用熵來分析股票數據

A. 用赫芬達爾指數（HHI)和熵指數(Entropy)分析一個公司多樣化

不同的分析模式，一個從HHI升高，一個從entropy降低，有可能你的數據出現問題

B. 熵：對不確定性建模框架

【書籍/課程名稱】熵：對不確定性建模

【類型】

書籍目錄框架/課程框架

【關鍵詞】

* 熵，不確定性，信息熵，公理基礎，均衡，周期性，隨機性，復雜性

【框架】

【一、概念】

* 【熵】

* 熵是用來度量與結果的概率分布相關的不確定性的。因此，它也可以衡量意外。

* 熵是對不確定性的一個正式測度。利用熵，我們可以證明不確定性、信息內容與驚喜之間的等價性。

* 熵與方差不同，方差度量一個數值集合或數值分布的離散程度。不確定性與離散程度有關，但是兩者並不是一回事。在具有高不確定性的分布中，許多結果的概率都是有意義的，這些結果並不一定有數值，具有高離散度的分布則只是具有一些極端的數值。

    * 給定取值范圍為從1到8的整數的若干結果，能夠使最大化熵的分布對每個結果賦予相同的權重。而能夠使方差最大化的分布則是以1/2的概率取值1、以1/2的概率取值8。

* 熵是在概率分布上定義的。因此它可以應用於非數值數據分布，熵在數學上等於概率與它們的對數之和的相反數。

* 【信息熵】

* 我們先從信息熵這種特殊情況開始討論。對於信息熵，可以把它理解為根據隨機拋硬幣的結果來衡量不確定性的一種方法。

* 為了計算出一個分布的信息熵，我們只需求得所有結果（或者像在前面那個例子中那樣的結果序列）需要提出的問題的期望數量的平均值。

* 信息熵就對應著「是或否」問題的期望數量。如果我們不得不提出很多問題，那麼分布就是不確定的。而知道了結果，也就揭示了信息。

* 【熵的一般表達與公理基礎】

* 為了得到熵的一般表達式，我們採用公理化的方法。正如夏普利值的公理基礎一樣，這些公理對存在性的貢獻大於它們本身的合理性。這些公理不僅僅是可辯護的，事實上，它們是難以辯駁的。

* 數學家克勞德·香農對他給出的這種測度施加了四個條件。

    * 前三個條件很容易理解，它必定是連續的和對稱的，而且在所有結果以相同的概率發生時最大化，同時在某些結果上等於零。

    * 第四個條件可分解性則要求在具有m個子類別的n個類別上定義的概率分布的熵，等於各類別上的分布的熵與每個子類別的熵的總和。兩個組合隨機事件的不確定性理應等於每個事件的不確定性之和。

【二、最大熵分布和假設】

* 我們可以使用熵來表徵分布。在沒有控制或調節力量的情況下，一些群體可能會向最大熵漂移。給定特定的約束條件，例如不變的均值或方差，就可以解出最大熵分布。

* 最大熵分布：最大熵分布的形狀取決於各種約束條件。

    * 均勻分布：給定范圍［a，b］，使熵最大化。如果假設了一個最小值和一個最大值，那麼均勻分布會使熵最大化。無差別原則（principle of indifference）可以證明假設均勻分布的合理性。如果只知道範圍或可能集，那麼就應當予以無差別的對待。

    * 指數分布：給定均值μ，使熵最大化。在某些情況下，我們可能知道分布的均值，也知道所有值都必定是正數。給定這些約束條件，最大熵分布必定具有長尾，因為我們要將分布置於更多的值上，從而必須使少數高值結果與許多低值結果保持平衡。不難證明，熵最大化分布是一個指數分布。

    * 正態分布：給定均值μ和方差σ2，使熵最大化。如果我們確定了均值和方差（並且允許出現負值），那麼最大熵分布則是正態分布。

【三、利用熵測度對經驗數據分類】

* 【四種分類】

* 計算機科學家、數學家斯蒂芬·沃爾弗拉姆（Stephen Wolfram）給出了經驗數據四大類別：均衡、周期性、隨機性和復雜性：

    * 放在桌子上的鉛筆處於均衡狀態；

    * 繞太陽運轉的行星處於循環當中；

    * 拋硬幣的結果序列是隨機的，紐約證券交易所的股票價格也是近似隨機的；

    * 一個人大腦中的神經元發放則是復雜的：它們既不會隨意發放，也不會以某個固定的模式發放。

* 【分類依據】

* 可以利用熵的概念來區分四類結果。我們可以將看似隨機的復雜模式和真正的隨機性區分開來，並且可以分辨出哪些現象看起來像是有一定模式的，但事實上是隨機的。

    * 平衡結果沒有不確定性，因此其熵等於零。

    * 周期性過程具有不隨時間變化的低熵。

    * 完全隨機過程具有最大的熵。

    * 復雜性具有中等程度的熵，因為復雜性位於有序性和隨機性之間。

* 為了對時間序列數據進行分類，我們需要先計算出不同長度的子序列中的信息熵。

* 【熵的意義】

* 我們可以將熵測度用於任何實際應用，一個系統中的熵的本質，不能簡單地說好，也不能簡單地說不好。我們想要多少熵，取決於具體情況。

* 在制定稅法時，我們可能需要一種均衡行為模型，並不希望有隨機性。在規劃城市時，我們可能會希望看到復雜性，均衡或者周期性都會顯得過於平淡。我們希望一個城市充滿生機活力，為偶然的相遇和互動提供無限機會。在這種情況下，更多的熵會更好，但是又不能太多。我們不喜歡隨機性，隨機性會使計劃變得非常困難，並可能導致我們的認知能力崩潰。最理想的情況是，世界會產生適度的復雜性，以保證我們生活在一個有趣的時代。

C. 現在最好用的免費股票分析軟體是哪

你好( ^_^)／感謝你的邀請！
很多人問：免費的股票分析軟體真的好用嗎？答案是：市面上有好用的！只是你沒發現！
簡單點的，同花順旗下投資賬本APP，可以導入股票基金、定期存款，數據實時同步，分析近2年收益盈虧。
另外，分析股票走勢的方法很多，如下就常用的一些方法列舉出來：
技術分析：
1.看K線圖 股價是處於上升通道還是下跌通道？上升通道可以關注，但不要盲目追高，下跌通道不要碰。
2.看金叉死叉 當短期均線上穿中期或者長期均線時，形成最佳買點即金叉;短期均線下穿中期或者長期均線時，形成最佳賣點即死叉。這時再賣已有些下跌，因炒股軟體裡面的指 標有些滯後。
3.看量價關系 沒放量股價在微漲，說明主力在布局;在上升通道中，明顯放量但股價微跌，此時主力在盤整打壓散戶;放量逐漸加劇，此時拉高，主力快出貨了，不要盲目追漲。 後面劇烈放量股價並未漲就是主力悄悄出貨了。
基本面分析：
1.看公司有沒有重組消息？重組包含很多方面。
2.看公司是否有關聯交易？
3.看公司前期是否有虧損？
4.看上市公司產品是否屬於國家政策扶持還是打壓的？
5.看公司的盈利能力。 只要把以上的方法真正撐握了，你就是一個穩健的股票玩家了！但要注意炒股的心態！做短線，中線，長線完全看你個人的資金量了！
投資者炒股得掌握好一定的經驗和技巧，這樣才能分析出好的股票，平時得多看，多學，多做模擬盤，多和股壇老將們交流。吸收他們的經驗。
如果一個股民經常虧損，我建議他要反思，需要總結一套自己炒股盈利的方法，這樣炒股相對來說要穩妥得多，我現在也一直都在追蹤同花順投資賬本里的高手學習，感覺還是受益良多，願能幫助到你，祝投資愉快！

D. 怎麼用spss做熵值法

無論是什麼數據（包括面板數據），均可正常的進行熵值法，一般不需要進行處理。當然面板數據進行熵值法分析時，也可以先篩選出不同的年份，重復進行多次熵值法均可。

SPSS為IBM公司推出的一系列用於統計學分析運算、數據挖掘、預測分析和決策支持任務的軟體產品及相關服務的總稱，有Windows和Mac OS X等版本。

SPSS功能：

一、集數據錄入、資料編輯、數據管理、統計分析、報表製作、圖形繪制為一體。從理論上說，只要計算機硬碟和內存足夠大，SPSS可以處理任意大小的數據文件，無論文件中包含多少個變數，也不論數據中包含多少個案例。

二、統計功能囊括了《教育統計學》中所有的項目，包括常規的集中量數和差異量數、相關分析、回歸分析、方差分析、卡方檢驗、t檢驗和非參數檢驗。

E. 熵值分析法遇到有一組數據全是一樣的怎麼辦

忠實數據，參考信息熵，信息熵就是用來衡量信息的無序性，熵值法就是根據數據的離散程度來確定權重，去掉最大最小值，不是把數據離散度人為減小了嗎？題主是擔心數據的最大最小值為干擾項而不能體現原數據的客觀分布規律，正確的建議是在選取數據之前盡量均勻，一旦用了熵權法一般默認數據服從或近似服從真實分布規律。用詞不嚴謹，全憑模糊記憶，具體去專業論壇可得到詳解。你太懶了！

F. 大數據與熵 臨界分析

大數據與熵：臨界分析
大數據的踐行者們不僅在思維上進行了轉變，在數據處理上同樣採取「大數據」的方法：分析全體而不是樣本，不追求精確性，「知其然，不知其所以然」（註：第三句是筆者歸納，原文意思是只要知道「是什麼」，不必知道「為什麼」，或只問相關性，不問因果關系）。同時宣布傳統的抽樣方法已經過時，不能適應當今互聯網信息社會的要求。
上述斷言過於武斷。如果斷言的目的是為了強調面對信息爆炸，人們必須不斷地尋找新的方法，包括「大數據方法」，來分析和處理數據，那麼如何誇大和渲染，都是可以理解並接受的；但是，如果斷言的目的是為了勸導人們放棄傳統的抽樣理論，轉而皈依「大數據思維」，這就值得商榷。
縱觀科技史，人們對物體運動規律的研究，牛頓定律曾被認為絕對正確。但隨著科學家們對微觀粒子世界，高速運動（近似光速）物體的研究，牛頓定律不再適用，而代之以量子力學和相對論。但這並不意味著牛頓定律的死亡，在人們生活所及的物理社會里，仍然是牛頓定律起主導作用。
信息社會也是如此，信息的不斷膨脹、變化、繁雜使得傳統抽樣統計方法顯得力不從心，於是所謂的「大數據思維」出現了。但「大數據」究竟是要取代傳統方法，還只是傳統方法的補充，有待於進一步的觀察。
質疑:
對於「大數據思維」的三個轉變，可以提出三點質疑：首先，如果通過分析少量的樣本數據就可以得到事物的准確性質，是否還有必要花費成本去搜集全體數據？其次，如果能夠得到准確數據，還有必要刻意追求不準確嗎？最後，如果能夠了解到因果關系，會視而不見，只去分析相關嗎？
合理的解釋是：首先，如果通過分析少量的樣本數據無法得到事物的性質，人們不得不花費更多成本去搜集全體數據來分析。其次，如果得不到准確數據，人們不得不接受不那麼准確的、差強人意的數據來進行分析。最後，如果不能夠了解到因果關系，人們會退而求其次，以分析相關關系來了解事物。
基於上述解釋，大數據方法不應該是刻意為之，而應該是不得已而為之。換言之，大數據方法僅在傳統的抽樣統計方法不起作用的時候有其用武之地。這就像只有當物體的運動速度接近於光速時我們才用相對論取代牛頓定律。
當然，不可否認，在飛速發展的網路空間里，人們的研究對象，即數據，變得越來越龐大，越來越繁雜模糊，越來越非結構化，這一大趨勢使人們樂於接受大數據思維。舉個不太恰當的例子，當人們不能解釋許多自然現象時，更容易接受某種宗教的解釋。
在信息爆炸的今天，傳統的抽樣統計方法不僅不應該被拋棄，而應該通過一系列改進得到加強，成為高效、實時反映事物狀態的主要手段之一。同時，我們歡迎並樂意採用新的方法，比如如日中天的「大數據方法」以及可能的「模糊數據方法」等等。
至此，一個關鍵問題出現了：面對一個具體事物，如何確定應該用傳統方法還是大數據方法？當物理學家研究微觀粒子之間的作用力時，會採用量子力學；研究一個橋梁受力時，會採用牛頓力學。信息或數據專家們有這樣的理論或判別標准嗎？本文下一小節將對此展開討論。
分析：
首先，考察一般意義上的選取樣本大小的規則。
定理：設X1,X2…Xn為獨立同分布隨機變數，分布為p(x), x∈(x1,x2..xn),則一般抽樣樣本大小S為：
S = λ*2 ^H(X) …………………………(1)
其中：λ是常數，H(X)= -∑p(xi)*log
p(xi),即隨機變數X的熵。
例1：了解總體為N個人對某事物的看法，是或否兩個選擇，其熵約為1，（假設兩種回答人數基本相當），則在一定的置信度、置信區間的要求下（本文不做精確的抽樣理論推導，僅舉例定性說明，以下同），S隨著N的增加（比如到10萬）逐步趨向為一個常數；400，此時λ=200。 可以證明，當其它條件不變，隨著熵增加，S指數增加，λ保持不變。
換一個方式解釋λ。
定義1：λ是在一次抽樣中，「典型狀態」出現的期望值。
定義2：典型狀態指該狀態出現概率等於或近似等於相同熵值平均分布下各狀態出現概率的那個狀態。
舉例來說，X服從一個8狀態平均分布，其熵為3比特，其每個狀態都是「典型狀態」，其出現概率都是1/8。
如果X服從一個12個狀態的分布，其狀態分布概率為
p（x1,x2,x3,x4,x5…x12）=(1/3，1/5，1/6，1/7，1/8，1/15…1/50)，H（X） ~=3 比特。其典型狀態是 x5, 出現概率為1/8.
基於上述規定，如果λ取1，H（X）=3，則樣本大小S =8，在一次抽樣中，典型狀態（出現概率1/8）出現次數的期望值為1，等於λ。但狀態出現是依概率的，盡管期望值為1，但觀察值也可能為0，2，3…，這樣的估計誤差過大。
如果λ取100，H（X）=3，則樣本大小S =800，在一次抽樣中，典型狀態出現的期望值為100，等於λ。其實際觀察值在極大概率下落在95-105之間，如果誤差可接受，取λ=100，否則，加大λ。
另外一個影響λ的因素是分層。將例1中的總體N分為高收入（20%），中等收入（50%），低收入（30%）3類人來調查對某事物看法。如果採用純隨機抽樣，要保證每層的分布得到准確的估計結果，就要使得最少個體的層能夠抽到足夠數量，因此λ要乘5（20%的倒數）。但事實上，人們更關心總體結果，兼顧分層的結果，因此，為了節約成本，實際的λ修正系數會小一些，比如取3，這時，樣本大小約為1200 。這時，不管總體是10萬人還是3億人，對1200人的樣本進行的調查結果可以在3%的誤差范圍內反映出實際情況。
通過以上分析可以看出，λ是一個100-1000之間的常數，具體數值取決於調查方希望在一次抽樣中得到多少個典型狀態（或分層的）的個體（期望值），並滿足誤差要求。在確定了λ之後，樣本的大小就只和系統熵相關，呈指數增長關系，即公式（1）。
採用傳統抽樣方法時，研究對象的隨機狀態和變化有限，或通過人為的分類使之變得有限，導致熵值很小，因此，使用較小的樣本就可以准確地估計總體。加之那時的取樣成本很高，調查方要花費很大精力設計抽樣方案，在不失精度的前提下，使得樣本規模盡量縮小。
互聯網時代的狀況恰恰相反，研究對象是互聯網的行為，獲取數據非常容易，因為數據已經產生，不管你用不用它，它就在那裡。而互聯網上許多研究對象的狀態無限多，也很難統計歸類（比如「長尾現象」），系統熵值很大，導致樣本規模巨大或根本無法確定規模。此時，採用總體分析，即大數據方法就具有優勢。當然，即使總體數據已經存在，對其整理和運算也相當消耗資源。一些情況下，採用抽樣的方法仍然是最佳的選擇。
現在，讓我們嘗試回答上節最後提出的問題：面對一個具體問題如何選取分析方法？
首先，考察研究對象所需的數據是否已經在應用中自動被收集，比如，用戶的線上購物行為。如果不是，比如線下購物，需要研究者設計方法去收集數據，此時，應該採用傳統抽樣方法。
其次，面對互聯網已經（或可以實時在線）獲得的海量數據，當研究對象熵值小於5，建議仍採用傳統抽樣方式，可以得到更高效率；當熵值介於5-15之間，總體分析或抽樣分析都可以考慮，視具體情況；熵值大於15，建議採用總體分析，即大數據方法。
上述建議仍然很抽象。在下一小節中，我們借用長尾理論的描述方法，將統計研究對象分為4種類型，分別討論適用的方法。
分類：
第一類：「無尾模型」。此時，研究對象的狀態明確且數量有限，出現概率最小的狀態仍然具有統計意義。如民主投票，狀態有贊成、反對、棄權3個狀態，或是有限個被選舉人的支持率；再如收視率調查，狀態有幾十或幾百個電視台。統計結果的描述方法通常是分布直方圖，即將狀態出現的頻次從高向低順序以柱狀圖的方式表示出來。連接直方圖的各個頂點，就得到總體的概率分布曲線。按照相同順序排列頻次累計數並將頂點相連，就得到所謂「帕累托曲線」。兩個曲線表現為凹函數，或二階導數恆為負值（借用連續的分析，實際上是離散的），在曲線尾部沒有出現變化。隨著狀態數的增多，「二八現象」會顯著，即少數狀態（比如20%）佔到了多數頻次（比如80%）。
第二類：「翹尾模型」。此時，研究對象的狀態較明確且數量較多，出現概率很小的狀態相對失去統計意義，在統計上把這些狀態統一歸類為「其它」狀態。絕大多數情況下，由於其它狀態是由許多狀態構成的，其出現概率的和高於排列在前的某些較小概率狀態的概率，因此，總體概率分布曲線及帕累托曲線在尾部會出現上翹，即所謂「翹尾模型」。為了保證統計效果，其它狀態總的概率一般不超過5%。這時，二八現象極為顯著，便於「ABC分析」和重點管理，因此翹尾模型在企業管理上應用極為廣泛。如質量管理（缺陷分析），庫存管理（零配件庫、商店、賣場，特別是實體書店，可與後面網路書店的長尾現象比較）等。
以上兩種模型運用傳統的抽樣方法均可以取得良好的統計結果。隨著對象狀態數量增加，並不存在明顯界限。以收視率調查為例：選擇3萬個調查樣本戶進行收視調查，當有二、三十個電視台台時，收視率最低的電視台也能得到顯著的觀察值，可以認為是無尾模型。當電視台數量超過100，許多收視率達不到0.3%的電視台在一次抽樣中就無法達到可以保證相對精度的觀測值，此時，既可以擴大樣本范圍來滿足精度要求，也可以將小於0.3%的狀態合並為「其它」，採用「翹尾模型」。
隨著三網融合的進展，絕大多數電視機將具有雙向功能，總體數據變得唾手可得，此時，抽樣方法仍然有效，它可以用來做實時的、頻繁的統計，而採用總體的大數據方法可以定時進行校正，畢竟處理幾萬個樣本比處理幾億條總體數據要迅速、便宜得多。
第三類：「長尾模型」。此時，研究對象的狀態不夠明確且數量很多，出現概率很小、相對失去統計意義的狀態眾多。但是，這些小概率狀態的全部或部分和佔到總體狀態的30%-40%，甚至更多。反映在概率分布或帕累托圖上就形成一個長長的尾巴（漸進於X軸或Y=1的直線）。如果採用翹尾模型，用抽樣的辦法，會使總體的30%-40%，甚至更多的狀態無法描述。從而必須採用全體數據即大數據的方法。
舉例來說：一個實體書店的貨架上有1000種書籍，經過統計，老闆會發現，賣得好的前200種書佔到其銷售額的80%以上，而賣得不好的後500種書的佔比甚至不到5%，統計上可以並為一類。這就是所謂「二八現象」，老闆採用抽樣統計的方法可以掌握占銷售額95%的書籍的分布情況。而一個網路書店的資料庫中可能列有20萬種書籍，其中熱賣的200種占銷售額的20%，前2000種共佔到40%。而餘下的19.8萬種書籍構成其餘60%的銷售額，但每種份額是如此之小，以至於無論如何擴大樣本，都不易被顯著地觀察到。在這種情況下只能採用大數據方法，否則，60%的銷售額都不知道從哪裡產生的統計還有什麼作用。
第四類：「全尾模型」。此時，研究對象的狀態很不明確、甚至未知，而數量極多甚至無限，正常情況下，無論如何選擇樣本都無法在統計意義上顯著地得到各個狀態的觀察值，一旦可以觀察到，說明出現異常。其分布曲線是無限接近且平行於X軸的直線。所以我們也可以稱之為「平尾」。
典型的例子如關鍵詞搜索，事先無法確定狀態，即系統事先不知道用戶要搜索什麼，且搜索的內容可能無限多，因此無法事先設計抽樣模型。採用分析全體的大數據方法，可以在出現異常時即使發現並加以分析。比如，某種疾病或葯物的名詞在某一地區的搜索量大增，就可以預測這一地區可能流行某種疾病。事實上，谷歌的大數據分析在這方面已經比傳統的流行病預測機制和機構做得更好、更有效率。
大數據方法被認為最適於做預警或預測某種人們事先不知道的狀態，而抽樣統計則一般是根據已知的狀態安排抽樣規則。
以上四種模型分析與上節基於熵的分析是一致的。其中無尾和翹尾模型的熵值分別為小於6、介於5-15之間；而長尾和全尾模型的熵值分別為大於15、趨於無窮。前二者多採用傳統抽樣分析，後二者只能採用大數據方法。更為重要的是，隨著量變引起質變，大數據方法會帶來更多、更新的概念、理論和技術。

G. 用k線、指標、形態分析一隻股票未來價格走勢

分析股票走勢千萬不要給漂亮的K線所迷惑，股市中常有「騙線」的說法，少數莊家為了達到獲取超額利潤的目的，就會在市場上製造一些假象。這也可能就是許多人認為技術分析的理論竟會與現實如此背道而馳的原因。舉個簡單的例子，比如一個莊家想做一段上升行情時，先造成不利多頭的線路，使投資者產生錯覺，賣出股票，而莊家自己則大量吃進，然後，拉高行情出貨。所以，不相信技術分析是不可取的，而完全靠技術分析的理論知識也是靠不住。必須要用技術分析的理論加上對人們心理因素和許多其他方面的分析才行，這是一個很復雜的過程。經常炒股的人都知道要看股票K線。股市變化多端，要想找一些「規律」我們可以利用K線，從而更好地運用到日常股票操作中來
從K線上能看出哪些信息，下面來教大家，教大家如何分析它。
分享之前，先免費送給大家幾個炒股神器，能幫你收集分析數據、估值、了解最新資訊等等，都是我常用的實用工具，建議收藏：炒股的九大神器免費領取（附分享碼）
一、 股票K線是什麼意思？
K線圖被稱作蠟燭圖、日本線、陰陽線等，最常見的叫法是--K線，它本來是要用來表現米價每天的變化的，後來在股票、期貨、期權等證券市場也能看到它的身影。
影線和實體構成形為柱狀的k線。影線在實體上方的部分叫上影線,下方的部分叫下影線，實體分陽線和陰線。
Ps：影線代表的是當天交易的最高和最低價，實體表示的是當天的開盤價和收盤價。
陽線的表示方法很多，最常用的有紅色、白色柱體還有黑框空心，然而陰線大多是選用綠色、黑色或者藍色實體柱，

另外，人們見到「十字線」時，可以理解為實體部分形成了一條線
其實十字線的意思很簡單，可以根據十字線看出當天的收盤價=開盤價。
經過對K線的剖析，我們可以出色的找到買賣點（雖然股市沒有辦法預測，但K線指導意義是有的），對於新手來說也是最好操控的。
在這我要給大家警醒一下，K線分析起來，沒有想像中那麼容易，若是剛剛炒股的你還不了解K線，建議用一些輔助工具來幫你判斷一隻股票是否值得買。
比如說下面的診股鏈接，輸入你中意的股票代碼，就能自動幫你估值、分析大盤形勢等等，我剛開始炒股的時候就用這種方法來過渡，非常方便：【免費】測一測你的股票當前估值位置？
下面我就跟大家說說關於幾個K線分析的小竅門兒，幫助你快速進入初級階段。
二、怎麼用股票K線進行技術分析？
1、實體線為陰線
這個時候主要關注的就是股票成交量如何，如果成交量不大，說明股價可能會短期下降；而成交量很大的話，那股價很有可能要長期下跌了。
2、實體線為陽線
實體線為陽線就意味著股價上漲動力更足，但是否是長期上漲，還要結合其他指標進行判斷。
比如說大盤形式、行業前景、估值等等因素/指標，但是由於篇幅問題，不能展開細講，大家可以點擊下方鏈接了解：新手小白必備的股市基礎知識大全

應答時間：2021-09-24，最新業務變化以文中鏈接內展示的數據為准，請點擊查看

H. 有二級指標怎麼用熵值法

建議先將逆向指標正向化，然後再進行分析,使用數據處理裡面的『正向化』功能即可。具體可查看SPSSAU幫助手冊說明。

熵權法的思想是通過計算各指標值與其均值差異程度來計算權重的，定性指標在經過量化後，也可以應用熵權法進行計算，應該注意的是，熵權法通過數據來計算權重，沒有考慮指標本身的重要程度，計算得到的權重可解釋性較差，最好與主觀權重計算相結合，進行綜合評價。

基本原理

在資訊理論中，熵是對不確定性的一種度量。信息量越大，不確定性就越小，熵也就越小；信息量越小，不確定性越大，熵也越大。根據熵的特性，我們可以通過計算熵值來判斷一個事件的隨機性及無序程度，也可以用熵值來判斷某個指標的離散程度，指標的離散程度越大，該指標對綜合評價的影響越大。

以上內容參考：網路-熵值法

I. 股票k線圖基礎知識，怎麼分析的

要精通炒股必須會看時分圖、K線圖這樣才能看清股票的阻力位、支撐位及未來趨勢，以下為最基本的入門資料，通俗易懂