似，其核心技术在于将互联网非结构化数据的量化使用。
通联金融大数据服务平台更侧重于专业金融数据的分析整理。它可以提供公司基本面数据、国内外主要证券、期货交易所的行情数据、公司公告数据、公关经济、行业动态的结构化数据、金融新闻和舆情的非结构化数据等。
假如将上述两个平台比作“收割机”，通联多资产投资管理平台就是“厨房”。在这个“厨房”里，可以进行全球跨资产的投资组合管理方案、订单管理方案、资产证券化定价分析方案等。
通联数据可以按照主题热点或者自定义关键字进行分析，构建知识图谱，将相关的新闻和股票提取做成简洁的分析框架。例如用户对特斯拉感兴趣，就可以通过主题热点看到和特斯拉相关的公司，并判断这个概念是否值得投资。“过去这个搜集过程要花费几天时间，现在只需要几分钟就可以完成。”王政表示。
“通联数据就好比一家餐馆，我们把所有原料搜集来、清洗好、准备好，同时准备了一个锅，也就是大数据存储平台。研究员和基金经理像厨师一样，用原料、工具去‘烹制’自己的策略。”王政形容道。
大数据在平台上扮演的角色，就是寻找关联关系。人类总是习惯首先构建因果关系，继而去倒推和佐证。机器学习则不然，它可以在海量数据中查获超越人类想象的关联关系。正如维克托`迈尔-舍恩伯格在《大数据时代》中所提到的，社会需要放弃它对因果关系的渴求，而仅需关注相互关系。
例如，美国超市沃尔玛通过大数据分析，发现飓风用品和蛋挞摆在一起可以提高销量，并由此创造了颇大的经济效益。如果没有大数据技术，谁能将这毫无关联的两件商品联系在一起？
通联数据通过机器学习，也能找到传统量化策略无法发现的市场联系。其中包括各家公司之间的资本关系、产品关系、竞争关系、上下游关系，也包括人与人之间的关系，例如管理团队和其他公司有没有关联，是否牵扯合作等。
未来量化研究员是否将成为一个被淘汰的职业？目前研究员的主要工作就是收集整理数据，变成投资决策，而之后这个工作将更多由机器完成。
“当初医疗科技发展时，人们也认为医生会被淘汰，但其实并不会。同理，研究员也会一直存在，但他们会更注重深入分析和调研，初级的数据搜集可以交给机器完成。”王政表示。
但当未来大数据平台并广泛应用后，是否会迅速挤压套利空间？这也是一个问题。回答根据网上资料整理
2. 什么是基本面分析和技术分析
一、什么是“基本分析”
基本分析是一种评估安全性的方法，试图通过检查相关的经济，金融和其他定性和定量因素来评估其内在价值。基本分析师研究任何可能影响证券价值的因素，包括宏观经济因素（如经济和行业状况）和微观经济因素（如财务状况和公司管理）。基本分析的最终目标是产生一个数量值，投资者可以将其与证券的当前价格进行比较，从而表明证券是被低估还是被高估。
六、“技术分析”解析
技术分析师认为，证券的过去交易活动和价格变化是证券未来价格变动可能比证券内在价值更好的指标。技术分析是根据道氏理论收集的基本概念形成的，道氏理论是查尔斯陶氏早期着作中关于交易市场变动的一个理论。道氏理论的两个基本假设是所有技术分析的基础：
1）市场价格折扣可能影响证券价格的每个因素;
2）市场价格变动不是纯粹随机的，而是随着时间的推移而重复出现的可识别模式和趋势。
七、技术分析的基本假设
假设价格对所有东西进行折扣本质上意味着任何时间点的证券的市场价格都准确地反映了所有可用的信息，因此代表了证券的真实公允价值。这个假设是基于市场价格总是反映所有市场参与者总和知识的想法。
技术分析的第二个基本假设是价格变化不是随机的，这导致技术分析师相信市场趋势（短期和长期）都可以被识别，从而使市场交易者能够根据现有投资获利趋势。
八、如何使用技术分析
技术分析用来预测几乎任何通常受供求关系影响的可交易工具的价格变动，包括股票，债券，期货和货币对。事实上，技术分析可以简单地看作是证券市场价格变动所反映的供需力量的研究。它通常适用于价格变化，但一些分析师可能追踪除了价格之外的数据，如交易量或未平仓合约数字。
多年来，分析师为了准确预测未来的价格变动而制定了许多技术指标。一些指标主要侧重于确定当前的市场趋势，包括支撑和阻力区域，而另一些则侧重于确定趋势的强度及其延续的可能性。常用的技术指标包括趋势线，移动平均线和动量指标，如移动平均收敛背离（MACD）指标。
技术分析师将技术指标应用于各种时间表的图表。短线交易者可能使用从一分钟时间表到每小时或四小时时间表的图表，而交易者分析长期价格变动则审查每日，每周或每月图表。
3. 美国波动大的股票
现在波动大的金融股最大。。。。。。。而且MS，JPM都属于上下频率快~幅度大的，你自己有这样的股票拉。
如果还要有银行股BK~~~~很变态的哦
最近CVS很好做，还有CNX。。。。还有我非常喜欢的POT。。。不过已经超过你的30美圆了，500，800股那个进去high啊。
股票每个阶段的特性都不一样的，所以你要是想要长久的这样股票~我么有~~~~
4. 如何分析一个股票
你好，分析一只股票主要从以下几点看：
第一是要看这支股票所处的行业。如果公司所处的行业是国家垄断的行业，且在行业中占据领导地位，或者说在行业中占有相当的份额，那么，这类股票就值得关注。当然，如果公司所处的行业是竞争非常激烈的行业，且在行业中不那么令人注意，同时在行业里市场份额也不大，那么这类股票不碰为好。
第二是要看该股票的流通股本有多少。流通股本在几千万的都应该算小盘股了，而流通股本在10来亿的应该算中盘股。而流通股本在几千亿的应该算超级大盘股了。通常情况下，中盘股、小盘股拉升远远比大盘股来的快的多。所以，通常情况下，选择中小盘股票。
第三是要看这支股票的控股股东。公司的第一大股东及其关联企业在公司中控股是否超过50%以上？如果超过50%，那么，第一大股东对该公司绝对控股。第一大股东的绝对控股标志着公司能持续发展。如果第一大股东不能绝对控股，有可能导致被其他公司趁虚而入，从而导致股票在市场上动荡不已。在公司股东中，前10大股东你需留意。
第四是要看这支股票的高级管理人员的素质。
第五就是要看股票的业绩。业绩是衡量公司是否优秀的最为重要的标准。一个优秀的公司，应该有良好的业绩，有创造净利润的能力。公司的业绩是通过良好的管理，严格的财务，优质的服务创造出的。那些把公司吹上了天，但业绩却非常差的公司的股票尽量不要去碰。
第六就是要看股票的股东权益。通常情况下，股东权益越高的股票，意味着公司的分红会很好。要了解股票往年的分红派息情况。如果一只股票，年年分红派息仍保持较高的股东权益，那么，这种股票值得你拥有。毕竟，市场通常对那种高送配的股票比较追捧。
5. 量化投资—策略与技术的作品目录
《量化投资—策略与技术》
策略篇
第 1章 量化投资概念
1.1 什么是量化投资 2
1.1.1 量化投资定义 2
1.1.2 量化投资理解误区 3
1.2 量化投资与传统投资比较 6
1.2.1 传统投资策略的缺点 6
1.2.2 量化投资策略的优势 7
1.2.3 量化投资与传统投资策略的比较 8
1.3 量化投资历史 10
1.3.1 量化投资理论发展 10
1.3.2 海外量化基金的发展 12
1.3.3 量化投资在中国 15
1.4 量化投资主要内容 16
1.5 量化投资主要方法 21
.第 2章 量化选股 25
2.1 多因子 26
2.1.1 基本概念 27
2.1.2 策略模型 27
2.1.3 实证案例：多因子选股模型 30
2.2 风格轮动 35
2.2.1 基本概念 35
2.2.2 盈利预期生命周期模型 38
2.2.3 策略模型 40
2.2.4 实证案例：中信标普风格 41
2.2.5 实证案例：大小盘风格 44
2.3 行业轮动 47
2.3.1 基本概念 47
2.3.2 m2行业轮动策略 50
2.3.3 市场情绪轮动策略 52
2.4 资金流 56
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 实证案例：资金流选股策略 60
2.5 动量反转 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 实证案例：动量选股策略和反转选股策略 70
2.6 一致预期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 实证案例：一致预期模型案例 78
2.7 趋势追踪 84
2.7.1 基本概念 84
2.7.2 策略模型 86
2.7.3 实证案例：趋势追踪选股模型 92
2.8 筹码选股 94
2.8.1 基本概念 95
2.8.2 策略模型 97
2.8.3 实证案例：筹码选股模型 99
2.9 业绩评价 104
2.9.1 收益率指标 104
2.9.2 风险度指标 105
第 3章 量化择时 111
3.1 趋势追踪 112
3.1.1 基本概念 112
3.1.2 传统趋势指标 113
3.1.3 自适应均线 121
3.2 市场情绪 125
3.2.1 基本概念 126
3.2.2 情绪指数 128
3.2.3 实证案例：情绪指标择时策略 129
3.3 有效资金 133
3.3.1 基本概念 133
3.3.2 策略模型 134
3.3.3 实证案例：有效资金择时模型 137
3.4 牛熊线 141
3.4.1 基本概念 141
3.4.2 策略模型 143
3.4.3 实证案例：牛熊线择时模型 144
3.5 husrt指数 146
3.5.1 基本概念 146
3.5.2 策略模型 148
3.5.3 实证案例 149
3.6 支持向量机 152
3.6.1 基本概念 152
3.6.2 策略模型 153
3.6.3 实证案例：svm择时模型 155
3.7 swarch模型 160
3.7.1 基本概念 160
3.7.2 策略模型 161
3.7.3 实证案例：swarch模型 164
3.8 异常指标 168
3.8.1 市场噪声 168
3.8.2 行业集中度 170
3.8.3 兴登堡凶兆 172
第 4章 股指期货套利 180
4.1 基本概念 181
4.1.1 套利介绍 181
4.1.2 套利策略 183
4.2 期现套利 185
4.2.1 定价模型 185
4.2.2 现货指数复制 186
4.2.3 正向套利案例 190
4.2.4 结算日套利 192
4.3 跨期套利 195
4.3.1 跨期套利原理 195
4.3.2 无套利区间 196
4.3.3 跨期套利触发和终止 197
4.3.4 实证案例：跨期套利策略 199
4.3.5 主要套利机会 200
4.4 冲击成本 203
4.4.1 主要指标 204
4.4.2 实证案例：冲击成本 205
4.5 保证金管理 208
4.5.1 var方法 208
4.5.2 var计算方法 209
4.5.3 实证案例 211
第 5章 商品期货套利 214
5.1 基本概念 215
5.1.1 套利的条件 216
5.1.2 套利基本模式 217
5.1.3 套利准备工作 219
5.1.4 常见套利组合 221
5.2 期现套利 225
5.2.1 基本原理 225
5.2.2 操作流程 226
5.2.3 增值税风险 230
5.3 跨期套利 231
5.3.1 套利策略 231
5.3.2 实证案例：pvc跨期套利策略 233
5.4 跨市场套利 234
5.4.1 套利策略 234
5.4.2 实证案例：伦铜—沪铜跨市场套利 235
5.5 跨品种套利 236
5.5.1 套利策略 237
5.5.2 实证案例 238
5.6 非常状态处理 240
第 6章 统计套利 242
6.1 基本概念 243
6.1.1 统计套利定义 243
6.1.2 配对交易 244
6.2 配对交易 247
6.2.1 协整策略 247
6.2.2 主成分策略 254
6.2.3 绩效评估 256
6.2.4 实证案例：配对交易 258
6.3 股指套利 261
6.3.1 行业指数套利 261
6.3.2 国家指数套利 263
6.3.3 洲域指数套利 264
6.3.4 全球指数套利 266
6.4 融券套利 267
6.4.1 股票—融券套利 267
6.4.2 可转债—融券套利 268
6.4.3 股指期货—融券套利 269
6.4.4 封闭式基金—融券套利 271
6.5 外汇套利 272
6.5.1 利差套利 273
6.5.2 货币对套利 275
第 7章 期权套利 277
7.1 基本概念 278
7.1.1 期权介绍 278
7.1.2 期权交易 279
7.1.3 牛熊证 280
7.2 股票/期权套利 283
7.2.1 股票—股票期权套利 283
7.2.2 股票—指数期权套利 284
7.3 转换套利 285
7.3.1 转换套利 285
7.3.2 反向转换套利 287
7.4 跨式套利 288
7.4.1 买入跨式套利 289
7.4.2 卖出跨式套利 291
7.5 宽跨式套利 293
7.5.1 买入宽跨式套利 293
7.5.2 卖出宽跨式套利 294
7.6 蝶式套利 296
7.6.1 买入蝶式套利 296
7.6.2 卖出蝶式套利 298
7.7 飞鹰式套利 299
7.7.1 买入飞鹰式套利 300
7.7.2 卖出飞鹰式套利 301
第 8章 算法交易 304
8.1 基本概念 305
8.1.1 算法交易定义 305
8.1.2 算法交易分类 306
8.1.3 算法交易设计 308
8.2 被动交易算法 309
8.2.1 冲击成本 310
8.2.2 等待风险 312
8.2.3 常用被动型交易策略 314
8.3 vwap算法 316
8.3.1 标准vwap算法 316
8.3.2 改进型vwap算法 319
第 9章 其他策略 323
9.1 事件套利 324
9.1.1 并购套利策略 324
9.1.2 定向增发套利 325
9.1.3 套利重仓停牌股票的投资组合 326
9.1.4 封闭式投资组合套利 327
9.2 etf套利 328
9.2.1 基本概念 328
9.2.2 无风险套利 330
9.2.3 其他套利 334
9.3 lof套利 335
9.3.1 基本概念 335
9.3.2 模型策略 336
9.3.3 实证案例：lof 套利 337
9.4 高频交易 341
9.4.1 流动性回扣交易 341
9.4.2 猎物算法交易 342
9.4.3 自动做市商策略 343
9.4.4 程序化交易 343
理论篇
第 10章 人工智能 346
10.1 主要内容 347
10.1.1 机器学习 347
10.1.2 自动推理 350
10.1.3 专家系统 353
10.1.4 模式识别 356
10.1.5 人工神经网络 358
10.1.6 遗传算法 362
10.2 人工智能在量化投资中的应用 366
10.2.1 模式识别短线择时 366
10.2.2 rbf神经网络股价预测 370
10.2.3 基于遗传算法的新股预测 375
第 11章 数据挖掘 381
11.1 基本概念 382
11.1.1 主要模型 382
11.1.2 典型方法 384
11.2 主要内容 385
11.2.1 分类与预测 385
11.2.2 关联规则 391
11.2.3 聚类分析 397
11.3 数据挖掘在量化投资中的应用 400
11.3.1 基于som 网络的股票聚类分析方法 400
11.3.2 基于关联规则的板块轮动 403
第 12章 小波分析 407
12.1 基本概念 408
12.2 小波变换主要内容 409
12.2.1 连续小波变换 409
12.2.2 连续小波变换的离散化 410
12.2.3 多分辨分析与mallat算法 411
12.3小波分析在量化投资中的应用 414
12.3.1 k线小波去噪 414
12.3.2 金融时序数据预测 420
第 13章 支持向量机 429
13.1 基本概念 430
13.1.1 线性svm 430
13.1.2 非线性svm 433
13.1.3 svm分类器参数选择 435
13.1.4 svm分类器从二类到多类的推广 436
13.2 模糊支持向量机 437
13.2.1 增加模糊后处理的svm 437
13.2.2 引入模糊因子的svm训练算法 439
13.3 svm在量化投资中的应用 440
13.3.1 复杂金融时序数据预测 440
13.3.2 趋势拐点预测 445
第 14章 分形理论 452
14.1 基本概念 453
14.1.1 分形定义 453
14.1.2 几种典型的分形 454
14.1.3 分形理论的应用 456
14.2 主要内容 457
14.2.1 分形维数 457
14.2.2 l系统 458
14.2.3 ifs系统 460
14.3 分形理论在量化投资中的应用 461
14.3.1 大趋势预测 461
14.3.2 汇率预测 466
第 15章 随机过程 473
15.1 基本概念 473
15.2 主要内容 476
15.2.1 随机过程的分布函数 476
15.2.2 随机过程的数字特征 476
15.2.3 几种常见的随机过程 477
15.2.4 平稳随机过程 479
15.3 灰色马尔可夫链股市预测 480
第 16章 it技术 486
16.1 数据仓库技术 486
16.1.1 从数据库到数据仓库 487
16.1.2 数据仓库中的数据组织 489
16.1.3 数据仓库的关键技术 491
16.2 编程语言 493
16.2.1 GPU算法交易 493
16.2.2 MATLAB 语言 497
16.2.3 c#语言 504
第 17章 主要数据与工具 509
17.1 名策多因子分析系统 509
17.2 MultiCharts：程序化交易平台 511
17.3 交易开拓者：期货自动交易平台 514
17.4 大连交易所套利指令 518
17.5 mt5：外汇自动交易平台 522
第 18章 量化对冲交易系统：D-alpha 528
18.1 系统构架 528
18.2 策略分析流程 530
18.3 核心算法 532
18.4 验证结果 534
表目录
表1 1 不同投资策略对比 7
表2 1 多因子选股模型候选因子 30
表2 2 多因子模型候选因子初步检验 31
表2 3 多因子模型中通过检验的有效因子 32
表2 4 多因子模型中剔除冗余后的因子 33
表2 5 多因子模型组合分段收益率 33
表2 6 晨星市场风格判别法 36
表2 7 夏普收益率基础投资风格鉴别 37
表2 8 中信标普风格指数 41
表2 9 风格动量策略组合月均收益率 43
表2 10 大小盘风格轮动策略月收益率均值 46
表2 11 中国货币周期分段（2000—2009年） 49
表2 12 沪深300行业指数统计 50
表2 13 不同货币阶段不同行业的收益率 51
表2 14 招商资金流模型（cmsmf）计算方法 58
表2 15 招商资金流模型（cmsmf）选股指标定义 59
表2 16 资金流模型策略——沪深300 61
表2 17 资金流模型策略——全市场 62
表2 18 动量组合相对基准的平均年化超额收益（部分） 68
表2 19 反转组合相对基准的平均年化超额收益(部分) 69
表2 20 动量策略风险收益分析 71
表2 21 反转策略风险收益分析 73
表2 22 趋势追踪技术收益率 93
表2 23 筹码选股模型中单个指标的收益率情况对比 99
表3 1 ma指标择时测试最好的20 组参数及其表现 117
表3 2 4个趋势型指标最优参数下的独立择时交易表现比较 120
表3 3 有交易成本情况下不同信号个数下的综合择时策略 120
表3 4 自适应均线择时策略收益率分析 124
表3 5 市场情绪类别 126
表3 6 沪深300指数在不同情绪区域的当月收益率比较 128
表3 7 沪深300指数在不同情绪变化区域的当月收益率比较 129
表3 8 沪深300指数在不同情绪区域的次月收益率比较 130
表3 9 沪深300指数在不同情绪变化区域的次月收益率比较 130
表3 10 情绪指数择时收益率统计 132
表3 11 svm择时模型的指标 156
表3 12 svm对沪深300指数预测结果指标汇总 156
表3 13 svm择时模型在整体市场的表现 156
表3 14 svm择时模型在单边上涨市的表现 157
表3 15 svm择时模型在单边下跌市的表现 158
表3 16 svm择时模型在震荡市的表现 159
表3 17 噪声交易在熊市择时的收益率 170
表4 1 各种方法在不同股票数量下的跟踪误差（年化） 190
表4-2 股指期货多头跨期套利过程分析 199
表4 3 不同开仓比例下的不同保证金水平能够覆盖的市场波动及其概率 211
表4 4 不同仓单持有期下的保证金覆盖比例 212
表6 1 融券标的股票中在样本期内最相关的50 对组合（部分） 248
表6 2 残差的平稳性、自相关等检验 249
表6 3 在不同的阈值下建仓、平仓所能获得的平均收益 251
表6 4 采用不同的模型在样本内获取的收益率及最优阈值 252
表6 5 采用不同的模型、不同的外推方法在样本外获取的收益率（%） 253
表6 6 主成分配对交易在样本内取得的收益率及最优阈值 255
表6 7 主成分配对交易在样本外的效果 255
表6-8 各种模型下统计套利的结果 256
表6 9 延后开仓+提前平仓策略实证结果 260
表6 10 各行业的配对交易结果 261
表7 1 多头股票-期权套利综合分析表 283
表7 2 多头股票—股票期权套利案例损益分析表 284
表7 3 多头股票-指数期权套利案例损益分析表 285
表7 4 转换套利分析过程 286
表7 5 买入跨式套利综合分析表 289
表7 6 买入跨式套利交易细节 289
表7 7 卖出跨式套利综合分析表 291
表7 8 卖出跨式套利交易细节 292
表7 9 买入宽跨式套利综合分析表 293
表7 10 卖出宽跨式套利综合分析表 294
表7 11 买入蝶式套利综合分析表 296
表7 12 卖出蝶式套利综合分析表 298
表7 13 买入飞鹰套利分析表 300
表7 14 卖出飞鹰式套利综合分析表 301
表9 1 主要并购方式 324
表9 2 并购套利流程 325
表9 3 鹏华300 lof两次正向套利的情况 339
表9 4 鹏华300 lof两次反向套利的情况 340
表10 1 自动推理中连词系统 352
表10 2 模式识别短线择时样本数据分类 369
表10 3 rbf神经网络股价预测结果 375
表10 4 遗传算法新股预测参数设置 379
表10 5 遗传算法新股预测结果 380
表11 1 决策树数据表 389
表11 2 关联规则案例数据表 392
表11 3 som股票聚类分析结果 403
表11 4 21种股票板块指数布尔关系表数据片断 404
表12 1 深发展a日收盘价小波分析方法预测值与实际值比较 427
表12 2 不同分解层数的误差均方根值 428
表13 1 svm沪深300指数预测误差情况 445
表13 2 svm指数预测和神经网络预测的比较 445
表13 3 技术反转点定义与图型 448
表13 4 svm趋势拐点预测结果 450
表14 1 持续大涨前后分形各主要参数值 463
表14 2 持续大跌前后分形个主要参数值 465
表14 3 外汇r/ s 分析的各项指标 469
表14 4 v(r/s)曲线回归检验 470
表15 1 灰色马尔可夫链预测深证成指样本内（2005/1—2006/8） 484
表15 2 灰色马尔可夫链预测深证成指样本外（2006/9—2006/12） 484
表16-1 vba的12种数据类型 499
表18-1 d-alpha系统在全球市场收益率分析 534