一点点的金融

一点点的金融

    • [价值投资 = 需求 > 有限 > 不可逆 > 优势 > 长期持有者多](#价值投资 = 需求 > 有限 > 不可逆 > 优势 > 长期持有者多)
    • [趋势分析 = 改进MACD策略,使用涨跌幅比值RSI计算MACD](#趋势分析 = 改进MACD策略,使用涨跌幅比值RSI计算MACD)

价值投资 = 需求 > 有限 > 不可逆 > 优势 > 长期持有者多

咱们啊,整天操劳,挣的钱,要是换成那些日头能数着的东西,那日子可就红火了。

咋地?穷人就穷在,挣钱就为了那张纸,一心就想着挣那个。

富人呢,他们挣钱啊,那只是个过程,他们眼里盯的,是那些你我他都数得清的宝贝。

钱啊,不过是个通行证,让你有机会去抢那些真正值钱的货色。你要是就知道藏着通行证,那赢面儿,永远都小。

要是你没那种抢占的心思,那你这辈子,注定就是个打工仔,日复一日,年复一年,就那么换点工钱过日子。

还有更傻的呢,债务缠身,就为了买辆看着体面的车,不管是奔驰还是保时捷,那车间一开工,车子成堆成堆的往外冒。

当年你可能宁愿选择贷款50万去买辆宝马五系,就这么一念之差,财务自由就和你擦肩而过了。

你把辛苦钱都扔那儿了。这就像是个死循环,用你有限的力气,跟时间赛跑,换的却是别人随手就能造出来的玩意儿。

如果你去投资一个标的,核心判断:

  • 资源是有限的,有限的标的随时间价值提升
  • 不能退市(股市是第一大知识付费,公司上市不是做事业,是圈钱就溜),这个标的存在就有不可逆性,比如互联网来了,就不可逆了
  • 是否有竞争优势,比如第一个XXX(声望最大)、市场需求
  • 有多少长期不卖的人,这样的人越多(机构投资者和大股东的持股情况),长期下来,标的就会涨的越多,越合适投资。

比如字节跳动、阿里、腾讯、拼多多、谷歌、英伟达、meta、微软、苹果、亚马逊,他们形成了一个互联网新世界,相当于新世纪的巨头,提供一切互联网运作的基础设施和服务,包含数据、算力、云、计算、支付、交易、社交、娱乐、吃喝玩乐、衣食住行。

而且他们不断的投资新事物,大部分新技术、新服务都被他们应用和变革,赚钱能力只会越来越强。

具体收益率就不说了,可以看看相关基金近10年收益率。

这不构成投资建议,仅供个人复盘。


趋势分析 = 改进MACD策略,使用涨跌幅比值RSI计算MACD

第一性原理:在一个市场趋势(无论是上升还是下降)即将发生反转之前,往往会出现一个减速阶段,也就是说,原有趋势的动力开始减弱。

这个减速不一定意味着价格方向立即发生改变,而是速度或强度上的变化,为可能的趋势反转提供了迹象。

趋势减速的识别都是寻找趋势反转信号的关键步骤,通过观察这些减速迹象,可以更好地准备迎接可能的趋势转变,无论是采取止损措施,还是寻找新的入场机会。

原始MACD计算

  1. 快速EMA:通常是12日指数移动平均值。
  2. 慢速EMA:通常是26日指数移动平均值。
  3. MACD线:快速EMA减去慢速EMA。
  4. 信号线:MACD线的9日指数移动平均值。

改进思路:使用涨跌幅比值RSI计算MACD

步骤1: 计算涨跌幅的比值

对每日收盘价,计算其相对于前一天的涨跌幅的比值,而不是仅仅计算涨跌的绝对值。

  • 涨跌幅比值 = 今日收盘价 − 昨日收盘价 昨日收盘价 \frac{今日收盘价 - 昨日收盘价}{昨日收盘价} 昨日收盘价今日收盘价−昨日收盘价

步骤2: 基于涨跌幅比值计算EMA

使用这个涨跌幅比值来代替原始MACD计算中的收盘价,计算快速和慢速EMA。

  • 快速EMA(基于涨跌幅比值的12日EMA)
  • 慢速EMA(基于涨跌幅比值的26日EMA)

步骤3: 计算涨跌幅比值的MACD线和信号线

  • 涨跌幅比值的MACD线 = 快速EMA - 慢速EMA
  • 信号线 = 涨跌幅比值的MACD线的9日EMA

改进方法更强调市场价格变动的百分比变化,可能对于捕捉相对价格变动更加敏感。

MACD策略的开发,就是为预测趋势(涨跌),但所以软件使用的都是绝对值计算,这就导致一个漏洞,MACD

所以,所以才需要改成相对比值计算的MACD。

用绝对值算MACD就像用一把尺子量所有人的高矮,不管你本来多高,只看你长了多少厘米,这样就忽略了每个人成长的不同重要性。

改用比值,就像看你长高的百分比,这样不同身高的人成长都能得到合理评价。

如果你想用15分钟的时间间隔来查看MACD指标,你可以计算现在的收盘价与15分钟前的收盘价之间的差异。


相关推荐
成富34 分钟前
文本转SQL(Text-to-SQL),场景介绍与 Spring AI 实现
数据库·人工智能·sql·spring·oracle
CSDN云计算1 小时前
如何以开源加速AI企业落地,红帽带来新解法
人工智能·开源·openshift·红帽·instructlab
艾派森1 小时前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
hairenjing11231 小时前
在 Android 手机上从SD 卡恢复数据的 6 个有效应用程序
android·人工智能·windows·macos·智能手机
小蜗子1 小时前
Multi‐modal knowledge graph inference via media convergenceand logic rule
人工智能·知识图谱
SpikeKing1 小时前
LLM - 使用 LLaMA-Factory 微调大模型 环境配置与训练推理 教程 (1)
人工智能·llm·大语言模型·llama·环境配置·llamafactory·训练框架
拓端研究室TRL2 小时前
【梯度提升专题】XGBoost、Adaboost、CatBoost预测合集:抗乳腺癌药物优化、信贷风控、比特币应用|附数据代码...
大数据
黄焖鸡能干四碗2 小时前
信息化运维方案,实施方案,开发方案,信息中心安全运维资料(软件资料word)
大数据·人工智能·软件需求·设计规范·规格说明书
2 小时前
开源竞争-数据驱动成长-11/05-大专生的思考
人工智能·笔记·学习·算法·机器学习
ctrey_2 小时前
2024-11-4 学习人工智能的Day21 openCV(3)
人工智能·opencv·学习