10年70倍股票是这样找出的
10年70倍股票是这样找出的
2005-9-28 13:01:20
———访富兰克林邓普顿资产管理(印度)公司副总经理兼基金经理苏思华
印度市场近几年的红火在中国并不为人熟悉,但在全球却早已为投资者津津乐道。今年8月,印度孟买30指数攀上了1978年成立以来的新高,报收于7859点,9月20日,更是一举创下8500点新高。对于海外很多地区的投资者来说,近一年来投资印度基金似乎成为挣钱的代名词。
作为印度当地最大的基金管理公司、富兰克林邓普顿资产管理(印度)公司的副总经理兼基金经理苏思华也受到大量关注。其管理的富兰克林印度蓝筹基金自1993年12月1日成立以来,平均年净值增长高达28.14%。在过去三年中,富兰克林印度蓝筹基金的年净值增长率为52.13%。其投资长达9年的HDFC银行股上市10来年至今上涨了70倍。日前,这位印度的明星基金经理来到中国,接受了记者的采访。
记者：为什么印度股市这么红火?
苏思华：印度股市近期的表现,有几个关键的因素。首先在经济方面,印度的制造业大幅复苏、出口增长尤其是印
度的服务业出口增长迅速,带动经济的快速发展。另外,人口方面,印度人口结构非常年轻,这成为推动经济发展的关键动力。第三、印度经济的良好表现,让印度公司出现比较好的利润增长,并且印度公司正在逐步完善公司的治理和标准体系。
还有很重要的一点,海外投资者越来越关注印度股市。最近3年以来,总计有这250亿美元的外资流入印度购买印度的股票。对市场走高影响巨大。
记者：印度股市的总市值是多少?基金的发展状况怎样?基金和外资机构有没有寻找投资目标和流动性的困难?
苏思华：印度股市的总市值在5000亿美元左右,外资的投入相对于这个市值没有占绝对的比例。但是,外资的影响力很大。在外资急剧流入的最近三年里,印度股市的平均涨幅达带34.8%,远高于之前的水平。
基金在投资方面的流动性没有问题。作为最大的资产管理公司,富兰克林邓普顿(印度)公司管理的着37.62亿美元,相对于市值来说,我们有很大的成长空间。
记者：你们投资新兴市场的最大心得是什么?你们的投资理念是什么?
苏思华：富兰克林邓普顿在各地的基金公司投资理念是一样的———“价值投资、自下而上、长期持有。”
我们的投资哲学建立在印度投资经验上,但是服从富兰
克林邓普顿的一些原则；我们坚持自下而上的投资,不对基金进行资产和行业层面进行配置。如果我觉得这个公司好,我就会买入并持有相当长的时间。当然,我会考虑投资的分散性要求,单只股票的持有一般不会超过基金净值的5%。
对于新兴市场来说,我们坚信成长和价值应该是动态的结合起来,要能够忽略市场短期的“噪声”并专注于基本面。
记者：在自下而上的投资体系中,上市公司的选择非常重要,你们是如何选择公司?
苏思华：选择公司的关键在于,公司是否具备持续的成长可能。只有持续增长的公司才会给投资带来丰厚的回报。我们寻找的管理团队首先是有创新精神的,其次是对未来有正确判断和能帮助公司持续发展的,能为公司及其股东创造财富的公司。
另外,公司治理非常重要,因为公司治理状况将会决定公司成长的持续时间。一个目标中的公司应该有很好的治理结构,很了解这个行业的管理层,能够使公司保持稳定的增长,对于未来的行业看好。总之公司稳定、持续的增长是最关键的。
记者：怎样判断一个公司能够保持稳定的增长?
苏思华：判断成长性的很重要的标准是,它的投资回报率能否超过资金的成本。好公司的资本回报率应该远远超过贷款利率。对于成长性,我们一般看公司未来5年的财务报
表,如果未来5年的成长预期能够给我信心的话,那我会把它列入投资目标的行列。
另外,PEG是个很重要的参考指标,成长类公司的PEG指标在1以下都是合理的。但我投资时希望有一个边际空间,PEG在0.8以下最好。
不过,对于石化、钢铁这样的周期性行业我的实际操作会比较短一些。
记者：能不能举两个你投资的稳定增长的公司?
苏思华：HDFC和INFOSYS。HDFC是一个银行股,上市10年来涨了70多倍。我是它上市第二年买的,管理的部分基金到现在还持有它。INFOSYS是著名的软件服务业的公司,获益于世界范围的软件服务业的转移,以低廉的劳动力,为世界范围的企业定制软件。它现在争取到了很多IBM等公司原来的业务。而且这个公司经历了网络经济的泡沫,还能继续成长起来。
记者：买入HDFC的考虑是什么,它的估值在近十年有什么变化?
苏思华：HDFC银行当时的情况是,其他大银行在拼命的占市场份额———ATM机、信用卡。而HDFC更关注盈利,每项新的投入都是在盈利有所积累的前提下才做。在其他公司主攻公司客户的时候,它重点关注了房屋抵押放款这项中间业务,更强调服务的结果。所以,它能很顺利地发展起来,并
且做大。
HDFC的资本回报率(ROC)一直是同行的2倍,不过它的PE一直比较稳定没有变化,十来年一直在13倍左右。他的股价的增长动力主要来自于公司收益的持续快速增长。
记者：你持有它到现在?
苏思华：我的蓝筹基金在上市第二年就买入了HDFC,一直持有,管理的其他基金也逐步介入它的投资。
记者：你刚才讲了成长类公司,对于周期类行业怎么投资,中国的钢铁股票你怎么看?
苏思华：周期类行业的股票,我会在市盈率最高的时候买它,而在市盈率最低的时候抛出。
当然,你不可能知道什么时候是最低的。不过,当一些情况出现的时候,我就会考虑买入,比如说,钢铁业的重置成本比实际市值低的时候。
不过,对于中国的钢铁行业我暂时还不会买。因为中国的钢铁产量已经占到了世界的35%,所以,它的行业产量的回吐可能给钢价格造成麻烦。如果要买中国的钢铁股票,我会更多的考虑他的铁矿石的供应、煤炭的保障。
记者：你管理的基金换手率是多少?
苏思华：我管理的蓝筹基金一年的换手率是80%左右,大概只有竞争对手的1/3。我管理的其他基金,换手率更低。
记者：按你的看法,新兴市场未来最值得看好的三个行
业是哪些?
苏思华：我的观点是,未来最值得投资的3个行业是电子业(包括软件服务业)、银行、保险。这三个行业都属于消费类行业,它的需求和不断增加的人口有关,这种背景支持这些行业可以长期保持增长。这是成长股投资的最大要素。
另外,我要说医药健康产业也很好,但是新兴市场国家的公司普遍没有核心的研发能力和知识产权,所以我不看好。如果企业有自主知识产权的话,医药健康产业的公司是非常好的投资目标。
苏思华简介:1985年在斋蒲尔REC大学获得机械工程专业的工学士学位,并于1988年在印度加尔各答大学管理学院获得MBA学位,专业是金融与行销。在加入富兰克林邓普顿集团之前,他曾任印度工业开发银行工业金融主管。目前苏思华管理着富兰克林邓普顿集团在印度的旗舰基金和其他四只基金。
黄庆明 模式识别与机器学习 第三章 作业
·在一个10类的模式识别问题中，有3类单独满足多类情况1，其余的类别满足多类情况2。问该模式识别问题所需判别函数的最少数目是多少？ 应该是252142 6 *74132 7=+=+ =++C 其中加一是分别3类 和 7类 ·一个三类问题，其判别函数如下： d1(x)=-x1, d2(x)=x1+x2-1, d3(x)=x1-x2-1 (1)设这些函数是在多类情况1条件下确定的，绘出其判别界面和每一个模式类别的区域。 (2)设为多类情况2，并使：d12(x)= d1(x), d13(x)= d2(x), d23(x)= d3(x)。绘出其判别界面和多类情况2的区域。
(3)设d1(x), d2(x)和d3(x)是在多类情况3的条件下确定的，绘出其判别界面和每类的区域。 ·两类模式，每类包括5个3维不同的模式，且良好分布。如果它们是线性可分的，问权向量至少需要几个系数分量？假如要建立二次的多项式判别函数，又至少需要几个系数分量？（设模式的良好分布不因模式变化而改变。） 如果线性可分，则4个 建立二次的多项式判别函数，则102 5 C 个 ·(1)用感知器算法求下列模式分类的解向量w: ω1: {(0 0 0)T , (1 0 0)T , (1 0 1)T , (1 1 0)T } ω2: {(0 0 1)T , (0 1 1)T , (0 1 0)T , (1 1 1)T } 将属于ω2的训练样本乘以（-1），并写成增广向量的形式。 x ①=(0 0 0 1)T , x ②=(1 0 0 1)T , x ③=(1 0 1 1)T , x ④=(1 1 0 1)T x ⑤=(0 0 -1 -1)T , x ⑥=(0 -1 -1 -1)T , x ⑦=(0 -1 0 -1)T , x ⑧=(-1 -1 -1 -1)T 第一轮迭代：取C=1，w(1)=(0 0 0 0) T 因w T (1) x ① =(0 0 0 0)(0 0 0 1) T =0 ≯0，故w(2)=w(1)+ x ① =(0 0 0 1) 因w T (2) x ② =(0 0 0 1)(1 0 0 1) T =1>0，故w(3)=w(2)=(0 0 0 1)T 因w T (3)x ③=(0 0 0 1)(1 0 1 1)T =1>0，故w(4)=w(3) =(0 0 0 1)T 因w T (4)x ④=(0 0 0 1)(1 1 0 1)T =1>0，故w(5)=w(4)=(0 0 0 1)T 因w T (5)x ⑤=(0 0 0 1)(0 0 -1 -1)T =-1≯0，故w(6)=w(5)+ x ⑤=(0 0 -1 0)T 因w T (6)x ⑥=(0 0 -1 0)(0 -1 -1 -1)T =1>0，故w(7)=w(6)=(0 0 -1 0)T 因w T (7)x ⑦=(0 0 -1 0)(0 -1 0 -1)T =0≯0，故w(8)=w(7)+ x ⑦=(0 -1 -1 -1)T 因w T (8)x ⑧=(0 -1 -1 -1)(-1 -1 -1 -1)T =3>0，故w(9)=w(8) =(0 -1 -1 -1)T 因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第二轮迭代。 第二轮迭代： 因w T (9)x ①=(0 -1 -1 -1)(0 0 0 1)T =-1≯0，故w(10)=w(9)+ x ① =(0 -1 -1 0)T
几种常用的股票价值计算法
几种常用的股票价值计算法 1.DDM模型（Dividend discount model /股利折现模型) 2.DCF /Discount Cash Flow /折现现金流模型） （1）FCFE （Free cash flow for the equity equity /股权自由现金流模型)模型 （2）FCFF模型（Free cash flow for the firm firm /公司自由现金流模型） DDM模型 V代表普通股的内在价值，Dt为普通股第t期支付的股息或红利，r为贴现率 对股息增长率的不同假定，股息贴现模型可以分为 ：零增长模型、不变增长模型（高顿增长模型）、二阶段股利增长模型（H模型）、三阶段股利增长模型和多元增长模型等形式。 最为基础的模型；红利折现是内在价值最严格的定义；DCF法大量借鉴了DDM的一些逻辑和计算方法（基于同样的假设/相同的限制）。 1. DDM DDM模型模型法（Dividend discount model / Dividend discount model / 股利折现模型股利折现模型) DDM模型 2. DDM DDM模型的适用分红多且稳定的公司，非周期性行业； 3. DDM DDM模型的不适用分红很少或者不稳定公司，周期性行业； DDM模型在大陆基本不适用； 大陆股市的行业结构及上市公司资金饥渴决定，分红比例不高，分红的比例与数量不具有稳定性，难以对股利增长率做出预测。 DCF 模型 2.DCF /Discount Cash Flow /折现现金流模型）DCF估值法为最严谨的对企业和股票估值的方法，原则上该模型适用于任何类型的公司。 自由现金流替代股利，更科学、不易受人为影响。 当全部股权自由现金流用于股息支付时，FCFE模型与DDM模型并无区别；但总体而言，股息不等同于股权自由现金流，时高时低，原因有四： 稳定性要求（不确定未来是否有能力支付高股息）； 未来投资的需要（预计未来资本支出/融资的不便与昂贵）； 税收因素（累进制的个人所得税较高时）； 信号特征（股息上升/前景看好；股息下降/前景看淡） DCF模型的优缺点 优点：比其他常用的建议评价模型涵盖更完整的评价模型，框架最严谨但相对较复杂的评价模型。需要的信息量更多,角度更全面, 考虑公司发展的长期性。较为详细，预测时间较长，而且考虑较多的变数，如获利成长、资金成本等，能够提供适当思考的模型。 缺点：需要耗费较长的时间，须对公司的营运情形与产业特性有深入的了解。考量公司的未来获利、成长与风险的完整评价模型，但是其数据估算具有高度的主观性与不确定性。复杂的模型，可能因数据估算不易而无法采用，即使勉强进行估算，错误的数据套入完美的模型中，也无法得到正确的结果。小变化在输入上可能导致大变化在公司的价值上。该模型的准确性受输入值的影响很大（可作敏感性分析补救）。FCFE /FCFF模型区别
模式识别大作业02125128(修改版)
模式识别大作业 班级 021252 姓名 谭红光 学号 02125128 1.线性投影与Fisher 准则函数 各类在d 维特征空间里的样本均值向量： ∑∈= i k X x k i i x n M 1 ，2,1=i (1) 通过变换w 映射到一维特征空间后，各类的平均值为： ∑∈= i k Y y k i i y n m 1，2,1=i (2) 映射后，各类样本“类内离散度”定义为： 22 ()k i i k i y Y S y m ∈= -∑，2,1=i (3) 显然，我们希望在映射之后，两类的平均值之间的距离越大越好，而各类的样本类内离 散度越小越好。因此，定义Fisher 准则函数： 2 1222 12||()F m m J w s s -= + (4) 使F J 最大的解* w 就是最佳解向量，也就是Fisher 的线性判别式. 从 )(w J F 的表达式可知，它并非w 的显函数，必须进一步变换。 已知： ∑∈= i k Y y k i i y n m 1，2,1=i , 依次代入上两式，有： i T X x k i T k X x T i i M w x n w x w n m i k i k === ∑∑∈∈)1 (1 ，2,1=i (5) 所以：2 21221221||)(||||||||M M w M w M w m m T T T -=-=- w S w w M M M M w b T T T =--=))((2121 (6)
其中：T b M M M M S ))((2121--= (7) b S 是原d 维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大 小，因此，b S 越大越容易区分。 将(4.5-6) i T i M w m =和(4.5-2) ∑∈= i k X x k i i x n M 1代入(4.5-4)2i S 式中： ∑∈-= i k X x i T k T i M w x w S 22)( ∑∈?--? =i k X x T i k i k T w M x M x w ))(( w S w i T = (8) 其中：T i X x k i k i M x M x S i k ))((--= ∑=，2,1=i (9) 因此：w S w w S S w S S w T T =+=+)(212221 (10) 显然： 21S S S w += (11) w S 称为原d 维特征空间里，样本“类内离散度”矩阵。 w S 是样本“类内总离散度”矩阵。 为了便于分类，显然 i S 越小越好，也就是 w S 越小越好。
股票目标价格的计算方法
股票目标价格的计算方法 在股价预测中，根据该两组黄金比有两种黄金分割分析方法： 第一种方法：以股价近期走势中重要的峰位或底位，即重要的高点或低点为计算测量未来走势的基础，当股价上涨时，以底位股价为基数，跌幅在达到某一黄金比例时可能会受到支撑，当行情接近尾声，股价发生急升或急跌后，其涨跌幅达到某一重要黄金比例时，则可能发生转势。 第二种方法：行情发生转势后，无论是止跌转升的反转还是止升转跌的反转，以近期走势中重要的峰位和底位之间的幅度作为计算的基数，将原涨跌幅按0.191、0.382、0.5、0.618、0.809分割为五个黄金点，股价在反转后的走势将有可能在这些黄金点上遇到暂时的阻力或支撑。 举例：当下跌行情结束前，某股的最低价为10元，那么在股价反转上升时，投资人可以预先计算出各种不同的阻力价位，也就是10×（1＋19．1%）＝11．9元，10×（1＋38．2%）＝13．8，1＝×（1＋61．8%）＝16．2元，10×（1＋80．9%）＝18．1元，10×（1＋100%）＝20元，10＋（1＋119．1%）＝21．9元，然后再依照实际股价变动情形做斟酌。 反之当上升行情结束前，某股的最高价为30元，那么在股价反转下跌时，投资人也可以计算出各种不同的支撑价位，也就是30×（1-19．1%）＝24．3元，30×（1-38．2%）＝18．5元，30×（1-61．8%）＝11．5元，30×（1-80．9%）＝5．7元，然后再依照实际股价变动情形做斟酌 短线指标KDJ到80、90以上时，J线触顶时，此时5分钟若突发大量，股价突然上升，此时就是短线卖出的机会。最慢也不能慢于第三个5分钟抛出，有时第二个5分钟的股价高点比第一个突发大量的高点还高呢。看5分钟线，一般情况它也不突发大量，就是温和的放量向上，若遇这种情况，看看分时均价线，是否还是朝向上的一个方向，如果形态变缓变平，立马抛出 1、早盘在涨升的时候最容易见高点在10:15和11点,下午是1:45 2、涨升的连续性最重要在11:15,基本上这个时间点的方向是全天方向 3、早盘在下跌的时候关键见低点容易是10:30,11:15和下午的2:10 4、早盘下跌的方向延续确认在10:30和下午的2:30 Ａ、对强势上升股股性的判断： 假设一只强势股，上一轮由１０元涨至１５元，呈现一种强势，然后出现回调，它将回调到什么价位呢？黄金分割的０．３８２位为１３．０９元，０．５位为１２．５０元，０．６１８位为１１．９１元，这就是该股的三个支撑位。若股价在１３．０９元附近获得支撑，该股强势不变，后市突破１５元创新高的概率大于７０％。若创了新高，该股就运行在第三主升浪中。能上冲什么价位呢？
中科院模式识别第三次(第五章)_作业_答案_更多
第5章：线性判别函数 第一部分：计算与证明 1． 有四个来自于两个类别的二维空间中的样本，其中第一类的两个样本为(1,4)T 和(2,3)T ，第二类的两个样本为(4,1)T 和(3,2)T 。这里，上标T 表示向量转置。假设初始的权向量a=(0,1)T ，且梯度更新步长ηk 固定为1。试利用批处理感知器算法求解线性判别函数g(y)=a T y 的权向量。 解： 首先对样本进行规范化处理。将第二类样本更改为(4,1)T 和(3,2)T .然后计算错分样本集： g(y 1)=(0,1)(1,4)T = 4 > 0 (正确) g(y 2)=(0,1)(2,3)T = 3 > 0 (正确) g(y 3)=(0,1)(-4,-1)T = -1 < 0 (错分) g(y 4)=(0,1)(-3,-2)T = -2 < 0 (错分) 所以错分样本集为Y={(-4,-1)T ,(-3,-2)T }. 接着，对错分样本集求和：(-4,-1)T +(-3,-2)T = (-7,-3)T 第一次修正权向量a ，以完成一次梯度下降更新：a=(0,1)T + (-7,-3)T =(-7,-2)T 再次计算错分样本集： g(y 1)=(-7,-2)(1,4)T = -15 <0 (错分) g(y 2)=(-7,-2)(2,3)T = -20 < 0 (错分) g(y 3)=(-7,-2)(-4,-1)T = 30 > 0 (正确) g(y 4)=(-7,-2)(-3,-2)T = 25 > 0 (正确) 所以错分样本集为Y={(1,4)T ,(2,3)T }. 接着，对错分样本集求和：(1,4)T +(2,3)T = (3,7)T 第二次修正权向量a ，以完成二次梯度下降更新：a=(-7,-2)T + (3,7)T =(-4,5)T 再次计算错分样本集： g(y 1) = (-4,5)(1,4)T = 16 > 0 (正确) g(y 2) =(-4,5)(2,3)T = 7 > 0 (正确) g(y 3) =(-4,5)(-4,-1)T = 11 > 0 (正确) g(y 4) =(-4,5)(-3,-2)T = 2 > 0 (正确) 此时，全部样本均被正确分类，算法结束，所得权向量a=(-4,5)T 。 2． 在线性感知算法中，试证明引入正余量b 以后的解区(a T y i ≥b)位于原来的解区之中(a T y i >0)，且与原解区边界之间的距离为b/||y i ||。 证明：设a*满足a T y i ≥b,则它一定也满足a T y i >0，所以引入余量后的解区位于原来的解区a T y i >0之中。 注意，a T y i ≥b 的解区的边界为a T y i =b,而a T y i >0的解区边界为a T y i =0。a T y i =b 与a T y i =0两个边界之间的距离为b/||y i ||。（因为a T y i =0过坐标原点，相关于坐标原点到a T y i =b 的距离。） 3． 试证明感知器准则函数正比于被错分样本到决策面的距离之和。 证明：感知器准则函数为： ()() T Y J ∈=-∑y a a y 决策面方程为a T y=0。当y 为错分样本时，有a T y ≤0。此时，错分样本到决策面的
模式识别-作业4
第五章作业： 作业一： 设有如下三类模式样本集ω1，ω2和ω3，其先验概率相等，求S w 和S b ω1：{(1 0)T , (2 0) T , (1 1) T } ω2：{(-1 0)T , (0 1) T , (-1 1) T } ω3：{(-1 -1)T , (0 -1) T , (0 -2) T } 答案： 由于三类样本集的先验概率相等，则概率均为1/3。 多类情况的类内散布矩阵，可写成各类的类内散布矩阵的先验概率的加权和，即： ∑∑=== --= c i i i T i i c i i w C m x m x E P S 1 1 }|))(({)(ωω 其中C i 是第i 类的协方差矩阵。 其中1m = ,2m = 则=++=321S w w w w S S S 1/3 + + = 类间散布矩阵常写成： T i i c i i b m m m m P S ))(()(001 --= ∑=ω 其中，m 0为多类模式（如共有c 类）分布的总体均值向量，即：
c i m P x E m i c i i i ,,2,1,,)(}{1 0K =?= =∑=ωω 0m = = 则 T i i c i i b m m m m P S ))(()(001 --= ∑=ω=++ = 作业二： 设有如下两类样本集，其出现的概率相等： ω1：{(0 0 0)T , (1 0 0) T , (1 0 1) T , (1 1 0) T } ω2：{(0 0 1)T , (0 1 0) T , (0 1 1) T , (1 1 1) T } 用K-L 变换，分别把特征空间维数降到二维和一维，并画出样本在该空间中的位置。 答案： =+=∑∑==i i N j j N j j x x m 1 21 1）4 1 4 1 （ 21 将所有这些样本的各分量都减去0.5，便可以将所有这些样本 的均值移到原点，即(0,0,0)点。 新得到的两类样本集为：
股票价值计算法
股票價值計算法 未來收益衡量市值 股票目前的市價是否偏低，應該用該股票未來的收益來衡量。例如，現在的股價是$40.00，股息是$0.30，但該公司二年後的物業完成，收益會增加，股息估計可以增至$0.60，以10%的資本還原率計算，$0.30經資本還原應是$30，而$0.60經資本還原後是$60。此股票現在市價只是$40.00，和它的將來價值$60.00相比，顯然是偏低了。 計算公式如下: Pv = 股票價值 D1= 第1年股息 D2= 第2年股息 n= n年股息 R = 資本還原率 著重未來價值 投資股票，著重它的未來價值，採用預測的股息，並加以資本還原。例如今後二年每年都有$0.60的股息，預測第3年起有$1.20，投資期是5年。假如資本還原率是10%，則，
預測未來股息，可以從其收益著手，例如航運公司手上有多少噸船，貨運費如何，都有資料可查，也就可以計算今天與去年的盈利相差多少。 如果收益一向平穩的公司，近一、二年突然顯著下降，要考慮它的收益下降，是否由於某種反常的情況，同時這種反常的情況，會不會已沒有再發生的可能。如果是肯定的，則在現時的市價，是有利的購買。 思考問題 1. 怎樣預測地產股的未來派息和盈利? 2．中華電力，第1年每季股息是$0.32，第2年的每季股息是$0.38，第3年的每季股息是$0.42，資本還原率是12%，投資期3年，計算其股票價值。 股市起跌的因素太多，也很難預測，因此產生了一些不理會任何因素，只按著原則，機械式地買入賣出的投資方法。 很多投資基金採用這些方法，獲得良好的報酬。 這種投資法，最常用的有四種。茲分別說明如下︰ 機械式投資法 1．分級投資法 分級投資法(Scale Plan)是在股票下降至某一水平，就買入若干股票，上升至某一水平，就賣出若干股票。
matlab实现实时获取股票数据
%stockget.m %该代码实现了从新浪提供的股票数据网站上实时抓取数据并且的功能 %%抓取网页信息 clc StockCode=300191;%股票代码 if(StockCode==999999) symbol=strcat('sh000001'); elseif(StockCode>=600000) symbol=strcat('sh',num2str(StockCode)); else symbol=strcat('sz',num2str(StockCode)); end url2Read=['https://www.wendangku.net/doc/a59834065.html,/list=',s ymbol];%新浪提供的股票数据地址，获取网页信息s=urlread(url2Read); result=textscan(s,'%s','delimiter', ','); result=result{1};
%% Name=cell2mat(result(1));%名称 Name=Name(22:end); date=result{31}; OpenPrice=str2double(result{2});%今日开盘价； time=result{32}; TPrice=str2double(result{4});%当前价格； HighPrice=str2double(result{5});%当前最高价格； LowPrice=str2double(result{6});%当前最低价格 Vol=str2double(result{9})/100;%成交量disp(['股票名称：',Name,'股票代码：',symbol,'日期：',date]); disp(['开盘价：',result{2}]); disp(['当前时间：',time]); disp(['当前价格：',result{4}]);
模式识别作业(全)
模式识别大作业 一．K均值聚类（必做，40分） 1.K均值聚类的基本思想以及K均值聚类过程的流程图； 2.利用K均值聚类对Iris数据进行分类，已知类别总数为3。给出具体的C语言代码， 并加注释。例如，对于每一个子函数，标注其主要作用，及其所用参数的意义，对程序中定义的一些主要变量，标注其意义； 3.给出函数调用关系图，并分析算法的时间复杂度； 4.给出程序运行结果，包括分类结果（只要给出相对应的数据的编号即可）以及循环 迭代的次数； 5.分析K均值聚类的优缺点。 二．贝叶斯分类（必做，40分） 1.什么是贝叶斯分类器，其分类的基本思想是什么； 2.两类情况下，贝叶斯分类器的判别函数是什么，如何计算得到其判别函数； 3.在Matlab下，利用mvnrnd()函数随机生成60个二维样本，分别属于两个类别（一 类30个样本点），将这些样本描绘在二维坐标系下，注意特征值取值控制在（-5，5）范围以内； 4.用样本的第一个特征作为分类依据将这60个样本进行分类，统计正确分类的百分 比，并在二维坐标系下将正确分类的样本点与错误分类的样本点用不同标志（正确分类的样本点用“O”，错误分类的样本点用“X”）画出来； 5.用样本的第二个特征作为分类依据将这60个样本再进行分类，统计正确分类的百分 比，并在二维坐标系下将正确分类的样本点与错误分类的样本点用不同标志画出来； 6.用样本的两个特征作为分类依据将这60个样本进行分类，统计正确分类的百分比， 并在二维坐标系下将正确分类的样本点与错误分类的样本点用不同标志画出来； 7.分析上述实验的结果。 8.60个随即样本是如何产生的的；给出上述三种情况下的两类均值、方差、协方差矩 阵以及判别函数； 三．特征选择（选作，15分） 1.经过K均值聚类后，Iris数据被分作3类。从这三类中各选择10个样本点； 2.通过特征选择将选出的30个样本点从4维降低为3维，并将它们在三维的坐标系中
实时股票数据接口大全
实时股票数据接口大全 时间：2009-05-30 15:16:58 类别：技术访问：32,553 views RSS 2.0评论 实时股票数据接口大全 股票数据的获取目前有如下两种方法可以获取: 1. http/javascript接口取数据 2. web-service接口 1.http/javascript接口取数据 1.1Sina股票数据接口 以大秦铁路（股票代码：601006）为例，如果要获取它的最新行情，只需访问新浪的股票数据 接口： https://www.wendangku.net/doc/a59834065.html,/list=sh601006 这个url会返回一串文本，例如： var hq_str_sh601006="大秦铁路, 27.55, 27.25, 26.91, 27.55, 26.20, 26.91, 26.92, 22114263, 589824680, 4695, 26.91, 57590, 26.90, 14700, 26.89, 14300, 26.88, 15100, 26.87, 3100, 26.92, 8900, 26.93, 14230, 26.94, 25150, 26.95, 15220, 26. 96, 2008-01-11, 15:05:32"; 这个字符串由许多数据拼接在一起，不同含义的数据用逗号隔开了，按照程序员的思路，顺序号从0开始。0：”大秦铁路”，股票名字； 1：”27.55″，今日开盘价； 2：”27.25″，昨日收盘价； 3：”26.91″，当前价格； 4：”27.55″，今日最高价； 5：”26.20″，今日最低价； 6：”26.91″，竞买价，即“买一”报价； 7：”26.92″，竞卖价，即“卖一”报价； 8：”22114263″，成交的股票数，由于股票交易以一百股为基本单位，所以在使用时，通常把该值除以一百； 9：”589824680″，成交金额，单位为“元”，为了一目了然，通常以“万元”为成交金额的单位，所以通常把该值除以一万； 10：”4695″，“买一”申请4695股，即47手； 11：”26.91″，“买一”报价； 12：”57590″，“买二” 13：”26.90″，“买二” 14：”14700″，“买三” 15：”26.89″，“买三” 16：”14300″，“买四” 17：”26.88″，“买四” 18：”15100″，“买五”
模式识别大作业
作业1 用身高和/或体重数据进行性别分类（一） 基本要求： 用FAMALE.TXT和MALE.TXT的数据作为训练样本集，建立Bayes分类器，用测试样本数据对该分类器进行测试。调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。 具体做法： 1．应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。在分类器设计时可以考察采用不同先验概率（如0.5对0.5, 0.75对0.25, 0.9对0.1等）进行实验，考察对决策规则和错误率的影响。 图1-先验概率0.5:0.5分布曲线图2-先验概率0.75:0.25分布曲线 图3--先验概率0.9:0.1分布曲线图4不同先验概率的曲线 有图可以看出先验概率对决策规则和错误率有很大的影响。 程序：bayesflq1.m和bayeszcx.m
关（在正态分布下一定独立），在正态分布假设下估计概率密度，建立最小错误率Bayes 分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。比较相关假设和不相关假设下结果的差异。在分类器设计时可以考察采用不同先验概率（如0.5 vs. 0.5, 0.75 vs. 0.25, 0.9 vs. 0.1等）进行实验，考察对决策和错误率的影响。 训练样本female来测试 图1先验概率0.5 vs. 0.5 图2先验概率0.75 vs. 0.25 图3先验概率0.9 vs. 0.1 图4不同先验概率 对测试样本1进行试验得图
股票数据
股票怎么看那些数据代表什么意思？ 从股票图表可以看出。 股票趋势图通常称为分时趋势图或实时趋势图。它是一种技术图，可在坐标图上实时显示股票交易信息。坐标的水平轴是打开时间。纵轴的上部是股票价格或指数，下部是交易量。分时趋势图是股票现场交易的实时信息。 分时趋势图分为指数分时趋势图和个别股票分时趋势图。 市场指数实时趋势图 1）白色曲线：是指股票市场的加权指数，是证券交易所每天发布的媒体经常说的实际市场指数。 2）黄色曲线：市场不包含加权指标，即市场指数是通过考虑所有股票对指数的相同影响而计算的，而不考虑股票盘的大小。 参照白色和黄色曲线的相互位置，我们可以看到：a）当市场指数上涨时，黄线高于白线，这意味着流通量较小的股票涨幅较大；相反，黄线低于白线，表示交易量小的股票落后于大盘股。B）当市场指数下跌时，黄线高于白线，这意味着小股票的跌幅小于大股票的跌幅；相反，小股票的跌幅大于大股票的跌幅。 3）红色和绿色条：黄色和白色曲线附近有红色和绿色条，它们反映了市场上所有股票的买卖比率。红色条的增长减少表示购买力增加或减少；绿色条的增长减少表示向下抛售的强度。 4）黄色栏：在红色和白色曲线的底部，用于指示每分钟的营业额。单位为手（每手等于100股）。
5）佣金买卖数：代表最高三级买卖所委托的所有股票的手数之和。 6）佣金比率值：是佣金销售数量与总金额之差的比率。当佣金比率为正数时，表示买方更强大，股票指数更可能上涨；当佣金比率为负数时，则表示卖方更强大，而股指更可能下跌。 个别股票的分时趋势图 1）白色曲线：股票的实时交易价格。 2）黄色曲线：表示该种股票实时交易的平均价格，即当天的总交易金额除以交易的股票总数。 3）黄色栏：在红色和白色曲线的底部，用于指示每分钟的交易量。 4）交易明细：交易明细显示在面板的右下方，显示动态价格和交易数量。 5）外部和内部交易：外部交易也称为主动购买，即交易价格在销售单价中的累计交易量；内部市场也称为主动卖出，即交易价格的累计交易量乘以购买单价。外部要约反映买方的意愿，内部要约反映卖方的意愿。
模式识别作业Homework#2
Homework #2 Note:In some problem (this is true for the entire quarter) you will need to make some assumptions since the problem statement may not fully specify the problem space. Make sure that you make reasonable assumptions and clearly state them. Work alone: You are expected to do your own work on all assignments; there are no group assignments in this course. You may (and are encouraged to) engage in general discussions with your classmates regarding the assignments, but specific details of a solution, including the solution itself, must always be your own work. Problem: In this problem we will investigate the importance of having the correct model for classification. Load file hw2.mat and open it in Matlab using command load hw2. Using command whos, you should see six array c1, c2, c3 and t1, t2, t3, each has size 500 by 2. Arrays c1, c2, c3 hold the training data, and arrays t1, t2, t3 hold the testing data. That is arrays c1, c2, c3 should be used to train your classifier, and arrays t1, t2, t3 should be used to test how the classifier performs on the data it hasn’t seen. Arrays c1 holds training data for the first class, c2 for the second class, c3 for the third class. Arrays t1, t2, t3 hold the test data, where the true class of data in t1, t2, t3 comes from the first, second, third classed respectively. Of course, array ci and ti were drawn from the same distribution for each i. Each training and testing example has 2 features. Thus all arrays are two dimensional, the number of rows is equal to the number of examples, and there are 2 columns, column 1 has the first feature, column 2 has the second feature. (a)Visualize the examples by using Matlab scatter command a plotting each class in different color. For example, for class 1 use scatter(c1(:,1),c1(:,2),’r’);. Other possible colors can be found by typing help plot. (b)From the scatter plot in (a), for which classes the multivariate normal distribution looks like a possible model, and for which classes it is grossly wrong? If you are not sure how to answer this part, do parts (c-d) first. (c)Suppose we make an erroneous assumption that all classed have multivariate normal Nμ. Compute the Maximum Likelihood estimates for the means and distributions()∑, covariance matrices (remember you have to do it separately for each class). Make sure you use only the training data; this is the data in arrays c1, c2, and c3. (d)You can visualize what the estimated distributions look like using Matlab contour(). Recall that the data should be denser along the smaller ellipse, because these are closer to the estimated mean. (e)Use the ML estimates from the step (c) to design the ML classifier (this is the Bayes classifier under zero-one loss function with equal priors). Thus we are assuming that priors are the same for each class. Now classify the test example (that is only those
股票交易系统数据库设计文档
案卷号 日期2015年12月 股票交易系统 数据库设计说明书 作者：曾鑫 完成日期： 签收人： 签收日期： 修改情况记录： 版本号修改批准人修改人安装日期签收人
目录 1 引言 (1) 1.1 编写目的 (1) 1.2 背景 (1) 1.3 定义 (2) 1.4 参考资料 (3) 2 外部设计 (3) 2.1 标识符和状态 (3) 2.2 使用它的程序 (4) 2.3 约定 (4) 2.4 专门指导 (5) 2.5 支持软件 (5) 3 结构设计 (6) 3.1 概念结构设计 (6) 3.2 逻辑结构设计 (7) 3.3 物理结构设计 (7) 4 运用设计 (10) 4.1 数据字典设计 (10) 4.2 安全保密设计 (10)
1 引言 1.1 编写目的 1.本数据库设计说明书是对股票交易数据库设计的定义，包括本系统数据逻辑结构设计、数据字典以及运行环境、安全保密设计等。 本数据库设计说明书适合以下读者： (1).用户 (2).系统设计人员 (3).系统开发人员 (4).系统测试人员 (5).系统维护人员 2.本数据库设计说明书是以下开发活动的依据之一： 系统详细设计 用户验收 3.本数据库设计说明书是根据系统需求分析所编写的。 4.本系统说明书为系统开发提供了一定的基础。 1.2 背景 开发的数据库的名称：oracle数据库11g版本 使用此数据库的软件系统的名称：Meclipse2014版本 该系统同其他系统或机构的基本相互往来关系：该系统基于360浏览器，版本为7.0及以上，支持Windows系列平台 项目任务提出者：安博教育集团 项目开发者：长江师范学院2013级软件服务外包1班曾鑫 用户范围：广大股民 安装软件和数据库单位：用户(安装软件)、服务器(安装数据库) 伴随着股民对买卖股票需求的增长，计算机、网络技术已渗透到每一个股民中。传统的在证券大厅进行股票交易方式已逐渐不能满足股民对方便进行股票交易的需求。在各大中小证券交易所中，用计算机管理、发布股价的信息已经越来越普遍了。用计算机不但可以提高股票交易效率，而且还节省了许多人力物力，增强了用户信息的安全性。提高了企业的管理金融资金能力，为此，用计算机来进行股票交易的运行，是非常必要的。
大盘个股走势顶底预测计算方法
博主美好的天空博客级别 https://www.wendangku.net/doc/a59834065.html,/meihao0123/bloglist_0_1.html 35级积分：27024分 访问：111205次 排名：4218名最新博文【中国股坛高手炒股不败63招】（第五十二招）关注“价量芝麻点”现象 【中国股坛高手炒股不败63招】第二十三招）短线看好“打桩巨阳” 简单易学k线图信号 【中国股坛高手炒股不败63招】第二十二招）追击ST 【中国股坛高手炒股不败63招】第二十一招）关注独一无二概念股 【中国股坛高手炒股不败63招】（第二十招）捕捉配股中的中短线机会 【中国股坛高手炒股不败63招】（第十九招）适时介入“轻松过头”个 【中国股坛高手炒股不败63招】（第十八招）果断介入“放量过头”个 【中国股坛高手炒股不败63招】（第十七招）回避高位巨量逃命长阳 【中国股坛高手炒股不败63招】（第十六招）警惕“不讲价钱的现价交易 推荐博文触底反弹或造就市场底梁祝怎样解读大盘尾市的快速反弹第六感觉周末不掉馅饼，长阳又成陷阱！林之鹤下周反弹目标位及操作方法悬湖丑石汇金会再度出手救市吗黄智华养老金入市谁说了算楚风投资大盘超跌反弹谁将引领热点展开陈晓阳股指猛烈反弹，谨慎不必恋战超级失败者硬着陆后是否真能“死地后生”？图锐财迷人气排行草根巴菲特58193股海上的灯塔26697李清远40846大道易简的博客35651宋公明28553赏月青衫28839大卫davy33747fbhm39673股道叶开26616首山35584字体大小: 小中大正文[转载]大盘个股走势顶底预测计算方法(2011-10-28 13:23(2011-11-04 10:34:09) 标签：预测计算方法大盘个股箱体最高点最低点 分类：默认分类 原文地址：大盘个股走势顶底预测计算方法作者：志在高远 大盘个股走势顶底预测计算方法一、箱体理论顶底预测法 1、前提条件：一个段盘整行情中，如果发现有这段行情有两个差不多高的头时，基本可以确认这是一个箱体。（主要针对M头式的调整）这种理论可以逐层预测后期上涨或下跌的空间！ 2、上涨行情，高低点运算代表符号：A：本轮调整行情的最高点，B：本轮调整行情最低点，C：前一轮调整行情最高点，D：前一轮调整行情最低点，F：未来有可能上涨或下跌的空间大概点位。 3、上涨行情，第1－3目标位的预测公式：后市上涨收盘价大于本轮调整行情的最高点后.第一目标价是本轮调整行情的最高点与本轮调整行情最低点之间的差加上本轮调整行情的最高点之和。(A—B）+ A = F第二目标价是这轮调整行情的最高点与前一轮调整行情最高点之间的差加上本轮调整行情的最高点之和。(A—C）+ A = F 第三目标价是这轮调整行情的最高点与前一轮调整行情最低点之间的差加上本轮调整行情的最高点之和。(A—D）+ A = F 第三目标位一般是一轮的极限位！4、下跌行情，高低点运算代表符号：A：本轮调整行情的最高点，B：本轮调整行情最低点，C：前一轮调整行情最高点，D：前一轮调整行情的最低点，F：未来有可能上涨的空间大概点位。5、下跌行情，第1－3目标位的预
股票实时数据接口说明
Posted on 2010-11-15 17:08 linFen阅读(27480) 评论(2) 编辑收藏 股票数据的获取目前有如下两种方法可以获取: 1. http/javascript接口取数据 2. web-service接口 1.http/javascript接口取数据 1.1Sina股票数据接口 以大秦铁路（股票代码：601006）为例，如果要获取它的最新行情，只需访问新浪的股票数据 接口： 这个url会返回一串文本，例如： var hq_str_sh601006="大秦铁路, 27.55, 27.25, 26.91, 27.55, 26.20, 26.91, 26.92, , 0, 4695, 26.91, 57590, 26.90, 14700, 26.89, 14300, 26.88, 15100, 26.87, 3100, 26.92, 8900, 26.93, 14230, 26.94, 25150, 26.95, 15220, 26.96, 2008-01-11, 15:05:32"; 这个字符串由许多数据拼接在一起，不同含义的数据用逗号隔开了，按照程序员的思路，顺序号从0开始。 0：”大秦铁路”，股票名字； 1：”27.55″，今日开盘价； 2：”27.25″，昨日收盘价； 3：”26.91″，当前价格； 4：”27.55″，今日最高价； 5：”26.20″，今日最低价； 6：”26.91″，竞买价，即“买一”报价； 7：”26.92″，竞卖价，即“卖一”报价； 8：”″，成交的股票数，由于股票交易以一百股为基本单位，所以在使用时，通常把该值除以一百； 9：”0″，成交金额，单位为“元”，为了一目了然，通常以“万元”为成交金额的单位，所以通常把该值除以一万； 10：”4695″，“买一”申请4695股，即47手； 11：”26.91″，“买一”报价； 12：”57590″，“买二” 13：”26.90″，“买二” 14：”14700″，“买三” 15：”26.89″，“买三” 16：”14300″，“买四” 17：”26.88″，“买四” 18：”15100″，“买五” 19：”26.87″，“买五” 20：”3100″，“卖一”申报3100股，即31手； 21：”26.92″，“卖一”报价 (22, 23), (24, 25), (26,27), (28, 29)分别为“卖二”至“卖四的情况” 30：”2008-01-11″，日期； 31：”15:05:32″，时间； 一个简单的JavaScript应用例子: script type="text/javascript" src="" charset="gb2312">/script> /javascript"> var elements=hq_str_sh601006.split(","); document.write("current price:"+elements[3]); 这段代码输出大秦铁路（股票代码：601006）的当前股价 current price:14.20 如果你要同时查询多个股票，那么在URL最后加上一个逗号，再加上股票代码就可以了；比如你要一次查询大秦铁路（601006）和大同煤业（601001）的行情，就这样使用URL：,sh601001 查询大盘指数，比如查询上证综合指数（000001）： _sh000001 服务器返回的数据为： var hq_str_s_sh000001="上证指数,3094.668,-128.073,-3.97,436653,5458126"; 数据含义分别为：指数名称，当前点数，当前价格，涨跌率，成交量（手），成交额（万元）； 查询深圳成指数： _sz399001 对于股票的K线图，日线图等的获取可以通过请求…./…/*.gif此URL获取，其中*代表股票代码，详见如下： 查看日K线图： /daily/n/sh601006.gif