新闻详情

新闻详情

首页 / 资讯中心 / 详情

【股票交易】第 57 章 技术分析的局限性

发布时间:2026/11/17 9:09:11来源:尧图网络
【股票交易】第 57 章 技术分析的局限性
回到目录文章目录57.1 技术分析能够告诉我们多少描述价格,不等于预测价格有预测信息,不等于能够赚钱图表不能独立完成公司估值57.2 信号滞后、噪声与主观解释更早的信号,通常意味着更多不确定性假突破不一定意味着分析过程有错图形背后的心理,只能作为待验证的解释多个指标一致,不等于多份独立证据57.3 历史回测为什么容易让人高估方法使用了当时尚未知道的信息只研究今天仍然存在的股票不断尝试,直到找到最好看的参数交易次数很多,不代表经历过很多种环境57.4 市场环境变化与方法失效历史规律可能依赖特定条件不能事后才决定当时属于什么行情连续亏损,也不能独立证明方法失效57.5 从图形盈利到真实账户盈利胜率只是收益结构的一部分图上的价格,不一定是能够成交的价格日 K 线无法告诉我们止盈和止损谁先发生收益必须放在基准和风险背景下比较57.6 建立可以被检验和修正的分析方法先写清楚问题,再选择指标把规则写到别人能够重复执行按时间保留检验机会用新增记录检验,而不是用记忆评价每次修改,都留下修改的理由成熟的技术分析能力,包含识别信号,也包含说明信号的边界,以及在证据不足时保留判断。学完趋势、成交量、技术指标和图表形态以后,投资者通常会产生一种新的感觉:过去杂乱的价格波动,似乎开始变得可以理解。一段上涨可以用趋势延续来解释,一次回落可以用支撑测试来解释,一次急跌之后的反弹也可以找到相应的指标信号。这种理解能力很有价值。但随之而来的问题是:如果每一段行情都能在事后得到解释,我们是否真的拥有了事前作出判断的能力?能解释已经发生的走势,能对未来提供有用信息,以及能通过交易获得扣除成本后的收益,是三个不同层次的要求。本章要讨论的,就是这三个层次之间的距离。理解这些距离,才能判断技术分析应该在投资决策中承担多大的责任。57.1 技术分析能够告诉我们多少描述价格,不等于预测价格假设某只股票连续上涨,价格位于向上的均线之上,成交量也有所增加。我们可以据此描述:过去一段时间价格总体上涨;当前价格高于某个历史平均水平;最近的成交活跃程度有所提高。但如果进一步说“因此它下周还会上涨”,就已经从描述过去转向了预测未来。这个结论需要额外的证据,不能仅仅依靠前面的描述成立。例如,我们需要知道:在事先规定的市场、时间范围和信号定义下,类似情形之后的收益分布,是否与没有出现信号时存在稳定且有实际意义的差异。这里的关键词是“分布”。即使一个信号有用,它也可能只是改变不同结果出现的概率,而不会把未来变成唯一的答案。有预测信息,不等于能够赚钱关于技术分析的研究,并不能简单概括成“所
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉