用熵来分析股票数据

A. 用赫芬达尔指数（HHI)和熵指数(Entropy)分析一个公司多样化

不同的分析模式，一个从HHI升高，一个从entropy降低，有可能你的数据出现问题

B. 熵：对不确定性建模框架

【书籍/课程名称】熵：对不确定性建模

【类型】

书籍目录框架/课程框架

【关键词】

* 熵，不确定性，信息熵，公理基础，均衡，周期性，随机性，复杂性

【框架】

【一、概念】

* 【熵】

* 熵是用来度量与结果的概率分布相关的不确定性的。因此，它也可以衡量意外。

* 熵是对不确定性的一个正式测度。利用熵，我们可以证明不确定性、信息内容与惊喜之间的等价性。

* 熵与方差不同，方差度量一个数值集合或数值分布的离散程度。不确定性与离散程度有关，但是两者并不是一回事。在具有高不确定性的分布中，许多结果的概率都是有意义的，这些结果并不一定有数值，具有高离散度的分布则只是具有一些极端的数值。

    * 给定取值范围为从1到8的整数的若干结果，能够使最大化熵的分布对每个结果赋予相同的权重。而能够使方差最大化的分布则是以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义的。因此它可以应用于非数值数据分布，熵在数学上等于概率与它们的对数之和的相反数。

* 【信息熵】

* 我们先从信息熵这种特殊情况开始讨论。对于信息熵，可以把它理解为根据随机抛硬币的结果来衡量不确定性的一种方法。

* 为了计算出一个分布的信息熵，我们只需求得所有结果（或者像在前面那个例子中那样的结果序列）需要提出的问题的期望数量的平均值。

* 信息熵就对应着“是或否”问题的期望数量。如果我们不得不提出很多问题，那么分布就是不确定的。而知道了结果，也就揭示了信息。

* 【熵的一般表达与公理基础】

* 为了得到熵的一般表达式，我们采用公理化的方法。正如夏普利值的公理基础一样，这些公理对存在性的贡献大于它们本身的合理性。这些公理不仅仅是可辩护的，事实上，它们是难以辩驳的。

* 数学家克劳德·香农对他给出的这种测度施加了四个条件。

    * 前三个条件很容易理解，它必定是连续的和对称的，而且在所有结果以相同的概率发生时最大化，同时在某些结果上等于零。

    * 第四个条件可分解性则要求在具有m个子类别的n个类别上定义的概率分布的熵，等于各类别上的分布的熵与每个子类别的熵的总和。两个组合随机事件的不确定性理应等于每个事件的不确定性之和。

【二、最大熵分布和假设】

* 我们可以使用熵来表征分布。在没有控制或调节力量的情况下，一些群体可能会向最大熵漂移。给定特定的约束条件，例如不变的均值或方差，就可以解出最大熵分布。

* 最大熵分布：最大熵分布的形状取决于各种约束条件。

    * 均匀分布：给定范围［a，b］，使熵最大化。如果假设了一个最小值和一个最大值，那么均匀分布会使熵最大化。无差别原则（principle of indifference）可以证明假设均匀分布的合理性。如果只知道范围或可能集，那么就应当予以无差别的对待。

    * 指数分布：给定均值μ，使熵最大化。在某些情况下，我们可能知道分布的均值，也知道所有值都必定是正数。给定这些约束条件，最大熵分布必定具有长尾，因为我们要将分布置于更多的值上，从而必须使少数高值结果与许多低值结果保持平衡。不难证明，熵最大化分布是一个指数分布。

    * 正态分布：给定均值μ和方差σ2，使熵最大化。如果我们确定了均值和方差（并且允许出现负值），那么最大熵分布则是正态分布。

【三、利用熵测度对经验数据分类】

* 【四种分类】

* 计算机科学家、数学家斯蒂芬·沃尔弗拉姆（Stephen Wolfram）给出了经验数据四大类别：均衡、周期性、随机性和复杂性：

    * 放在桌子上的铅笔处于均衡状态；

    * 绕太阳运转的行星处于循环当中；

    * 抛硬币的结果序列是随机的，纽约证券交易所的股票价格也是近似随机的；

    * 一个人大脑中的神经元发放则是复杂的：它们既不会随意发放，也不会以某个固定的模式发放。

* 【分类依据】

* 可以利用熵的概念来区分四类结果。我们可以将看似随机的复杂模式和真正的随机性区分开来，并且可以分辨出哪些现象看起来像是有一定模式的，但事实上是随机的。

    * 平衡结果没有不确定性，因此其熵等于零。

    * 周期性过程具有不随时间变化的低熵。

    * 完全随机过程具有最大的熵。

    * 复杂性具有中等程度的熵，因为复杂性位于有序性和随机性之间。

* 为了对时间序列数据进行分类，我们需要先计算出不同长度的子序列中的信息熵。

* 【熵的意义】

* 我们可以将熵测度用于任何实际应用，一个系统中的熵的本质，不能简单地说好，也不能简单地说不好。我们想要多少熵，取决于具体情况。

* 在制定税法时，我们可能需要一种均衡行为模型，并不希望有随机性。在规划城市时，我们可能会希望看到复杂性，均衡或者周期性都会显得过于平淡。我们希望一个城市充满生机活力，为偶然的相遇和互动提供无限机会。在这种情况下，更多的熵会更好，但是又不能太多。我们不喜欢随机性，随机性会使计划变得非常困难，并可能导致我们的认知能力崩溃。最理想的情况是，世界会产生适度的复杂性，以保证我们生活在一个有趣的时代。

C. 现在最好用的免费股票分析软件是哪

你好( ^_^)／感谢你的邀请！
很多人问：免费的股票分析软件真的好用吗？答案是：市面上有好用的！只是你没发现！
简单点的，同花顺旗下投资账本APP，可以导入股票基金、定期存款，数据实时同步，分析近2年收益盈亏。
另外，分析股票走势的方法很多，如下就常用的一些方法列举出来：
技术分析：
1.看K线图 股价是处于上升通道还是下跌通道？上升通道可以关注，但不要盲目追高，下跌通道不要碰。
2.看金叉死叉 当短期均线上穿中期或者长期均线时，形成最佳买点即金叉;短期均线下穿中期或者长期均线时，形成最佳卖点即死叉。这时再卖已有些下跌，因炒股软件里面的指 标有些滞后。
3.看量价关系 没放量股价在微涨，说明主力在布局;在上升通道中，明显放量但股价微跌，此时主力在盘整打压散户;放量逐渐加剧，此时拉高，主力快出货了，不要盲目追涨。 后面剧烈放量股价并未涨就是主力悄悄出货了。
基本面分析：
1.看公司有没有重组消息？重组包含很多方面。
2.看公司是否有关联交易？
3.看公司前期是否有亏损？
4.看上市公司产品是否属于国家政策扶持还是打压的？
5.看公司的盈利能力。 只要把以上的方法真正撑握了，你就是一个稳健的股票玩家了！但要注意炒股的心态！做短线，中线，长线完全看你个人的资金量了！
投资者炒股得掌握好一定的经验和技巧，这样才能分析出好的股票，平时得多看，多学，多做模拟盘，多和股坛老将们交流。吸收他们的经验。
如果一个股民经常亏损，我建议他要反思，需要总结一套自己炒股盈利的方法，这样炒股相对来说要稳妥得多，我现在也一直都在追踪同花顺投资账本里的高手学习，感觉还是受益良多，愿能帮助到你，祝投资愉快！

D. 怎么用spss做熵值法

无论是什么数据（包括面板数据），均可正常的进行熵值法，一般不需要进行处理。当然面板数据进行熵值法分析时，也可以先筛选出不同的年份，重复进行多次熵值法均可。

SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称，有Windows和Mac OS X等版本。

SPSS功能：

一、集数据录入、资料编辑、数据管理、统计分析、报表制作、图形绘制为一体。从理论上说，只要计算机硬盘和内存足够大，SPSS可以处理任意大小的数据文件，无论文件中包含多少个变量，也不论数据中包含多少个案例。

二、统计功能囊括了《教育统计学》中所有的项目，包括常规的集中量数和差异量数、相关分析、回归分析、方差分析、卡方检验、t检验和非参数检验。

E. 熵值分析法遇到有一组数据全是一样的怎么办

忠实数据，参考信息熵，信息熵就是用来衡量信息的无序性，熵值法就是根据数据的离散程度来确定权重，去掉最大最小值，不是把数据离散度人为减小了吗？题主是担心数据的最大最小值为干扰项而不能体现原数据的客观分布规律，正确的建议是在选取数据之前尽量均匀，一旦用了熵权法一般默认数据服从或近似服从真实分布规律。用词不严谨，全凭模糊记忆，具体去专业论坛可得到详解。你太懒了！

F. 大数据与熵 临界分析

大数据与熵：临界分析
大数据的践行者们不仅在思维上进行了转变，在数据处理上同样采取“大数据”的方法：分析全体而不是样本，不追求精确性，“知其然，不知其所以然”（注：第三句是笔者归纳，原文意思是只要知道“是什么”，不必知道“为什么”，或只问相关性，不问因果关系）。同时宣布传统的抽样方法已经过时，不能适应当今互联网信息社会的要求。
上述断言过于武断。如果断言的目的是为了强调面对信息爆炸，人们必须不断地寻找新的方法，包括“大数据方法”，来分析和处理数据，那么如何夸大和渲染，都是可以理解并接受的；但是，如果断言的目的是为了劝导人们放弃传统的抽样理论，转而皈依“大数据思维”，这就值得商榷。
纵观科技史，人们对物体运动规律的研究，牛顿定律曾被认为绝对正确。但随着科学家们对微观粒子世界，高速运动（近似光速）物体的研究，牛顿定律不再适用，而代之以量子力学和相对论。但这并不意味着牛顿定律的死亡，在人们生活所及的物理社会里，仍然是牛顿定律起主导作用。
信息社会也是如此，信息的不断膨胀、变化、繁杂使得传统抽样统计方法显得力不从心，于是所谓的“大数据思维”出现了。但“大数据”究竟是要取代传统方法，还只是传统方法的补充，有待于进一步的观察。
质疑:
对于“大数据思维”的三个转变，可以提出三点质疑：首先，如果通过分析少量的样本数据就可以得到事物的准确性质，是否还有必要花费成本去搜集全体数据？其次，如果能够得到准确数据，还有必要刻意追求不准确吗？最后，如果能够了解到因果关系，会视而不见，只去分析相关吗？
合理的解释是：首先，如果通过分析少量的样本数据无法得到事物的性质，人们不得不花费更多成本去搜集全体数据来分析。其次，如果得不到准确数据，人们不得不接受不那么准确的、差强人意的数据来进行分析。最后，如果不能够了解到因果关系，人们会退而求其次，以分析相关关系来了解事物。
基于上述解释，大数据方法不应该是刻意为之，而应该是不得已而为之。换言之，大数据方法仅在传统的抽样统计方法不起作用的时候有其用武之地。这就像只有当物体的运动速度接近于光速时我们才用相对论取代牛顿定律。
当然，不可否认，在飞速发展的网络空间里，人们的研究对象，即数据，变得越来越庞大，越来越繁杂模糊，越来越非结构化，这一大趋势使人们乐于接受大数据思维。举个不太恰当的例子，当人们不能解释许多自然现象时，更容易接受某种宗教的解释。
在信息爆炸的今天，传统的抽样统计方法不仅不应该被抛弃，而应该通过一系列改进得到加强，成为高效、实时反映事物状态的主要手段之一。同时，我们欢迎并乐意采用新的方法，比如如日中天的“大数据方法”以及可能的“模糊数据方法”等等。
至此，一个关键问题出现了：面对一个具体事物，如何确定应该用传统方法还是大数据方法？当物理学家研究微观粒子之间的作用力时，会采用量子力学；研究一个桥梁受力时，会采用牛顿力学。信息或数据专家们有这样的理论或判别标准吗？本文下一小节将对此展开讨论。
分析：
首先，考察一般意义上的选取样本大小的规则。
定理：设X1,X2…Xn为独立同分布随机变量，分布为p(x), x∈(x1,x2..xn),则一般抽样样本大小S为：
S = λ*2 ^H(X) …………………………(1)
其中：λ是常数，H(X)= -∑p(xi)*log
p(xi),即随机变量X的熵。
例1：了解总体为N个人对某事物的看法，是或否两个选择，其熵约为1，（假设两种回答人数基本相当），则在一定的置信度、置信区间的要求下（本文不做精确的抽样理论推导，仅举例定性说明，以下同），S随着N的增加（比如到10万）逐步趋向为一个常数；400，此时λ=200。 可以证明，当其它条件不变，随着熵增加，S指数增加，λ保持不变。
换一个方式解释λ。
定义1：λ是在一次抽样中，“典型状态”出现的期望值。
定义2：典型状态指该状态出现概率等于或近似等于相同熵值平均分布下各状态出现概率的那个状态。
举例来说，X服从一个8状态平均分布，其熵为3比特，其每个状态都是“典型状态”，其出现概率都是1/8。
如果X服从一个12个状态的分布，其状态分布概率为
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。其典型状态是 x5, 出现概率为1/8.
基于上述规定，如果λ取1，H（X）=3，则样本大小S =8，在一次抽样中，典型状态（出现概率1/8）出现次数的期望值为1，等于λ。但状态出现是依概率的，尽管期望值为1，但观察值也可能为0，2，3…，这样的估计误差过大。
如果λ取100，H（X）=3，则样本大小S =800，在一次抽样中，典型状态出现的期望值为100，等于λ。其实际观察值在极大概率下落在95-105之间，如果误差可接受，取λ=100，否则，加大λ。
另外一个影响λ的因素是分层。将例1中的总体N分为高收入（20%），中等收入（50%），低收入（30%）3类人来调查对某事物看法。如果采用纯随机抽样，要保证每层的分布得到准确的估计结果，就要使得最少个体的层能够抽到足够数量，因此λ要乘5（20%的倒数）。但事实上，人们更关心总体结果，兼顾分层的结果，因此，为了节约成本，实际的λ修正系数会小一些，比如取3，这时，样本大小约为1200 。这时，不管总体是10万人还是3亿人，对1200人的样本进行的调查结果可以在3%的误差范围内反映出实际情况。
通过以上分析可以看出，λ是一个100-1000之间的常数，具体数值取决于调查方希望在一次抽样中得到多少个典型状态（或分层的）的个体（期望值），并满足误差要求。在确定了λ之后，样本的大小就只和系统熵相关，呈指数增长关系，即公式（1）。
采用传统抽样方法时，研究对象的随机状态和变化有限，或通过人为的分类使之变得有限，导致熵值很小，因此，使用较小的样本就可以准确地估计总体。加之那时的取样成本很高，调查方要花费很大精力设计抽样方案，在不失精度的前提下，使得样本规模尽量缩小。
互联网时代的状况恰恰相反，研究对象是互联网的行为，获取数据非常容易，因为数据已经产生，不管你用不用它，它就在那里。而互联网上许多研究对象的状态无限多，也很难统计归类（比如“长尾现象”），系统熵值很大，导致样本规模巨大或根本无法确定规模。此时，采用总体分析，即大数据方法就具有优势。当然，即使总体数据已经存在，对其整理和运算也相当消耗资源。一些情况下，采用抽样的方法仍然是最佳的选择。
现在，让我们尝试回答上节最后提出的问题：面对一个具体问题如何选取分析方法？
首先，考察研究对象所需的数据是否已经在应用中自动被收集，比如，用户的线上购物行为。如果不是，比如线下购物，需要研究者设计方法去收集数据，此时，应该采用传统抽样方法。
其次，面对互联网已经（或可以实时在线）获得的海量数据，当研究对象熵值小于5，建议仍采用传统抽样方式，可以得到更高效率；当熵值介于5-15之间，总体分析或抽样分析都可以考虑，视具体情况；熵值大于15，建议采用总体分析，即大数据方法。
上述建议仍然很抽象。在下一小节中，我们借用长尾理论的描述方法，将统计研究对象分为4种类型，分别讨论适用的方法。
分类：
第一类：“无尾模型”。此时，研究对象的状态明确且数量有限，出现概率最小的状态仍然具有统计意义。如民主投票，状态有赞成、反对、弃权3个状态，或是有限个被选举人的支持率；再如收视率调查，状态有几十或几百个电视台。统计结果的描述方法通常是分布直方图，即将状态出现的频次从高向低顺序以柱状图的方式表示出来。连接直方图的各个顶点，就得到总体的概率分布曲线。按照相同顺序排列频次累计数并将顶点相连，就得到所谓“帕累托曲线”。两个曲线表现为凹函数，或二阶导数恒为负值（借用连续的分析，实际上是离散的），在曲线尾部没有出现变化。随着状态数的增多，“二八现象”会显着，即少数状态（比如20%）占到了多数频次（比如80%）。
第二类：“翘尾模型”。此时，研究对象的状态较明确且数量较多，出现概率很小的状态相对失去统计意义，在统计上把这些状态统一归类为“其它”状态。绝大多数情况下，由于其它状态是由许多状态构成的，其出现概率的和高于排列在前的某些较小概率状态的概率，因此，总体概率分布曲线及帕累托曲线在尾部会出现上翘，即所谓“翘尾模型”。为了保证统计效果，其它状态总的概率一般不超过5%。这时，二八现象极为显着，便于“ABC分析”和重点管理，因此翘尾模型在企业管理上应用极为广泛。如质量管理（缺陷分析），库存管理（零配件库、商店、卖场，特别是实体书店，可与后面网络书店的长尾现象比较）等。
以上两种模型运用传统的抽样方法均可以取得良好的统计结果。随着对象状态数量增加，并不存在明显界限。以收视率调查为例：选择3万个调查样本户进行收视调查，当有二、三十个电视台台时，收视率最低的电视台也能得到显着的观察值，可以认为是无尾模型。当电视台数量超过100，许多收视率达不到0.3%的电视台在一次抽样中就无法达到可以保证相对精度的观测值，此时，既可以扩大样本范围来满足精度要求，也可以将小于0.3%的状态合并为“其它”，采用“翘尾模型”。
随着三网融合的进展，绝大多数电视机将具有双向功能，总体数据变得唾手可得，此时，抽样方法仍然有效，它可以用来做实时的、频繁的统计，而采用总体的大数据方法可以定时进行校正，毕竟处理几万个样本比处理几亿条总体数据要迅速、便宜得多。
第三类：“长尾模型”。此时，研究对象的状态不够明确且数量很多，出现概率很小、相对失去统计意义的状态众多。但是，这些小概率状态的全部或部分和占到总体状态的30%-40%，甚至更多。反映在概率分布或帕累托图上就形成一个长长的尾巴（渐进于X轴或Y=1的直线）。如果采用翘尾模型，用抽样的办法，会使总体的30%-40%，甚至更多的状态无法描述。从而必须采用全体数据即大数据的方法。
举例来说：一个实体书店的货架上有1000种书籍，经过统计，老板会发现，卖得好的前200种书占到其销售额的80%以上，而卖得不好的后500种书的占比甚至不到5%，统计上可以并为一类。这就是所谓“二八现象”，老板采用抽样统计的方法可以掌握占销售额95%的书籍的分布情况。而一个网络书店的数据库中可能列有20万种书籍，其中热卖的200种占销售额的20%，前2000种共占到40%。而余下的19.8万种书籍构成其余60%的销售额，但每种份额是如此之小，以至于无论如何扩大样本，都不易被显着地观察到。在这种情况下只能采用大数据方法，否则，60%的销售额都不知道从哪里产生的统计还有什么作用。
第四类：“全尾模型”。此时，研究对象的状态很不明确、甚至未知，而数量极多甚至无限，正常情况下，无论如何选择样本都无法在统计意义上显着地得到各个状态的观察值，一旦可以观察到，说明出现异常。其分布曲线是无限接近且平行于X轴的直线。所以我们也可以称之为“平尾”。
典型的例子如关键词搜索，事先无法确定状态，即系统事先不知道用户要搜索什么，且搜索的内容可能无限多，因此无法事先设计抽样模型。采用分析全体的大数据方法，可以在出现异常时即使发现并加以分析。比如，某种疾病或药物的名词在某一地区的搜索量大增，就可以预测这一地区可能流行某种疾病。事实上，谷歌的大数据分析在这方面已经比传统的流行病预测机制和机构做得更好、更有效率。
大数据方法被认为最适于做预警或预测某种人们事先不知道的状态，而抽样统计则一般是根据已知的状态安排抽样规则。
以上四种模型分析与上节基于熵的分析是一致的。其中无尾和翘尾模型的熵值分别为小于6、介于5-15之间；而长尾和全尾模型的熵值分别为大于15、趋于无穷。前二者多采用传统抽样分析，后二者只能采用大数据方法。更为重要的是，随着量变引起质变，大数据方法会带来更多、更新的概念、理论和技术。

G. 用k线、指标、形态分析一只股票未来价格走势

分析股票走势千万不要给漂亮的K线所迷惑，股市中常有“骗线”的说法，少数庄家为了达到获取超额利润的目的，就会在市场上制造一些假象。这也可能就是许多人认为技术分析的理论竟会与现实如此背道而驰的原因。举个简单的例子，比如一个庄家想做一段上升行情时，先造成不利多头的线路，使投资者产生错觉，卖出股票，而庄家自己则大量吃进，然后，拉高行情出货。所以，不相信技术分析是不可取的，而完全靠技术分析的理论知识也是靠不住。必须要用技术分析的理论加上对人们心理因素和许多其他方面的分析才行，这是一个很复杂的过程。经常炒股的人都知道要看股票K线。股市变化多端，要想找一些“规律”我们可以利用K线，从而更好地运用到日常股票操作中来
从K线上能看出哪些信息，下面来教大家，教大家如何分析它。
分享之前，先免费送给大家几个炒股神器，能帮你收集分析数据、估值、了解最新资讯等等，都是我常用的实用工具，建议收藏：炒股的九大神器免费领取（附分享码）
一、 股票K线是什么意思？
K线图被称作蜡烛图、日本线、阴阳线等，最常见的叫法是--K线，它本来是要用来表现米价每天的变化的，后来在股票、期货、期权等证券市场也能看到它的身影。
影线和实体构成形为柱状的k线。影线在实体上方的部分叫上影线,下方的部分叫下影线，实体分阳线和阴线。
Ps：影线代表的是当天交易的最高和最低价，实体表示的是当天的开盘价和收盘价。
阳线的表示方法很多，最常用的有红色、白色柱体还有黑框空心，然而阴线大多是选用绿色、黑色或者蓝色实体柱，

另外，人们见到“十字线”时，可以理解为实体部分形成了一条线
其实十字线的意思很简单，可以根据十字线看出当天的收盘价=开盘价。
经过对K线的剖析，我们可以出色的找到买卖点（虽然股市没有办法预测，但K线指导意义是有的），对于新手来说也是最好操控的。
在这我要给大家警醒一下，K线分析起来，没有想象中那么容易，若是刚刚炒股的你还不了解K线，建议用一些辅助工具来帮你判断一只股票是否值得买。
比如说下面的诊股链接，输入你中意的股票代码，就能自动帮你估值、分析大盘形势等等，我刚开始炒股的时候就用这种方法来过渡，非常方便：【免费】测一测你的股票当前估值位置？
下面我就跟大家说说关于几个K线分析的小窍门儿，帮助你快速进入初级阶段。
二、怎么用股票K线进行技术分析？
1、实体线为阴线
这个时候主要关注的就是股票成交量如何，如果成交量不大，说明股价可能会短期下降；而成交量很大的话，那股价很有可能要长期下跌了。
2、实体线为阳线
实体线为阳线就意味着股价上涨动力更足，但是否是长期上涨，还要结合其他指标进行判断。
比如说大盘形式、行业前景、估值等等因素/指标，但是由于篇幅问题，不能展开细讲，大家可以点击下方链接了解：新手小白必备的股市基础知识大全

应答时间：2021-09-24，最新业务变化以文中链接内展示的数据为准，请点击查看

H. 有二级指标怎么用熵值法

建议先将逆向指标正向化，然后再进行分析,使用数据处理里面的‘正向化’功能即可。具体可查看SPSSAU帮助手册说明。

熵权法的思想是通过计算各指标值与其均值差异程度来计算权重的，定性指标在经过量化后，也可以应用熵权法进行计算，应该注意的是，熵权法通过数据来计算权重，没有考虑指标本身的重要程度，计算得到的权重可解释性较差，最好与主观权重计算相结合，进行综合评价。

基本原理

在信息论中，熵是对不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大。

以上内容参考：网络-熵值法

I. 股票k线图基础知识，怎么分析的

要精通炒股必须会看时分图、K线图这样才能看清股票的阻力位、支撑位及未来趋势，以下为最基本的入门资料，通俗易懂