大数据分析股票的原理

① 大数据告诉你A股的秘密规律

大数据告诉你A股的秘密规律
1、收盘前上涨概率较高

统计数据表明，2009年1月至2015年9月期间，对比指数每五分钟的涨跌幅发现，午盘收盘前和全天收盘前，市场呈现较高概率的上涨，上涨概率高达60.3%和79.1%。
尾盘上涨现象与市场交易机制有较大关系，例如尾盘机构集中建仓、以及大宗交易的影响。但综合而言，对该现象的产生，目前尚没有完美的解释。
2、周一上涨概率大
统计每周的交易时间发现，周一上涨的概率和幅度最大。分段统计后发现，牛市期间，股市在周一上涨的幅度较大，而熊市中这种现象不明显。
“周一更容易上涨现象”在美国等成熟市场则并不明显，这很可能是由于成熟市场投资者情绪化不明显造成的。
周一出现极端涨跌幅的概率较高，这也与市场预期有关。例如投资者未预期到的周末市场数据和突发事件出现，或者预期落空带来的市场波动，在我国以散户为主的市场中，这种市场情绪波动更大。
统计月度数据发现，我国资本市场的上半月效应明显。而这种现象，与SHIBOR短端利率上半月较低的统计规律遥相呼应。
3、四月份要卖
“Sell In may and goaway”是一句广为流传的股市谚语，指的是股市在经过5月份后，市场就开始疲软，投资者在5月就可以获利了结。
通过随机测算上证综指的投资收益率：在每年任意时间买入指数，在之后任意时间卖出获利。发现年初买入、四月卖出获得正收益的概率最大。同时对比美国标普500指数，此期间交易带来的正收益概率也是最大的。
同时，美国的长期投资价值凸显，从年度随机投资收益的分布来看，均显示最长时间的持股，投资收益最高。对比标普500的指数的长期走势，发现标普500指数的价值是通过时间来检验的，持有时间越长，收益越高。
如果从月度涨跌幅的角度去看市场，上证综指和标普500指数均在上半年取得比较好的正收益，上涨的概率较高，而进入6月份后，市场的回报率和上涨概率均下行。
4、牛市波动增强
用两种方法来表示股票市场的波动，日内分钟收益率的标准差和开盘收盘价格波幅。
从日内分钟数据的标准差来看，在上证综指的阶段性顶点时，市场的波动显着增强，而这种现象在市场趋势性上涨的尾端更为明显。
从开盘收盘价格的波幅来看，波动带来的规律并不如上一种方式明显。
但对开盘收盘的价格进行了策略化处理后，回测其效果即：高开买进、低开卖出的双向操作。
回测结果显示，这样的策略长期表现要好于指数，但其效果存在失效期。用同样的方法测试了沪深300股指期货主力合约，策略失效同样存在，其长期效果尚可，年化回报率为12.2%。
5、春节前后上涨概率大
每当长假来临，持币过节还是持股过节的问题，都会备受投资者关注。
研究结果表明，在节前五个交易日，节后七个交易日里，上证综指表现较好。在迄今为止的22个春节前后，上证综指上涨次数为18次，上涨概率高达81.81%，涨跌幅的中值为3.19%，均值为3.72%。春节效应比十一效应更加明显，持续时间更长、平均上涨幅度更大。
在十一长假之前的三个交易日和假日之后的两个交易日，上证综指表现较好。在16次十一长假前后，上证综指有11次上涨，上涨概率为68.75%，指数涨跌幅的中值为1.87%，均值为1.05%。由此可见，在十一假日前后，指数上涨的概率较大，十一效应在A股市场中较为明显。
整体而言，我国的假期效应明显，尤其是春节效应，其持续时间和涨幅都比较高。
统计标普500指数的圣诞节效应，发现同样存在节日效应，尤其是在圣诞节之后，市场表现相对较好。
6、均线系统仍有效
技术分析在我国股票市场应用依然较为广泛，而技术分析的有效性，也是广大投资者争论不休的事情。
回测结果显示，在多数发展比较完善的资本市场，例如美国，日本、英国、法国，均线系统下的技术分析已经失效，而新兴市场国家和地区依然有效，而且德国DAX30指数有效性也较强。
值得一提的是，双均线系统的有效期，比单均线有效期要长久一些，或许这暗示着技术分析也要进行不断的演化，以适应市场的发展。
7、7倍PE肯定见底
资本市场有其自身规律，也有着估值的上下限。“树不会长到天上去”，脱离资本市场规律的事情不可能长久。
8、低价股收益率最高
对比A股的不同市场风格指数发现，在A股中，低估值个股，包括低市盈率和低市净率指数，长期走势均好于中、高估值品种，且其长期收益率要高于上证综指。在资本市场的长线低估值走势较好。
9、新股上市第一年收益欠佳
由于我国资本市场的结构和上市制度，导致上市公司在上市前报表的盈利能力较高，而一旦上市，其整体盈利能力开始下滑。
统计前五年上市公司的RoE分布表明，随着上市时间的延长，低盈利能力的公司开始增加，收益率的众数开始向较低的RoE水平倾斜。
对比上市公司不同年限的投资价值，上市第一年的投资收益并不好，其后明显好转。
10、金融板块行情独立
从行业的月度收益率出发，寻找行业之间的联动性。
数据显示，金融行业与其他行业的相关性最小，而在每个月上涨前五名的行业中，银行业出现的次数最多。

② 如何用大数据炒股

我们如今生活在一个数据爆炸的世界里。网络每天响应超过60亿次的搜索请求，日处理数据超过100PB，相当于6000多座中国国家图书馆的书籍信息量总和。新浪微博每天都会发布上亿条微博。在荒无人烟的郊外，暗藏着无数大公司的信息存储中心，24小时夜以继日地运转着。
克托·迈尔-舍恩伯格在《大数据时代》一书中认为，大数据的核心就是预测，即只要数据丰富到一定程度，就可预测事情发生的可能性。例如，“从一个人乱穿马路时行进的轨迹和速度来看他能及时穿过马路的可能性”，或者通过一个人穿过马路的速度，预测车子何时应该减速从而让他及时穿过马路。

那么，如果把这种预测能力应用在股票投资上，又会如何？

目前，美国已经有许多对冲基金采用大数据技术进行投资，并且收获甚丰。中国的中证广发网络百发100指数基金（下称百发100），上线四个多月以来已上涨68%。

和传统量化投资类似，大数据投资也是依靠模型，但模型里的数据变量几何倍地增加了，在原有的金融结构化数据基础上，增加了社交言论、地理信息、卫星监测等非结构化数据，并且将这些非结构化数据进行量化，从而让模型可以吸收。

由于大数据模型对成本要求极高，业内人士认为，大数据将成为共享平台化的服务，数据和技术相当于食材和锅，基金经理和分析师可以通过平台制作自己的策略。

量化非结构数据

不要小看大数据的本领，正是这项刚刚兴起的技术已经创造了无数“未卜先知”的奇迹。

2014年，网络用大数据技术预测命中了全国18卷中12卷高考作文题目，被网友称为“神预测”。网络公司人士表示，在这个大数据池中，包含互联网积累的用户数据、历年的命题数据以及教育机构对出题方向作出的判断。

在2014年巴西世界杯比赛中，Google亦通过大数据技术成功预测了16强和8强名单。

从当年英格兰报社的信鸽、费城股票交易所的信号灯到报纸电话，再到如今的互联网、云计算、大数据，前沿技术迅速在投资领域落地。在股票策略中，大数据日益崭露头角。

做股票投资策略，需要的大数据可以分为结构化数据和非结构化数据。结构化数据，简单说就是“一堆数字”，通常包括传统量化分析中常用的CPI、PMI、市值、交易量等专业信息；非结构化数据就是社交文字、地理位置、用户行为等“还没有进行量化的信息”。

量化非结构化就是用深度模型替代简单线性模型的过程，其中所涉及的技术包括自然语言处理、语音识别、图像识别等。

金融大数据平台-通联数据CEO王政表示，通联数据采用的非结构化数据可以分为三类：第一类和人相关，包括社交言论、消费、去过的地点等；第二类与物相关，如通过正在行驶的船只和货车判断物联网情况；第三类则是卫星监测的环境信息，包括汽车流、港口装载量、新的建筑开工等情况。

卫星监测信息在美国已被投入使用，2014年Google斥资5亿美元收购了卫星公司Skybox，从而可以获得实施卫星监测信息。

结构化和非结构化数据也常常相互转化。“结构化和非结构化数据可以形象理解成把所有数据装在一个篮子里，根据应用策略不同相互转化。例如，在搜索频率调查中，用户搜索就是结构化数据；在金融策略分析中，用户搜索就是非结构化数据。”网络公司人士表示。

华尔街拿着丰厚薪水的分析师们还不知道，自己的雇主已经将大量资本投向了取代自己的机器。
2014年11月23日，高盛向Kensho公司投资1500万美元，以支持该公司的大数据平台建设。该平台很像iPhone里的Siri，可以快速整合海量数据进行分析，并且回答投资者提出的各种金融问题，例如“下月有飓风，将对美国建材板块造成什么影响？”

在Kensho处理的信息中，有80%是“非结构化”数据，例如政策文件、自然事件、地理环境、科技创新等。这类信息通常是电脑和模型难以消化的。因此，Kensho的CEO Daniel Nadler认为，华尔街过去是基于20%的信息做出100%的决策。

既然说到高盛，顺便提一下，这家华尔街老牌投行如今对大数据可谓青睐有加。除了Kensho，高盛还和Fortress信贷集团在两年前投资了8000万美元给小额融资平台On Deck Capital。这家公司的核心竞争力也是大数据，它利用大数据对中小企业进行分析，从而选出值得投资的企业并以很快的速度为之提供短期贷款。

捕捉市场情绪

上述诸多非结构化数据，归根结底是为了获得一个信息：市场情绪。

在采访中，2013年诺贝尔经济学奖得主罗伯特•席勒的观点被无数采访对象引述。可以说，大数据策略投资的创业者们无一不是席勒的信奉者。

席勒于上世纪80年代设计的投资模型至今仍被业内称道。在他的模型中，主要参考三个变量：投资项目计划的现金流、公司资本的估算成本、股票市场对投资的反应（市场情绪）。他认为，市场本身带有主观判断因素，投资者情绪会影响投资行为，而投资行为直接影响资产价格。
然而，在大数据技术诞生之前，市场情绪始终无法进行量化。

回顾人类股票投资发展史，其实就是将影响股价的因子不断量化的过程。

上世纪70年代以前，股票投资是一种定性的分析，没有数据应用，而是一门主观的艺术。随着电脑的普及，很多人开始研究驱动股价变化的规律，把传统基本面研究方法用模型代替，市盈率、市净率的概念诞生，量化投资由此兴起。

量化投资技术的兴起也带动了一批华尔街大鳄的诞生。例如，巴克莱全球投资者（BGI）在上世纪70年代就以其超越同行的电脑模型成为全球最大的基金管理公司；进入80年代，另一家基金公司文艺复兴（Renaissance）年均回报率在扣除管理费和投资收益分成等费用后仍高达34%，堪称当时最佳的对冲基金，之后十多年该基金资产亦十分稳定。

“从主观判断到量化投资，是从艺术转为科学的过程。”王政表示，上世纪70年代以前一个基本面研究员只能关注20只到50只股票，覆盖面很有限。有了量化模型就可以覆盖所有股票，这就是一个大的飞跃。此外，随着计算机处理能力的发展，信息的用量也有一个飞跃变化。过去看三个指标就够了，现在看的指标越来越多，做出的预测越来越准确。

随着21世纪的到来，量化投资又遇到了新的瓶颈，就是同质化竞争。各家机构的量化模型越来越趋同，导致投资结果同涨同跌。“能否在看到报表数据之前，用更大的数据寻找规律？”这是大数据策略创业者们试图解决的问题。

于是，量化投资的多米诺骨牌终于触碰到了席勒理论的第三层变量——市场情绪。

计算机通过分析新闻、研究报告、社交信息、搜索行为等，借助自然语言处理方法，提取有用的信息；而借助机器学习智能分析，过去量化投资只能覆盖几十个策略，大数据投资则可以覆盖成千上万个策略。

基于互联网搜索数据和社交行为的经济预测研究，已逐渐成为一个新的学术热点，并在经济、社会以及健康等领域的研究中取得了一定成果。在资本市场应用上，研究发现搜索数据可有效预测未来股市活跃度（以交易量指标衡量）及股价走势的变化。

海外就有学术研究指出，公司的名称或者相关关键词的搜索量，与该公司的股票交易量正相关。德国科学家Tobias Preis就进行了如此研究：Tobias利用谷歌搜索引擎和谷歌趋势（Google Trends），以美国标普500指数的500只股票为其样本，以2004年至2010年为观察区间，发现谷歌趋势数据的公司名称搜索量和对应股票的交易量，在每周一次的时间尺度上有高度关联性。也就是说，当某个公司名称在谷歌的搜索量活动增加时，无论股票的价格是上涨或者下跌，股票成交量与搜索量增加；反之亦然，搜索量下降，股票成交量下降。以标普500指数的样本股为基础，依据上述策略构建的模拟投资组合在六年的时间内获得了高达329%的累计收益。

在美国市场上，还有多家私募对冲基金利用Twitter和Facebook的社交数据作为反映投资者情绪和市场趋势的因子，构建对冲投资策略。利用互联网大数据进行投资策略和工具的开发已经成为世界金融投资领域的新热点。

保罗·霍丁管理的对冲基金Derwent成立于2011年5月，注册在开曼群岛，初始规模约为4000万美元， 2013年投资收益高达23.77%。该基金的投资标的包括流动性较好的股票及股票指数产品。
通联数据董事长肖风在《投资革命》中写道，Derwent的投资策略是通过实时跟踪Twitter用户的情绪，以此感知市场参与者的“贪婪与恐惧”，从而判断市场涨跌来获利。

在Derwent的网页上可以看到这样一句话：“用实时的社交媒体解码暗藏的交易机会。”保罗·霍丁在基金宣传册中表示：“多年以来，投资者已经普遍接受一种观点，即恐惧和贪婪是金融市场的驱动力。但是以前人们没有技术或数据来对人类情感进行量化。这是第四维。Derwent就是要通过即时关注Twitter中的公众情绪，指导投资。”

另一家位于美国加州的对冲基金MarketPsych与汤普森·路透合作提供了分布在119个国家不低于18864项独立指数，比如每分钟更新的心情状态（包括乐观、忧郁、快乐、害怕、生气，甚至还包括创新、诉讼及冲突情况等），而这些指数都是通过分析Twitter的数据文本，作为股市投资的信号。

此类基金还在不断涌现。金融危机后，几个台湾年轻人在波士顿组建了一家名为FlyBerry的对冲基金，口号是“Modeling the World（把世界建模）”。它的投资理念全部依托大数据技术，通过监测市场舆论和行为，对投资做出秒速判断。

关于社交媒体信息的量化应用，在股票投资之外的领域也很常见：Twitter自己也十分注重信息的开发挖掘，它与DataSift和Gnip两家公司达成了一项出售数据访问权限的协议，销售人们的想法、情绪和沟通数据，从而作为顾客的反馈意见汇总后对商业营销活动的效果进行判断。从事类似工作的公司还有DMetics，它通过对人们的购物行为进行分析，寻找影响消费者最终选择的细微原因。

回到股票世界，利用社交媒体信息做投资的公司还有StockTwits。打开这家网站，首先映入眼帘的宣传语是“看看投资者和交易员此刻正如何讨论你的股票”。正如其名，这家网站相当于“股票界的Twitter”，主要面向分析师、媒体和投资者。它通过机器和人工相结合的手段，将关于股票和市场的信息整理为140字以内的短消息供用户参考。

此外，StockTwits还整合了社交功能，并作为插件可以嵌入Twitter、Facebook和LinkedIn等主要社交平台，让人们可以轻易分享投资信息。

另一家公司Market Prophit也很有趣。这家网站的宣传语是“从社交媒体噪音中提炼市场信号”。和StockTwits相比，Market Prophit更加注重大数据的应用。它采用了先进的语义分析法，可以将Twitter里的金融对话量化为“-1（极度看空）”到“1（极度看多）”之间的投资建议。网站还根据语义量化，每天公布前十名和后十名的股票热度榜单。网站还设计了“热度地图”功能，根据投资者情绪和意见，按照不同板块，将板块内的个股按照颜色深浅进行标注，谁涨谁跌一目了然。

中国原创大数据指数

尽管大数据策略投资在美国貌似炙手可热，但事实上，其应用尚仅限于中小型对冲基金和创业平台公司。大数据策略投资第一次被大规模应用，应归于中国的百发100。

网络金融中心相关负责人表示，与欧美等成熟资本市场主要由理性机构投资者构成相比，东亚尤其是中国的股票类证券投资市场仍以散户为主，因此市场受投资者情绪和宏观政策性因素影响很大。而个人投资者行为可以更多地反映在互联网用户行为大数据上，从而为有效地预测市场情绪和趋势提供了可能。这也就是中国国内公募基金在应用互联网大数据投资方面比海外市场并不落后、甚至领先的原因。

百发100指数由网络、中证指数公司、广发基金联合研发推出，于2014年7月8日正式对市场发布，实盘运行以来一路上涨，涨幅超过60%。跟踪该指数的指数基金规模上限为30亿份，2014年9月17日正式获批，10月20日发行时一度创下26小时疯卖18亿份的“神话”。

外界都知道百发100是依托大数据的指数基金，但其背后的细节鲜为人知。

百发100数据层面的分析分为两个层面，即数据工厂的数据归集和数据处理系统的数据分析。其中数据工厂负责大数据的收集分析，例如将来源于互联网的非结构化数据进行指标化、产品化等数据量化过程；数据处理系统，可以在数据工厂递交的大数据中寻找相互统计关联，提取有效信息，最终应用于策略投资。

“其实百发100是在传统量化投资技术上融合了基于互联网大数据的市场走势和投资情绪判断。”业内人士概括道。

和传统量化投资类似，百发100对样本股的甄选要考虑财务因子、基本面因子和动量因子，包括净资产收益率（ROE）、资产收益率（ROA）、每股收益增长率（EPS）、流动负债比率、企业价值倍数（EV/EBITDA）、净利润同比增长率、股权集中度、自由流通市值以及最近一个月的个股价格收益率和波动率等。

此外，市场走势和投资情绪是在传统量化策略基础上的创新产物，也是百发100的核心竞争力。接近网络的人士称，市场情绪因子对百发100基金起决定性作用。

网络金融中心相关负责人是罗伯特•席勒观点的支持者。他认为，投资者行为和情绪对资产价格、市场走势有着巨大的影响。因此“通过互联网用户行为大数据反映的投资市场情绪、宏观经济预期和走势，成为百发100指数模型引入大数据因子的重点”。

传统量化投资主要着眼点在于对专业化金融市场基本面和交易数据的应用。但在网络金融中心相关业务负责人看来，无论是来源于专业金融市场的结构化数据，还是来源于互联网的非结构化数据，都是可以利用的数据资源。因此，前文所述的市场情绪数据，包括来源于互联网的用户行为、搜索量、市场舆情、宏观基本面预期等等，都被网络“变废为宝”，从而通过互联网找到投资者参与特征，选出投资者关注度较高的股票。

“与同期沪深300指数的表现相较，百发100更能在股票市场振荡时期、行业轮动剧烈时期、基本面不明朗时期抓住市场热点、了解投资者情绪、抗击投资波动风险。”网络金融中心相关负责人表示。

百发100选取的100只样本股更换频率是一个月，调整时间为每月第三周的周五。

业内人士指出，百发100指数的月收益率与中证100、沪深300、中证500的相关性依次提升，说明其投资风格偏向中小盘。

但事实并非如此。从样本股的构成来说，以某一期样本股为例，样本股总市值6700亿元，占A股市值4.7%。样本股的构成上，中小板21只，创业板4只，其余75只样本股均为大盘股。由此可见，百发100还是偏向大盘为主、反映主流市场走势。

样本股每个月的改变比例都不同，最极端的时候曾经有60%进行了换仓。用大数据预测热点变化，市场热点往往更迭很快；但同时也要考虑交易成本。两方面考虑，网络最后测算认为一个月换一次仓位为最佳。

样本股对百发100而言是核心机密——据说“全世界只有基金经理和指数编制机构负责人两个人知道”——都是由机器决定后，基金经理分配给不同的交易员建仓买入。基金经理也没有改变样本股的权利。

展望未来，网络金融中心相关负责人踌躇满志，“百发100指数及基金的推出，只是我们的开端和尝试，未来将形成多样化、系列投资产品。”

除了百发100，目前市场上打着大数据旗帜的基金还有2014年9月推出的南方-新浪I100和I300指数基金。

南方-新浪I100和I300是由南方基金、新浪财经和深圳证券信息公司三方联合编制的。和百发100类似，也是按照财务因子和市场情绪因子进行模型打分，按照分值将前100和前300名股票构成样本股。推出至今，这两个指数基金分别上涨了10%左右。

正如百发100的市场情绪因子来自网络，南方-新浪I100和I300的市场情绪因子全部来自新浪平台。其中包括用户在新浪财经对行情的访问热度、对股票的搜索热度；用户在新浪财经对股票相关新闻的浏览热度；股票相关微博的多空分析数据等。

此外，阿里巴巴旗下的天弘基金也有意在大数据策略上做文章。据了解，天弘基金将和阿里巴巴合作，推出大数据基金产品，最早将于2015年初问世。

天弘基金机构产品部总经理刘燕曾对媒体表示，“在传统的调研上，大数据将贡献于基础资产的研究，而以往过度依赖线下研究报告。大数据将视野拓展至了线上的数据分析，给基金经理选股带来新的逻辑。”

在BAT三巨头中，腾讯其实是最早推出指数基金的。腾讯与中证指数公司、济安金信公司合作开发的“中证腾安价值100指数”早在2013年5月就发布了，号称是国内第一家由互联网媒体与专业机构编制发布的A股指数。不过，业内人士表示，有关指数并没有真正应用大数据技术。虽然腾讯旗下的微信是目前最热的社交平台，蕴藏了大量的社交数据，但腾讯未来怎么开发，目前还并不清晰。

大数据投资平台化

中欧商学院副教授陈威如在其《平台战略》一书中提到，21世纪将成为一道分水岭，人类商业行为将全面普及平台模式，大数据金融也不例外。

然而，由于大数据模型对成本要求极高，就好比不可能每家公司都搭建自己的云计算系统一样，让每家机构自己建设大数据模型，从数据来源和处理技术方面看都是不现实的。业内人士认为，大数据未来必将成为平台化的服务。

目前，阿里、网络等企业都表示下一步方向是平台化。

蚂蚁金服所致力搭建的平台，一方面包括招财宝一类的金融产品平台，另一方面包括云计算、大数据服务平台。蚂蚁金服人士说，“我们很清楚自己的优势不是金融，而是包括电商、云计算、大数据等技术。蚂蚁金服希望用这些技术搭建一个基础平台，把这些能力开放出去，供金融机构使用。”

网络亦是如此。接近网络的人士称，未来是否向平台化发展，目前还在讨论中，但可以确定的是，“网络不是金融机构，目的不是发产品，百发100的意义在于打造影响力，而非经济效益。”
当BAT还在摸索前行时，已有嗅觉灵敏者抢占了先机，那就是通联数据。

通联数据股份公司（DataYes）由曾任博时基金副董事长肖风带队创建、万向集团投资成立，总部位于上海，公司愿景是“让投资更容易，用金融服务云平台提升投资管理效率和投研能力”。该平台7月上线公测，目前已拥有130多家机构客户，逾万名个人投资者。

通联数据目前有四个主要平台，分别是通联智能投资研究平台、通联金融大数据服务平台、通联多资产投资管理平台和金融移动办公平台。

通联智能投资研究平台包括雅典娜-智能事件研究、策略研究、智能研报三款产品，可以对基于自然语言的智能事件进行策略分析，实时跟踪市场热点，捕捉市场情绪。可以说，和百发100类似，其核心技术在于将互联网非结构化数据的量化使用。

通联金融大数据服务平台更侧重于专业金融数据的分析整理。它可以提供公司基本面数据、国内外主要证券、期货交易所的行情数据、公司公告数据、公关经济、行业动态的结构化数据、金融新闻和舆情的非结构化数据等。

假如将上述两个平台比作“收割机”，通联多资产投资管理平台就是“厨房”。在这个“厨房”里，可以进行全球跨资产的投资组合管理方案、订单管理方案、资产证券化定价分析方案等。

通联数据可以按照主题热点或者自定义关键字进行分析，构建知识图谱，将相关的新闻和股票提取做成简洁的分析框架。例如用户对特斯拉感兴趣，就可以通过主题热点看到和特斯拉相关的公司，并判断这个概念是否值得投资。“过去这个搜集过程要花费几天时间，现在只需要几分钟就可以完成。”王政表示。

“通联数据就好比一家餐馆，我们把所有原料搜集来、清洗好、准备好，同时准备了一个锅，也就是大数据存储平台。研究员和基金经理像厨师一样，用原料、工具去‘烹制’自己的策略。”王政形容道。

大数据在平台上扮演的角色，就是寻找关联关系。人类总是习惯首先构建因果关系，继而去倒推和佐证。机器学习则不然，它可以在海量数据中查获超越人类想象的关联关系。正如维克托`迈尔-舍恩伯格在《大数据时代》中所提到的，社会需要放弃它对因果关系的渴求，而仅需关注相互关系。

例如，美国超市沃尔玛通过大数据分析，发现飓风用品和蛋挞摆在一起可以提高销量，并由此创造了颇大的经济效益。如果没有大数据技术，谁能将这毫无关联的两件商品联系在一起？
通联数据通过机器学习，也能找到传统量化策略无法发现的市场联系。其中包括各家公司之间的资本关系、产品关系、竞争关系、上下游关系，也包括人与人之间的关系，例如管理团队和其他公司有没有关联，是否牵扯合作等。

未来量化研究员是否将成为一个被淘汰的职业？目前研究员的主要工作就是收集整理数据，变成投资决策，而之后这个工作将更多由机器完成。

“当初医疗科技发展时，人们也认为医生会被淘汰，但其实并不会。同理，研究员也会一直存在，但他们会更注重深入分析和调研，初级的数据搜集可以交给机器完成。”王政表示。
但当未来大数据平台并广泛应用后，是否会迅速挤压套利空间？这也是一个问题。回答根据网上资料整理

③ 股票技术分析的核心要素是什么能具体说说吗

股票技术分析的核心因素是什么东西呢？我来给大家分享一下我的看法吧。

一.技术分析原理

首先我们先来了解一下技术分析的原理以及核心是什么东西？技术分析它就是通过分析股价的走势，然后去发现一些大概率的走法，比如说连续大跌之后大概率是会上涨，这种走法就算是其中之一。技术分析的原理就是把这些大概率的走势统计出来，统计出来之后就可以根据这一些大概率的事情去进行操作，就可以让我们通过技术分析来进行获利的。

大家看完，记得点赞+加关注+收藏哦。

④ 从数据上分析，股票依据什么原理涨跌的

进行交易的一般都称之为“商品”，股票也不例外，商品的价格都是由价值决定的，所以股票的价格由它的内在价值（标的公司价值）决定，并且价格的变化也会浮动在它内在价值的周围。
在价格波动上，股票像其他商品一样，供求关系影响着它的价格变化。
就像市场中售卖的猪肉，当人们要购买更多猪肉的时候，供给过少，需求过多，价格就会上升；当市场上的猪肉越来越多，而人们的需求却达不到那么多，供给大于需求，猪肉价这个时候肯定就不会上升。
对于股票来说：10元/股的价格，50个人卖出，但市场上有100个买，那另外50个买不到的人就会以11元的价格买入，股价就会呈现上涨的趋势，反之就会下降（由于篇幅问题，这里将交易进行简化了）。
平日里，导致双方情绪变化的原因非常多，进而供求关系会发生变化，其中会对此起到深远影响的因素有3个，接下来我们一一说明。
在这之前，先给大家送波福利，免费领取各行业的龙头股详细信息，涵盖医疗、军工、新能源能热门产业，随时可能被删：【绝密】机构推荐的牛股名单泄露，限时速领！！
一、股票涨跌的原因有哪些呢？
1、政策
都说行业或产业需要配合国家政策，比如说新能源，现在国家对新能源产业的扶持力度越来越大，对相关企业、产业对进行了扶持，比如补贴、减税等。
这就成功吸引了大量资金涌入该市场，同时也会不断的探索相关行业的优秀板块，以及上市公司，最终导致股票的涨跌。
2、基本面
长期来看，市场的走势和基本面相同，基本面向好，市场整体就向好，比如说疫情期间我国经济优先恢复增长，企业盈利也在逐步提高，那股市也会跟着回升。
3、行业景气度
这个是十分重要的，一般来说，股票的涨势基本与行业走势正向相关，一个行业光景好，那这类公司的股票走势就好，价格就高，比如上面说到的新能源。
为了让大家及时了解到最新资讯，我特地掏出了压箱底的宝贝--股市播报，能及时掌握企业信息、趋势拐点等，点击链接就能免费获取：【股市晴雨表】金融市场一手资讯播报
二、股票涨了就一定要买吗？
很多新手刚刚接触到股票，一看某支股票涨势大好，立马投入几万块的资金，入手之后一直跌，被死死地套住了。其实股票的涨跌变化可以在短期内人为的进行干涉，只要有人持有足够多的筹码，一般来说占据市场流通盘的40%，就可以完全控制股价。如果你现在是刚入门的股票新手，把长期占有龙头股进行价值投资作为最先考虑对象，防止在短线投资中出现大量损失。吐血整理！各大行业龙头股票一览表，建议收藏！

应答时间：2021-08-31，最新业务变化以文中链接内展示的数据为准，请点击查看

⑤ 股票为什么会涨跌，其中的原理是什么股票运作的原理是什么

股票运作的本质是供求关系。
股票的涨跌：如果买的人大于卖的人,也就是在供不应求的情况下,股票上涨，反之下跌股票涨跌。
原理：股票流通股是一定的，如果主力大量收集筹码，可参与买卖的筹码减少，那么物以稀为贵，买不到股票，只能抬高股价买。主力建仓完毕就会洗盘，挤出一些意志不坚定者。到合适机会边拉升边出货，如果主力出货完毕往往还能缩量上涨一段空间。这时候风险极大，获利机会也极大。主力出货完毕，散户的热情也告一段落，那么股价就会自然降下来或者被主力砸下来。再走一波下跌建仓影响股票涨跌的因素有很多，大致分为两种，宏观因素和微观因素。
宏观的主要包括国家政策、战争霍乱、宏观经济等；微观的主要是市场因素，公司内部、行业结构、投资者的心理等。

⑥ 如何利用数据分析股票走势呢

经验。。。老实说它们都不能保证什么。。。只能做参考和坚定你买入卖出信心
因为它们出自实际的股票走势，指标给出的判断标准则基于过去出现类似形态图形时后市表现，总有例外发生。。。

那MACD中除了表示强弱的红绿条外，还有一根黄线和一根白线，他们分别是起什么作用的呢？
这个问题多看图很快就会明白了，图形左上角一般有指标名如MACD，然后是参数后面就是DIF和DEA（有些软件叫法不一样），这些代码后面会跟数字每天随股票走势不同数值也会变化，黄线白线就是把每天这些变化的数值标识然后连上，通过这两根线的变化根据经验判断股价未来可能的变化。。。

一条快线一条慢线，向上相交形成金叉更大可能会涨，向下相交形成死叉更大可能会跌，红绿条是两线差的两倍，金叉中为红死叉后为绿
默认参数为9，短线改3或5，中长线改60或90可过滤假信号

◆KDJ KD 用法和MACD类似部分有三条线多个J线，KD两个值小于15显金叉买入高于80死叉卖出
默认参数为9，可以提高参数过滤掉假信号，做超短线则改小到3或5

◆MA 均价（20日就是把前面20天收盘价加上除20）
很有用也很没用，有人说突破120日均价买入破卖出，也有人说三日破五日卖出，上破60日就买入。。。看你自己了，都有成功和失败例子。。。
参数自定主要3、5、10、20、30、60、120

参数越大看上去更安全但也更没效率，设的参数小的持股时间控制好风险更大些但能把握住短线机会。。。

我还常用CCI和威廉指标
CCI越低越安全，跌破-250后再上破-250买入或强势股上破100买入
威廉，一般是越高越买越低卖，比如下破90买入，上破10卖出

其它指标看看但不多参考，好的指标一两个就可以了，太多了会让你无法决定

⑦ 可以利用大数据炒股吗

大数据可以用于股票交易，所谓大数据，就是一个新的分析概念，利用新的系统、新的工具、新的模型来挖掘大量动态的、可持续的数据，从而获得具有洞察力和新价值的东西。大数据已经在一些金融工具中有所体现，大数据会将股票之前的数据全都发布出来，股民可以根据这只股票之前的数据来进行对比。

其实大数据只能说是个趋势，我们可以通过打数据让投资者能够有一个参考性，但不能够过度依赖大数据，毕竟着只是数据，这些数据是死的，而股市却是千变万化的，我们不能过度的依赖大数据得出的分析与结论，大数据也只是作为一个参考数据。世事无绝对，更何况是股票，可能上一秒还是盈利的状态，但是下一秒就已经处于亏损了，不少人也因为炒股倾家荡产，所以这边还是要提醒大家一下，谨慎行事，不要盲目跟风。