俗话说的好：思路决定出路，眼界决定境界。作为一名程序化交易爱好者，仅仅依靠已经掌握了模型编写平台的基本语法和函数，是远远不够的。 要想编写出一个真正具有实战价值的自动交易系统模型，设计思想的重要性不言

　　我们已经了解概率的基础，概率中通常将试验的结果称为随机变量。随机变量将每一个可能出现的试验结果赋予了一个数值，包含离散型随机变量和连续型随机变量。掷硬币就是一个典型的离散型随机变量，离散随机变量可以取

　　概率是度量一件事发生的可能性，它是介于0到1之间的数值。我们抛一枚硬币，它有正面朝上和反面朝上两种结果，通常用样本空间S表示，S={正面，反面}。如果把硬币抛两次呢？它拥有四种结果，S={(正面,正面

　　1、不要和市场或者你自己作对           交易应该是自然而且轻松的，完美的交易是像呼吸一样的，你吸气和呼气，就像进场和出场，一定要冷静和放松。寻找那些可见的机会，一定要集中精神和警觉，把自己从

　　顺应趋势 等待回调 突破买入 控制风险   以上四个词是炒股的圣典。其中，每一句话都包含着精确与模糊两个内涵，这就是为什么每一句话看起来又都是那么高深莫测的原因。   顺应趋势 趋势指标确定之后，任何

　　系统交易策略的形成，通常可以经由以下两种截然不同的方式：即 从上到下 和 从下到上 。   从上到下，就是指通过对市场的长期观察而形成某种理论上的认识，然后基于这种认识而形成某种战略战术。   举个例

　　1. ARMA模型 ARMA简单理解就是AR模型和MA模型混合。  更加复杂的情况下：一个ARMA过程可能是AR与MA过程、几个AR过程、AR与ARMA过程的迭加，也可能是测度误差较大的AR过程。 A

　　1. 前言 数据获取，预处理，定阶什么的参考前面几篇文章：  金融时间序列分析：3. First Demo By Python 金融时间序列分析：5. AR模型实例（Python） MA模型的讲解参考

　　1. 前言 AR和MA模型是时序数据分析两个最基本的模型。 AR仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受模型变量相互**的假设条件约束，所构成的模型可以消除普通回归

　　如果认为巴菲特是真正的价值投资的典范，那么价值投资至少应具有两个特点：   一是长期投资，不是仅持有几年的问题，而是长期到几乎永远——巴菲特的确这么说过（“不想持有十年，连十分钟也不要去持有”）；  

　　所有投资者在他们的以往交易中都会遭遇所谓的交易低谷。交易低谷指的是在交易过程中很难看到盈利或者有可能加重损失的一个时间段。这种面临损失或者没有盈利的时期可能在任何时候发生在任何人身上。有时可能是因为市

　　拐点的概念来源于通道理论，任何一段上升趋势或下降趋势，都可以假定它在一个小的通道当中运行，价格运行趋势整个局限于两条平行线之间。   1.上升趋势 在上升趋势中，要想找到价位向下的回调目标（拐点），按

　　1. 前言 前一篇写了如何用Python构建AR模型，但是由于不太熟悉，很多问题都没有说清楚，本文用R语言详细的讲一讲，算是为前面两篇文章补漏吧。   2. 获取数据 library(quantmod

　　1. 前言 本文简单谈谈如何用Python构建AR模型，并进行数据预测。  本文承接前文：  金融时间序列分析：3. First Demo By Python 这篇文章介绍了用Python获取数据、数

　　1. 前言 接下来真是进入金融时间序列分析与预测阶段，可以说进入本篇算是正式入门了。  这里会聊聊一个最基本的模型——AR模型 2. AR模型 AR模型：（Autoregressive Model）自