Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >筹码分布原理探索

筹码分布原理探索

作者头像
写一点笔记
发布于 2020-08-25 06:22:52
发布于 2020-08-25 06:22:52
1.6K0
举报
文章被收录于专栏:程序员备忘录程序员备忘录

最近在学习一点股票的知识,可是发现自己在像个小白,找不到门路,可是如果不学习就会变韭菜。人们常说股市就如同赌博,这没有问题。但谁能说去买菜或者买东西不是博弈?只是量级的问题。所以很多问题并没有什么标准和规则,全凭自己如何看待。可是物质的运动规律是可以掌握的,问题是你是否掌握了足够的信息量。以及如何看待其中的关系。写这种文章的意义是什么,对于我来说就是整理思维,我特别喜欢辩证的思考问题,在不断的反驳自己能够让自己深度思考某些问题。然后对于这个世界有比较深入的解。

问题描述​​

之前看了一位老师的文章,大概说的是股价的起起伏伏看似是由买方和卖方力量决定的,然而价格的拉伸却不是散户决定,毕竟散户的资金太小无法促使股价从下跌转为上升,股价的下跌如果有大面积的散户参与只能使得股价更加奔放的下跌。但是对于散户来说信息不对称是必然的,因此庄家是股价的决定因素。所以跟随庄家是唯一要选择的路。可是庄家要拉升股价必然会拥有很多筹码,否则再拉升的过程会被散户的抛盘压死,成为接盘侠。但是作为机构来说必然深刻明白。那么如何掌握足够的筹码?通俗来说就是操作股价,比如通过有限的抛盘恐吓散户将筹码在低位交给庄家。庄家的方式很多,比如横盘来拉升和抛盘等。但无论如何筹码的平均价格会下降,也就是说在不同价位入手的筹码会向低位价格上统一。那么这个筹码平均价格如何计算?如果是按买卖价格按时间统计的话。那计算和存储的代价确实太大了。可那是比较准确的方式!除此之外还能怎么做尼?

在知网上搜索相关文献。

在第一篇中,作者使用时间来描述筹码的买卖以及筹码分布。

大概得意思是每天迁入的筹码分布与该股票的最低价和最高价之间。当然也有迁出的,所以在某天内某个价格上的筹码分布量等于该价位的昨日筹码量减去迁出的筹码再加该价位上迁入的筹码。其中筹码迁出比例是按昨天的筹码分布减去到期的筹码再与总股本的比值。而在该价格上的下一日的筹码分布就是昨日的该价格上筹码减去在当日的迁入筹码与迁出率的乘积,最后再加上该价位的筹码的迁入量。

在计算筹码迁入时,作者采用五边形。并采用筹码的梯度分布的计算模式。再进行实证检验种取得了非常好的效果。

采用这种方式,就是需要从股票上市那天开始计算,而且文中采用的卖出时间持有概率比较迷惑。但总体来说我没有觉得那里不科学。基本所需要的数据我们都可以获取到。

第二篇文章

作者采用的计算方法比较简单,本人感觉无法描述真实得平均成本,有提升平均成本的问题。

Yn= Yn-1× (1- An) + Cn ×An

文中的公式大概表达的意思是昨剩余的筹码的平均成本再加上换手筹码的价格期望。但是这样计算就忽视价格的历史,用昨天的不能代表前天或者上个月的。所以我觉得这个指标不太准。

网络上的筹码分布计算算法

公式:

当天(N)的筹码=成交量*换手率 前一天筹码=当天筹码+(1-当天换手率*历史换手衰减系数)*前一天成交量 前二天筹码=当天筹码+(1-当天换手率*历史换手衰减系数)*前一天成交量+(1-前一天换手率*历史换手衰减系数)*前第二天成交量

以此类推计算所有交易日的筹码量,然后按每日的最高价最低价已经平均价进行筹码的三角形或者五边形分布。然后通过累计所有价位上的筹码分布的数学期望计算筹码的平均成本。这里当日的筹码等于成交量与换手率的乘积让我有点摸不着头脑。感觉大概表达的意思是当日的筹码按换手率和成交量的积,历史筹码按前一日的分布进行递减。也就是筹码分布等于今日的增量与昨日的保留量的和,随着时间的推演历史筹码分布与筹码具有很大的关系,就是当日对昨日负责。感觉自己还是对这块深入理解有点问题。所以我打算用python实践一下。或许实践的过程中我能明白吧。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-07-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 程序员备忘录 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
股票数据API整理
最近在做股票分析系统,数据获取源头成了一大问题,经过仔细的研究发现了很多获取办法,这里整理一下,方便后来者使用。 获取股票数据的源头主要有:数据超市、雅虎、新浪、Google、和讯、搜狐、ChinaStockWebService、东方财富客户端、证券之星、网易财经。 根据最近频繁出现的数据超市,可以无限制获取相关数据,而不再需要使用爬虫等方式获取,这样不仅节省了极大资源,也有利于遍历数据。 列出来相关网站清单,开发者可自行到这些网站查询调用方法。 聚合数据 https://www.juhe.cn/ 百度A
机器学习AI算法工程
2018/03/15
26.1K2
股票数据API整理
实战 | 用 Python 选股票,据说可以多挣个20%
本文将使用Python来可视化股票数据,比如绘制K线图,并且探究各项指标的含义和关系,最后使用移动平均线方法初探投资策略。 数据导入 这里将股票数据存储在stockData.txt文本文件中,我们使用pandas.read_table()函数将文件数据读入成DataFrame格式。 其中参数usecols=range(15)限制只读取前15列数据,parse_dates=[0]表示将第一列数据解析成时间格式,index_col=0则将第一列数据指定为索引。 import pandas as pd i
小小科
2018/05/04
2.7K0
实战 | 用 Python 选股票,据说可以多挣个20%
Python3对股票数据进行分析
以先进的数学模型替代人为的主观判断,利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略,极大地减少了投资者情绪波动的影响,避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
全栈程序员站长
2022/07/01
2.3K0
Python3对股票数据进行分析
股市筹码分布的实现效果
在上次的文档中,我说自己要用python实践一下网络上流传的筹码分布算法,后边我做了,但是感觉计算量比较大,我假设一个周期是120天,也就是120天的话,基本所有持仓的人都会卖出自己手中的筹码。然后我选择要展示的是最近的120,因此在计算的时间窗口上,我采用240天,也就是前边的120天是仅仅是为保证最近的120的数据不会有大的出入。除此之外还实现了论文2中的算法,相对来说比较简单。对于基于行为金融学中的算法,我选择了放弃,因为每次都要从股票上市的哪天进行计算,计算量比较大。通过对后边两种算法的实现,发现网上流传的筹码分布算法和各种软件上筹码分布图非常类似,差别很小。这里贴出我的实践结果。
写一点笔记
2020/08/25
1.9K1
股市筹码分布的实现效果
股票技术指标开发教程之:竞价成交量——通过集合竞价量洞悉资金意图
前言:前不久在某APP上,看到一个付费指标,关于竞价的。原理是,把每天的竞价量当做幅图显示出来,如下图。这个功能不难,感觉付费使用有点没必要,所以我今天尝试写一个通达信同款指标试试,希望对大家有帮助。
Wesky
2025/03/17
2910
股票技术指标开发教程之:竞价成交量——通过集合竞价量洞悉资金意图
用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果(含量化验证交易策略代码)用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口
在用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口爬取数据和验证交易策略代码)一文里,我讲述了通过爬虫接口得到股票数据并绘制出K线均线图形的方式,在本文里,将在此基础上再引入成交量效果图,并结合量价理论,给出并验证一些交易策略。
用户1153489
2019/09/29
2.8K0
用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果(含量化验证交易策略代码)用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口
深度学习LSTM-RNN建立股票预测模型
  此次股票价格预测模型仅根据股票的历史数据来建立,不考虑消息面对个股的影响。曾有日本学者使用深度学习的方法来对当天的新闻内容进行分析,以判断其对股价正面性/负面性影响,并将其与股票的历史数据相结合,各自赋予一定的权重来对近日的股价进行预测[1]。该预测方法取得了一定的效果。
机器学习AI算法工程
2019/10/28
2.7K0
深度学习LSTM-RNN建立股票预测模型
组合优化(一):换手率和alpha模型
新开一个系列写写组合优化的相关内容,主要以分享看到的各种研究和思考为主,偏理论。
量化小白
2023/03/19
1.2K0
组合优化(一):换手率和alpha模型
『金融数据结构』「2. 从 Tick 到 Bar」
注意我并有把 open 和 close 翻译成开盘价和收盘价,因为这条数据并不是按日来收集的,而它对应的时间精确到 387 毫秒。
用户5753894
2019/07/05
11.6K2
『金融数据结构』「2. 从 Tick 到 Bar」
股市行情指标计算原理和趋势反映--量化交易1-基础
量能也成为成交量,代表多空双方交战的过程,一定程度上决定了价格和走势。量能和价格走势进行结合,成为量价结合的分析方法。
嘘、小点声
2020/11/13
2.1K0
股市行情指标计算原理和趋势反映--量化交易1-基础
DAY12 | Wyckoff 2.0
如果我们看到一个下跌的行情吗,我们可以对整个趋势进行成交量分布分析,来确定价格在可能会出现某种看涨回调的区域。
机器学习炼丹术
2023/09/19
1850
DAY12 | Wyckoff 2.0
码农技术炒股之路——数据源选择
        在给本系列博文拟定标题时,我原先写下的是《股票交易信息获取及分析系统》。之后感觉这个名字过于高大上,又不自觉的在草稿中写下《码农技术炒股之路》。这个名称让我会心一笑,因为它即突出了我的身份,又点名了本系列博文要介绍的东西——技术炒股。最后“之路”一词可以让我好好介绍下这个项目的前因后果,希望大家也感受下这个项目的温度,因为它的产生并非我一人杜撰出来的愿景。(转载请指明出于breaksoftware的csdn博客)
方亮
2019/01/16
1.6K0
基于Numpy的统计分析实战
标题中的英文首字母大写比较规范,但在python实际使用中均为小写。 2018年7月27日笔记 学习内容: 1.从文件中读取数据 2.将数据写入文件 3.利用数学和统计分析函数完成实际统计分析应用 4.掌握数组相关的常用函数
潇洒坤
2018/09/10
1.4K0
基于Numpy的统计分析实战
股票软件开发
股票软件开发顾名思义就是股票软件开发公司为公司或个人开发制作自已个性化的股票分析软件,从此彻底告别依赖别人的技术平台支持,从股票软件名称,公司LOGO,启动界面,系统功能,特色指标、特色选股、软件注册后台,信息发布平台,机构数据,主力行情,大盘分析,个股分析,资金分析,热点分析等等一系列功能上实行自已品牌化管理运行。
全栈程序员站长
2022/07/25
2.3K0
今日指数项目之FlinkCEP介绍
一个月内成交了2000万股,而该股票的流通股为1亿股,则该股票在这个月的换手率为20%。
Maynor
2022/05/08
7400
今日指数项目之FlinkCEP介绍
腾讯35亿美元抄底收购搜狗,产品张小龙和技术王小川双剑合璧
目前,搜狗现在的核心业务主要是搜索、输入法以及AI硬件。在搜狗看来,硬件业务的重要性越来越高。王小川找罗永浩直播带回录音笔就是个例子。
量子位
2020/10/09
6430
腾讯35亿美元抄底收购搜狗,产品张小龙和技术王小川双剑合璧
金融数据分析与挖掘具体实现方法 -1
关于投资的几个类别,一般我们将天使、VC、PE三个部分统称为私募(Private Equity),指的是没有在证券交易所公开上市交易的资产。
汪凡
2019/03/01
1.5K0
金融数据分析与挖掘具体实现方法 -1
智能量化交易第一步 | 利用Python获取金融数据 | Tushare使用示例
机器学习等方法基本都是数据驱动的,数据获取是开始的第一步,量化交易也不例外,做量化投资的第一步就是如何获取金融数据,这里给大家推荐一款很不错的工具TuShare,并且基于Python语言做一些简单的示例实现。
用户7623498
2020/08/04
2.4K0
智能量化交易第一步 | 利用Python获取金融数据 | Tushare使用示例
R语言构建追涨杀跌量化交易模型
作者:张丹(Conan), 程序员Java,R,Javascript 原文:http://blog.fens.me/finance-chase-sell/#comment-4627 久经股市的老股民,通常都会使用一种常见的交易策略,追涨杀跌交易法。追涨杀跌法,是股市操作的一个重要技巧,就是在股市上涨时买入股票,股市下跌时卖出股票。如果操作得当是很好的赢利手段,在中国股市2015年上半年的牛市中,追涨杀跌交易法就是交易神器法门。 目录 什么是追涨杀跌? 追涨杀跌的建型和实现 模型优化 1. 什么是追涨杀跌?
机器学习AI算法工程
2018/03/13
2.2K0
R语言构建追涨杀跌量化交易模型
AKShare-股票数据-北交所历史行情
作者寄语 本次更新股票历史行情的数据接口,增加对北交所行情的支持 更新接口 "stock_zh_a_hist" # 历史行情数据-东财 历史行情数据-东财 接口: stock_zh_a_hist
数据科学实战
2022/01/12
1.1K0
AKShare-股票数据-北交所历史行情
推荐阅读
相关推荐
股票数据API整理
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档