股票指标归一化方法

Ⅰ 如何编写股票技术指标

不同的股票软件编写方法不太一样~要具体分析。当然不管哪种我都不精专通，可能帮不到你。属

但是说句打击你的话。你真的认为指标可以指引方向么？现在的指标比较有突出的成功率的都是建立在资料来源的优势上，比如原先的赢富，是建立在别人没有的买卖记录上，level2是建立在详细的买卖资料上，并不是因为他们的编写的逻辑性有多高，分析能力有多强。你真的觉得指标可以指引股票交易么？我很怀疑。就最近的医药股涨停，根本就是猪流感引起的爆炒~指标不能指引吧？昨天银行股的大涨，是因为消息的刺激。估计指标也没有啥指引性。
如果用现在大家一般能得到的资料来分析。指标可以指引也就是量价而已。这种指标很多。而且基本能用的都用了，基本快速反应失误率高。反应慢的容易错过最佳买入时机。而且最重要的是，在盘整的时候都容易失去作用~。
我总认为凭技术指标炒股是最低层次，要不你有钱坐庄，要不你有快人一步的内部消息，要不你对经济把握比较准确。凭指标判断~总是不好，至少我认识的很少凭指标赚钱的~ 仁者见仁智者见智。有时间希望多交流。

Ⅱ 怎样把股票指标复原成K线

恢复方法： 鼠标移到K线图空处,点右键,删除五彩K线即可。
K线图（Candlestick Charts）又称蜡烛图、日本线、阴阳线、棒线、红黑线等，常用说法是“K线”。它是以每个分析周期的开盘价、最高价、最低价和收盘价绘制而成。
K线图是技术分析的一种，最早日本人于十九世纪所创，起源于日本十八世纪德川幕府时代（1603～1867年）的米市交易，用来计算米价每天的涨跌，被当时日本米市的商人用来记录米市的行情与价格波动，包括开市价、收市价、最高价及最低价，阳烛代表当日升市，阴烛代表跌市。这种图表分析法在当时的中国以至整个东南亚地区均尤为流行。由于用这种方法绘制出来的图表形状颇似一根根蜡烛，加上这些蜡烛有黑白之分，因而也叫阴阳线图表。通过K线图，人们能够把每日或某一周期的市况表现完全记录下来，股价经过一段时间的盘档后，在图上即形成一种特殊区域或形态，不同的形态显示出不同意义。可以从这些形态的变化中摸索出一些有规律的东西出来 。K线图形态可分为反转形态、整理形态及缺口和趋向线等。后K线图因其细腻独到的标画方式而被引入到股市及期货市场。股市及期货市场中的K线图的画法包含四个数据，即开盘价、最高价、最低价、收盘价，所有的k线都是围绕这四个数据展开，反映大势的状况和价格信息。如果把每日的K线图放在一张纸上，就能得到日K线图，同样也可画出周K线图、月K线图。

Ⅲ 定性指标与定量指标的归一化的方法主要有哪些

一、直线型无量纲化方法：又包括阀值法、指数法、标准化方法、比重法。二、折线型无量纲化方法：凸折线型法、凹折线型法、三折线型法。三、曲线型无量纲化方法 。目前常见的无量纲化处理方法主要有极值化、标准化、均值化以及标准差化方法,而最常使用的是标准化方法。但标准化方法处理后的各指标均值都为0,标准差都为1,它只反映了各指标之间的相互影响,在无量纲化的同时也抹杀了各指标之间变异程度上的差异,因此,标准化方法并不适用于多指标的综合评价中。而经过均值化方法处理的各指标数据构成的协方差矩阵既可以反映原始数据中各指标变异程度上的差异,也包含各指标相互影响程度差异的信息。四、数据标准化的方法： 1、对变量的离差标准化离差标准化是将某变量中的观察值减去该变量的最小值，然后除以该变量的极差。即x’ik＝[xik －Min (xk)]／Rk经过离差标准化后，各种变量的观察值的数值范围都将在〔0，1〕之间，并且经标准化的数据都是没有单位的纯数量。离差标准化是消除量纲（单位）影响和变异大小因素的影响的最简单的方法。 有一些关系系数（例如绝对值指数尺度）在定义时就已经要求对数据进行离差标准化，但有些关系系数的计算公式却没有这样要求，当选用这类关系系数前，不妨先对数据进行标准化，看看分析的结果是否为有意义的变化。2，对变量的标准差标准化标准差标准化是将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即x’ik ＝ (xik － )／sk经过标准差标准化后，各变量将有约一半观察值的数值小于0，另一半观察值的数值大于0，变量的平均数为0，标准差为1。经标准化的数据都是没有单位的纯数量。对变量进行的标准差标准化可以消除量纲（单位）影响和变量自身变异的影响。但有人认为经过这种标准化后，原来数值较大的的观察值对分类结果的影响仍然占明显的优势，应该进一步消除大小因子的影响。尽管如此，它还是当前用得最多的数据标准化方法。3，先对事例进行标准差标准化，再对变量进行标准差标准化第一步，先对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。即x’ik ＝ (xik － )／si第二步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即x’’ik ＝ (x’ik － ’k)／s’k使用这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。4，先对变量、后对事例、再对变量的标准差标准化这种标准化的目的也在于消除性状间的量纲（单位）影响和变异大小因子的影响，使性状间具有可比性。具体做法是：第一步，先对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即x’ik ＝ (xik － )／sk第二步，后对事例进行标准差标准化，即将某事例中的观察值减去该事例的平均数，然后除以该事例的标准差。即x’’ik ＝ (x’ik － ’i)／s’i第三步，再对变量进行标准差标准化，即将某变量中的观察值减去该变量的平均数，然后除以该变量的标准差。即x’’’ik ＝ (x’’ik － ’’k)／s’’k进行了前两步之后，还要进行第三步的原因，主要是为了计算的方便。

Ⅳ 股票技术分析：adx指标常用的方法有哪些

adx指标，英文全称：Average Directional Index 或者Average Directional Movement Index。在国内投资市场比较少用，但是在股票技术分析中判断标判断盘整、振荡和单边趋势时还是经常用到的。

adx指标使用方法：
1.惟有ADX评级偏高的证券才适合采用顺势交易的系统。ADX读数是反映趋向变动的程度，而不是方向的本身。

2.进场与出场是采用+DI14与-DI14的穿越信号。
3.当极端点交易法则生效时，法则2将有例外。当DI发生穿越信号时，取当天的极端点做为止损点;换言之，多头头寸取当天的低价为止损点，空头头寸取当天的高价。在随后的几之内，如果止损点未被触及，即使DI再发生穿越信号也不需理会。

4.当ADX的位置高于两条DI而方向发生改变，这是趋势反转的早期信号，可以做部份的获利了结。最后的平仓信号是来自于DI穿越或极端点的止损被引发。当ADX改变方向时，如果+DI14高于-DI14，这代表趋势的变动是由上亦下，反之亦然。

5.如果ADX高于两条DI，而且读数明显偏高，这代表既有的趋势已经持续一段时间。这并不是建立新头寸的理想时机，因场信号很可能反复。换言之，ADX的读数偏高，相当于是超买/超卖，顺势的新交易头寸通常很难获利。

6.如果ADX同时低于两条DI，避免采用顺势交易的系统，因为市场中没有明显的趋势。
7.如果ADX的读数低于20~25，不论它与两条DI的相对位置如何，都避免采用顺势交易的系统，因为市场中没有明显的趋势。

简单概述，详细的可参阅下有关方面的书籍系统的学习一下，同时用个模拟盘去练练，这可快速有效的掌握技巧，目前的牛股宝模拟炒股还不错，里面许多的功能足够分析大盘与个股，使用起来有一定的帮助，愿能帮助到您，祝投资愉快！

Ⅳ 数据归一化方法对比

地下水功能评价的要素指标多达30组项，彼此相互联系、相互补充，又具有层次性和结构性，是一个有机整体。但是，30多个要素指标中，类型多样，既有渐变规律的点源监测数据，又有斑块状高度均化的区片统计数据，还有通过地下水资源评价获取的分区成果数据，以及不连续、不全、无规律的数据。既有反映单一变量数据，又有抽象或相关分析数据，例如“比率”和“关联度”等。如何使这些复杂的数据服务于地下水功能评价，反映地下水功能及不同次属性的时空特征或状况，既要容纳较齐全的信息量，又要求最大限度地降低重叠度和减小混沌度，同时还要明显地反映出不同层次的状况等级特征，反映地下水的资源、生态、环境功能方面的30个指标量纲不一致，反映问题的角度不同。为使这些指标之间具有可比性，从而完整地组合到一起，实现对研究区各功能和属性较准确地描述或表达，唯一办法是将不同单位表示的指标作无量纲化处理，同时还不能改变原指标的数据排序和等级关系，保证变量的信息不失真。因此，需要对所有指标归一化［0，1］的标准化处理。

指标无量纲、归一化的方法很多，各有其特点。哪一种方法适宜地下水功能评价的数据归一化，这是一个需要重视的问题，否则会影响最终的评价结果。本节通过对不同类型的数据采用不用方法对比和分析，确定了比较适宜地下水功能评价数据最后合适的标准化方法。

（一）数据状况

地下水功能评价与区划指标体系是针对我国北方地区。在西北、华北或东北不同地区开展地下水功能评价与区划，需要根据工作区实际情况从34个指标选取或增补。包括地下水的补给资源占有率、储存资源占有率、可利用资源占有率、补储更新率、补给可用率、补采平衡率、降水补给率、水位变差补给比、水位变差开采比、水位变差降水比、可采资源模数、可用储量模数、资源质量指数、资源开采程度、天然植被变化与地下水关联度、绿洲变化与地下水关联度、土地盐渍化与地下水关联度、土地质量与地下水关联度、地面沉降与地下水关联度、海咸侵与地下水关联度、地下水质量与地下水关联度和地下水补给变率与水位变差比。涉及包含的变量有区内获取补给资源模数、储存资源模数、可动用地下水储存资源量、近5～12年年均开采量、近5～12年年均水位变差、近5～12年年均降水量、地面沉降量、实际开采量、天然植被变化（面积或其他指标）、绿洲变化（覆盖率或其他指标）、土地盐渍化程度情况和地下水质量等级共12组。

根据上述变量的表达形式，分为“数值型”和“非数值型”两类指标。“数值型”指标是具体的数据，“非数值型”是相对等级的指标。“数值型”指标能够直接代入“标准化公式”进行运算，然后比较和验证，“非数值型”指标只能凭借专家意见给出评分。

（二）标准化计算公式

1.统计标准化法

这是广泛使用的方法，公式为

区域地下水功能可持续性评价理论与方法研究

式中：Z_i为标准化后数值；X_i为原始数据；

为X_i的均值；S为标准差。

2.极值标准化法

极值标准化方法是将一列数据的最小值和最大值作为［0，1］的界限值，然后通过式（5-2）转换，使该列所有数据转变成［0，1］之间数据，并保持原有的位置和相对大小等级特征。

区域地下水功能可持续性评价理论与方法研究

式中：min（X_i）和max（X_i）分别为指标X_i的最大值和最小值，其他同前。

3.定基转化法

定基转化法是一种比较简单的归一化方法，它采用最大值作为基值，通过式（5-3）公式将所有数据转化为［0，1］之间的数据。

区域地下水功能可持续性评价理论与方法研究

式中：X₀是用于比较的基准值，其他同前。

4.环基转换法

环基转化法适合于处理指数型序列数据的归一化问题，计算公式为

区域地下水功能可持续性评价理论与方法研究

式中：X_i，X_i-1为原始数据，其他同前。

5.极值标准化修正法

极值标准化修正法是一种相对复杂的归一化方法，它需要求解a，b两个系数，主要优点是避免了“0”的出现。

计算公式为

区域地下水功能可持续性评价理论与方法研究

式中：a，b为一组数据的率定系数，不同组数据的系数各不相同。其他同前。

（三）各种方法对比与分析

归一化方法选用的是否合适，影响到确定指标的标准化数据的区间分布，进而影响到指标的等级划分。通过对式（5-1）至式（5-5）的适用范围和特点对比与分析，认为式（5-1）和式（5-4）不适宜地下水功能评价基础数据的归一化处理。

1.不适宜公式及依据

（1）排除式（5-1）的原因

考虑到多元指标的比较和指标等级划分，归一化后的数据要求介于［0，1］之间，同时还要求标准化后的数据的离散程度或等级不应出现本质性改变。而式（5-1）处理的数据不都在［0，1］间，而且还有负值（表5-15）。因此，式（5-1）被排除。

表5-15 利用统计标准化处理的单元沉降量数据结果

续表

（2）排除式（5-4）的原因

式（5-4）适合于构造时间序列指数的数据归一化处理，不适宜地下水功能所用的各种数据。

2.三类数据比较选择最佳公式

数据标准化方法有多种，包括统计标准化、极值标准化、定基转换、环比转化和修正极值标准化方法。根据上述公式的适用范围，排除统计标准化和环比转化公式。下面采用三类数据对极值标准化、定基转换和修正极值标准化公式进行验证和筛选分析，以期从中选择适合公式。

第三类数据为分类数据，没有具体数值，也就不可能代入公式进行检验和比较，此类变量直接根据专家组打分，在［0，1］之间赋值，然后划分到各等级。在这里重点对第一类和第二类数据进行验证和比较。

（1）利用剖分单元前数据的规律性分析结果

采用频数直方图法对在华北平原地下水功能评价示范研究中所用的10组D层要素指标数据（每组数据5645个）进行规律性分析，其中横轴表示数据的分组，纵轴表示频数。为了观察数据分布的特征和规律，应保持组数和组距的等距，避免数据分布过于集中或分散。

调整的方法是利用Sturges提出的公式，确定组数（K）和组距（K=1+lgn/lg2，n为数据的个数；组距=［最大值-最小值］/组数）。

调整步骤如下：

A.确定组数

组数的多少，一般与数据本身特点及数据多少有关。实际分组时，应按照Sturges公式确定组数。在此基础上，为避免出现部分组距间没有数据分布的局限，可作适当调整。

B.确定组距

根据全部数据的最大值和最小值及数据组数，确定组距。为了便于计算，组距应取整数。

依照上述步骤，绘制10组单元数据的频数直方图，如图5-9所示。

对比结果，8组直方图形状各不相同，差别较大，组距的数据变化明显。这表明地下水功能评价所用基础数据难以取得统一性规律。

图5-9 实际资料频数直方图

（2）按数据空间分布特征分类

在地下水功能评价中所有变量划分为两类：数值型数据和分类型数据。数值型数据通过标准化量化为评价所需要的数据，分类型数据没有具体数据表达，量化评价时由专家组根据经验在指标等级［0，1］区间直接赋值。示范研究过程中收集的资料有两种形式，即图件或源数据，图件如资源分布图、开采强度分布图、给水度分布图、水位变差图等，都是根据实际观测或调查的第一手数据资料绘制，在利用Excel绘制数据变化曲线时，需要反过来从图件中提取数据。以源数据形式存在的则直接应用，查找不同变量的规律性。

数值型数据是否具有同样的空间分布规律，能否可以根据资料数据再详细分类，究竟单元剖分前数据有规律，还是剖分后数据有规律，或者两者的数据分布都由一致的规律性，下面进一步分析。

A.利用单元剖分后数据找寻分布规律

在没有确定采用何种归一化方法之前，先总结10组变量的剖分单元数据分布规律，对其进行分类。通过数据分组后形成的频数分布表，初步寻找数据分布的一些特征和规律。为了探讨地下水功能区划多元指标之间的关系难题，首先基于单元水体的各变量之间的关系，提供单元系统的各“比率”、“关联度”以及某些单一指标数据。在考虑研究区面积大小的条件下，把整个研究区划分为5645个单元。因此，本次工作中首先绘制单元剖分后10组指标数据（每组数据5645个）的频数直方图，绘图时横轴表示数据分组，纵轴表示频数，为了观察数据分布的特征和规律，注意调整组数和组距（组距等距），不使数据分布得过于集中和分散。调整每一个直方图的组数和组距，在满足所有变量都在图中显示、每一组距都有数据的基础上，确定直方图最后的分布形状。Sturges提出的公式给出确定组数K（K=1+lgn/lg2，n为数据的个数）和组距（组距=（最大值-最小值）/组数）的经验，步骤如下：①确定组数。组数的多少一般与数据本身的特点及数据的多少有关。实际分组时按照公式确定组数，在此基础上为消除部分组距之间没有数据分布的影响，作了适当调整。②确定各组的组距。组距的确定根据全部数据的最大值和最小值及所分的组数来确定，为便于计算，组距取整数。依照上述步骤，绘制了剖分单元的10组变量频数直方图（图5-9），图5-9中曲线为GAUSS曲线，似乎变化趋势一致，观察和比较后发现8组变量的直方图形状各自都不相同，而且差别很大，直方图错落变化，组距中的数据变化大起大落。因此，单元剖分后的数据整理后利用频数直方图不能发现不同指标之间的规律。没有规律可言，也就无法进行分类，而且直方图调整到什么形状最为合理是个模糊概念。所以，利用剖分后数据对评价指标变量进行分类不可行。

B.利用单元剖分前数据找寻规律

项目研究过程中收集的资料图件，如资源分布图、开采强度分布图、给水度分布图、水位变差图等的表达形式只有两种：分区或等值线，现在反过来从图件提取数据，利用不同变量剖分前数据变化情况，查找不同变量的规律性。

指标变量剖分前数据分散性较强且量小，可以通过利用Excel软件分析数据点的分布特征来探究其中的分布规律。根据评价指标所受外界驱动力的来源不同，从评价体系的34个指标中，分别选取了受自然因素影响的典型指标，如晚更新世底板埋深、给水度和降水量，受人类活动驱动的指标，如开采强度、开采资源模数，还选取了受自然和人类综合因素影响的指标，如资源分布图、浅层地下水变差，囊括了地下水功能评价指标体系中的34个指标所受外界影响的三种类型。

这三种类型数据利用Excel绘制的效果图如图5-10所示。其中，资源分布图、晚更新世底板埋深、浅层地下水变差和给水度分布图数据几乎呈直线分布，而开采强度、降水量和开采资源模数数据趋势线转折点较多，弯曲变化很明显。主要原因是由于地层岩性从山前到中部平原依次为卵砾石、粗砂、细砂、粉砂，砂层厚度逐渐变薄。前一类数据的资源分布主要与砂层厚度和岩性有关。给水度数据主要受岩性、水文地质条件、地层埋藏条件等影响，曲线表现比较平缓。而浅层地下水变差虽然受开采的影响，但人为规定的数据变化等值线为等间距，所以数据变化趋势也呈直线。此类数据划为第一类变量数据。第二类数据中的开采强度和开采资源模数是描述与人类活动有关的数据，受自然条件、经济发展、文明程度、社会水平等综合因素的影响，数据变化没有规律性。降水量数据虽然只是受到自然条件影响，但项目组在整理现状资料时，只是收集到各县的年平均降水量资料。而各县在测降水量时程序、步骤、器材和观测人员认真程度不一样，所以即使邻县有的降水量数据也相差很多，表现在变化曲线上就为折线，弯曲点很多。因此，把受人为因素影响占主导的数据归为第二类变量。如果收集到的降水量资料为整个研究区的降水量分布图，表现形式为降水量等值线或降水量分区图，此时可以把降水量指标划归为第一类变量数据。

在下面数据变化趋势中只罗列了34组变量中的7组典型数值型变量，还有地下水质量分布、土壤盐渍化程度分区、矿化度分布等变量数据没有绘制数据变化曲线。这类变量为分类数据，只是划分等级，没有具体的数据表示。例如地下水质量分布按照国家地下水质量标准划分为Ⅰ，Ⅱ，Ⅲ，Ⅳ和Ⅴ级，土壤盐渍化分区划分为极重度盐渍化、重度盐渍化、中度盐渍化和轻度盐渍化，地下水矿化度分布按照1g/L，1～3g/L，3～5g/L，﹥5g/L划分为淡水、半咸水、微咸水和咸水四类。此类分类数据划分为第三类变量。在地下水功能评价指标体系中还有一些变量属于分类数据，如土地沙化状况、土地质量（综合指标）等，也都划归为第三类变量数据。

综上所述，地下水功能评价与指标体系的指标变量数据分为三类数据：第一类为主要受自然影响的自然变化规律数据，第二类为主要受人类活动影响的变量数据，第三类为分类变量数据。

图5-10 地下水功能评价中指标的原始数据分析

所以，按数据空间分布特征将各类数据划分为连续渐变型数字数据（即规律性数据，记作CR类数据）、非规律性数字数据（记作NR类数据）和非数字性的定性数据（记作NF类数据）三类。

（3）利用单元剖分前数据规律性分析结果

地下水功能评价所用基础数据，主要有三类：第一类是主要受自然因素影响而呈现规律性变化数据，如降水量；第二类为主要受人类活动影响而呈现规律性变化数据，如开采量；第三类属于相对定性、依靠专家评价的数据，如地下水质量等级的数据。

对于上述三类数据，应用式（5-2）、（5-3）和（5-5）对比与分析，首先确定第三类数据只能依靠专家评分，建立［0，1］间值，直接进入单元数据库参加评价。对于第一类数据和第二类数据的分析结果，如下面所述。

A.第一类数据分析结果

采用极值标准化公式（5-2）：采用该方法标准化处理第一类数据之前，首先要采用递增或递减序列模式对原始数据进行排序（表5-16），尽量采用一种方法处理各组数据的排列，便于标准化后各组数据的比较。

从表5-16可见，利用式（5-2）标准化处理的第一类数据，其特点是：所有数据组的第一个数据都是“1”，最后一个数据都是“0”，中间数据逐渐过渡，而且所有数据都归［0，1］间，基本符合地下水功能评价的技术要求。主要缺点是不管哪一组的第一个数据在该组中处于何种等级或重要性，都被归一化“1”，成为“强”级；同理，各组的最后一个数据都被归一化“0”，成为“弱”级。这样处理，不利于区域性之间成果对比，也难以合理调整评价平台的基数。

表5-16 利用极值标准化法处理第一类数据的结果

采用定基转换公式（5-3）：采用该方法进行数据标准化，最重要的是每一组变量基准值的确定。表5-17为四组变量定基标准化处理后数据，其中所有变量的基准值都采用本系列的最大值。该方法的优点是所有数据标准化后全部集中在［0，1］之间，每组变量系列对应数据的顺序没有改变。基准值在取每组变量系列最大值的基础上，公式（5-3）既承接了公式（5-2）简捷、快速的特点，又没有使数据失真，尤其利用式（5-3）标准化处理后的数据，摆脱了在最小值区域出现大片“0”的问题。缺点是①基准值难以选取。处理相同问题，考虑的角度不同，采用的基准值就不同，由此定基标准转化后的数据反映到综合评价指数中就会得到不同的R值。②最小值没有确定性，数据分布区间不一致。在示范效验时，每组变量的基准值都采用变量系列中的最大值，这样，标准化后数据系列的最大封闭值都为1，最小值由本系列数据的最小数据决定，大小不一，易出现偏态现象。例如补给资源占有率的最小值就为0.334，在（0，0.334）之间没有数据过渡，难以克服原数据高度集中的局限性。另外，不同组的基准值无法统一。

采用式（5-3）标准化处理第一类数据的结果，如表5-17所示。

表5-17 利用定基转换法标准化处理第一类数据的结果

采用修正极值标准化公式（5-5）：采用该方法对变量数据标准化处理，可以克服上述几种方法存在的问题，而且也不会出现最小值区域大片“0”问题（表5-18）。如果原始数据确实为“0”，标准化后数据也不会违背真实性，仍然为“0”，这种线性变换没有使原数据组性质发生质变，从而保证信息表达的真实客观性，同时修正了公式（5-2）的不足。相对于公式（5-3），该公式摆脱了基准值选取的不确定性，不会因基准值取值不同，得出不同的结果，而且，a，b值的求取简便、快捷，没有增加太大的工作量。所有变量标准化后都收敛到［0.99，0.01］区间，数据分布合理、有序，没有数据堆积和偏态现象，便于比较。这种线性变换没有使变量产生性质上的变形，从而保证信息没有失真，提供给上一级属性层合理真实信息，为属性层综合评价指数的计算结果提供准确的评价参数。

表5-18 利用式修正极值法标准化处理第一类数据的结果

a，b值的取值方法如下，对于地下水的补给资源变量，最大值为35，最小值为2.5，根据修正归一化公式，建立对应方程组：

区域地下水功能可持续性评价理论与方法研究

解此方程组得出a，b值分别为1.15和5.74。依次类推，其他变量都可轻松得到a，b值。

B.第二类数据分析结果

采用极值标准化公式（5-2）对第二类数据标准化处理的结果，如表5-19所示，结论与第一类数据标准后情况相同。

表5-19 利用极值标准化处理第二类数据的结果

续表

采用定基转换公式（5-3）标准化处理第二类数据的结果，如表5-20所示，结论与第一类数据标准后情况基本相同。

表5-20 利用定基转换标准化处理第二类数据的结果

采用修正极值标准化公式（5-5）处理第二类数据的结果，如表5-21所示，结论与第一类数据标准后情况基本相同。

表5-21 利用修正极值标准化处理第二类数据的结果

通过上述利用不同公式对不同数组标准化的对比与分析，可获得如下几点认识：

1）式（5-1）和式（5-4）转化功能及其转化后的数据都不适宜地下水功能评价的数据标准化处理，式（5-2）、式（5-3）和式（5-5）具有可用性，各有优缺点。

2）采用式（5-2）标准化，在第一类和第二类数据中都出现“0”现象，容易造成最小值全部为“0”的现象，难以区别原始数据为“0”的客观存在，因此，该法在地下水功能评价中应慎用或不用。

3）采用式（5-3）虽然可以排除“0”问题，但是“基准值”难统一，随意性较大，而且若“基准值”选取不合理，容易发生数据偏向堆积问题，所以该法也不宜在地下水功能评价中应用。

4）采用式（5-5）能够同时避免式（5-2）和（5-3）的不足，即最小值皆为“0”问题，也不会造成原始数据为“0”而标准化后非“0”问题，因此，式（5-5）可作为地下水功能评价基础数据归一化处理的首选公式。

Ⅵ 股票指标纯化是什么意思

股票指标钝化是交易技术分析术语，意为技术指标形态发生粘结，导致该指标失去指示意义。

通常较引人注目的是指标高位钝化和指标低位钝化，但所谓高位低位只是相对而言，并无绝对衡量标准，更普遍的，在平衡状态也会发生指标形态的粘结，致使指标失效（某些观点可能不认同平衡态粘结为“钝化”，但这仅是名称定义的分歧，对分析和操作并无影响）。

一般情况下，只有短线指标会出现钝化，例如RSI指标、KDJ指标、威廉指标等。短线指标出现钝化以后就失去参考价值，投资者就没有必要继续运用它了。在进行操作的时候，可以参考中长线指标进行买卖。

(6)股票指标归一化方法扩展阅读：

随机指标即KDJ指标。

该指标适用于中短期股票的技术分析。KD线的随机观念，远比移动平均线实用。移动平均线在习惯上只以收盘价来计算，因而无法表现出一段行情的真正波幅的。换句话说，当日或当前数日的最高价、最低价，无法在移动平均线上体现。

随机指标在图表上采用%K和%D两条线，在设计中综合了动量观念、强弱指标与移动平均线的优点，在计算过程中主要研究高低价位与收市价的关系，反映价格走势的强弱和超买超卖现象。它的主要理论依据是：当价格上涨时，收市价倾向于接近当日价格区间的上端。

相反，在下降趋势中收市价趋向于接近当日价格区间的下端。在股市和期市中，因为市场趋势上升而未转向前，每日多数都会偏向于高价位收市，而下跌时收市价就常会偏于低位。随机指数在设计中充分考虑价格波动的随机振幅与中短期波动的测算。

Ⅶ 股票技术指标分析 高手进来

不属于小阴小阳 只看这图后市无法分析

Ⅷ 股票软件的公式、指标的未来函数是什么意思

关于“未来函数”问题的探讨
很多人使用指标公式，不知有“未来函数”，更有人一提到“未来函数”就谈虎色变，大骂“未来函数”之害，这都是不正确的。要弄懂“未来函数”的本质，必须知其然并知其所以然，下面从五个方面进行探讨。
一、什么是“未来函数”
所谓“未来函数”，是指可能引用未来数据的函数，即引用或利用当时还没有发生的数据对之前发出的判断进行修正的函数。具体地说，就是本周期结束后显示的指标值，包括线段和买卖提示信号，可能在以后发生新的数据后改变位置或消失。
通俗地讲，含有不确定性判断的指标公式，就是含“未来函数”的指标公式。含有未来数据指标的基本特征是买卖信号不确定，常常是某日发出了买入或卖出信号（线段的转折点与此同理），第二天如果继续下跌或上涨，则该信号消失，并在明天新的位置标示出来。
二、含有未来函数公式的种类
（一）以之字转向为代表的ZIG类函数。我们最常见到和经常提到的多指此类。
1、ZIG（K，N）之字转向。
当价格变化量超过N%时转向。K表示 0:开盘价；1：最高价；2：最低价；3：收盘价
例如：ZIG(3,5)表示收盘价的5%的ZIG转向 。
2、PEAK（K，N，M）向前数前M个ZIG转向波峰值。（以下用法略。点击软件中相应的函数时，下面有提示或用法）
3、PEAKBARS（K，N，M）前M个ZIG转向波峰到当前距离。
4、TROUGH（K，N，M）前M个ZIG转向波谷值。
5、TROUGHBARS（K，N，M）前M个ZIG转向波谷到当前距离。
6、FLATZIG、FLATZIGA、PEAKA、PEAKBARSA、TROUGHA、ZIGA等等都属于此类未来函数。
（二）准未来函数。
这部分函数存在引用未来数据的问题，但不如上述函数明显，有些目前争议较大。
1、FFT(X,N)、傅立叶变换。对序列X进行傅立叶变换或变换处理后反变换。
2、BACKSET(X,N)、向前赋值。若X非0,则将当前位置到N周期前的数值设为1。
3、WINNER、LWINNER等获利盘比例类的和COST也有未来函数的性质，有时可使信号产生漂移。
（三）使用跨周期数据。
这是一种最为隐弊的方法，它的危害性更大。例如在日线中引用本周周线或本月月线数据时，就会造成本周或本月股价上涨时则信号成功；如果股价下跌，则信号自动消失。用公式检测的办法测试不出来。我们经常见到的用KD月、周、日同时金叉进行选股，就属于此类，看起来成功率很高，实际是虚假的。
（四）指定买卖日期或买卖价格。
一般多发生在交易系统里。比如指定最低价买入，最高价卖出，或指定涨跌幅度，这些在交易过程中是无法实现的，所以尽管测试成功率时非常高，其实没有任何实用价值。
三、未来数据的检测方法
知道了未来函数的特征和种类，具备了认识公式中有无未来数据的基础，具体应用中如何识别呢，有以下方法：
1、公式中凡是用了ZIG之字转向类的函数和使用了跨周期数据（如上所述）均应视为使用了未来函数。
2、看买卖信号是否确定。凡是已经出现的信号在新的一天或若干周期中存在漂移的，公式中存在未来函数。
3、从指标图中鉴别。凡是买卖提示信号极为准确的（应看多张图），即没有失误的，肯定有未来函数。
4、用股软鉴别。
A、使用分析家软件的系统测试平台检测，是否含有未来数据系统会自动提醒。如果想亲自看看信号的稳定性和历史的变化过程，分析家的时空隧道可以令时光倒流让你回到从前，信号如何产生、如何消失一目了然。
B、使用飞狐软件的，更为简单，在左侧《管理面板》中用右键单击公式的名称，在出现的下拉菜单中点击“公式检测”即可。
此外还有一种方法是搞清公式的算法。对于源码公式，逐条分析后，是否含有未来数据的引用立刻便知。
四、未来数据在实战中的运用
1、未来数据对于阶段顶底转折点的判断是非常具有参考价值的。他可以给操作者一个可能转折的点位，这是一般指标所无法办到的。经过比较严格的限制优化后完全可以作为选股依据。
2、含未来数据的公式信号会由于继续下跌或上涨而后移，因此当其信号出现后，要结合其他指标是否也发出信号，同时也要结合大盘形势。在熊市中含未来数据的卖出信号较准，买入信号不太准；而在牛市中买入信号较准，而卖出信号不太准，这较符合这么一个规律：在熊市中每次逢高抛出都是正确的，在牛市中每次逢低买入都是正确的。
3、在跌势中含未来数据指标的买入信号肯定是经常向后移的，因此要慎用，不仅是含未来数据的指标，就是不含未来数据的买入信号虽然不变，但是也是发出了又下跌，再发出，再下跌，因此也要慎用，但是卖出信号在跌势中反倒是比较准的。
对于未来函数应当充分了解其意义后针对使用。对于不了解指标的运算方法和特性的，慎用为佳。尤其是含有未来数据的引用的的选股公式，不易直接使用。
五，是是非非话“未来”
以下是根据网友的观点归纳整理而成，引用于此，供大家参考：
1、买股票，买的本来就是股票的未来！都是对未来股价的一种预期、一种预测。不管你使用什么样的分析方法，只要你买入或卖出股票了，就本质上而言，你就已经使用未来数据了！
2、未来函数不能直接用，并只作为谨慎参考，用时，要同时提醒自己，这是用未来函数表达的，可能会变异。
3、ZIG是陷阱，也能使人绕开许多陷阱，关键是正确地组织和应用，熟悉指标的特征表达。
4、严格的说动态中的公式都有未来数据，从这层意义上说，未来函数无处不在。因此不必一见到未来数据就头痛。
5、使用未来数据不用花费任何精力就可以轻松获得表面上非常高的成功率。发出的买入信号在实际操作中毫无价值，是一种赤裸裸的欺骗行为，在实战中给投资者带来的惨痛损失和后果苦不堪言。
6、未来数据的要害是什么？从本质上讲是美化历史而并不能从真正意义上揭示（启示）未来，它把历史上的一切功劳归为自己，而完美地回避了所有历史错误。它揭示的只是一种过去时的未来，而非现实意义上的未来。
说明：本文中部分段落引用了网友的“成果”，在此谨致谢意。同时欢迎大家对此问题深入探讨，让未来函数成为我们的工具，更好地为我们服务。

很对不起，我忘记了此文的出处。谨向原作者致歉。你还可以在网络搜索“未来函数”就会有很多资料参考。

Ⅸ 股票技术指标的计算公式以及详解

建议了解一些基本指标的含义及用法
MACD,RSI,KDJ,BIAS,掌握几只指标就行了