精华内容
下载资源
问答
  • A股上证指数日变化趋势聚类分析

    千次阅读 2015-07-05 00:01:13
    股市大数据分析从去年11月以来,中国A股已经进入牛市阶段。...我考虑能不能利用数据挖掘里的聚类技术–均值聚类和凝聚层次聚类来分析每天的上证指数变化情况,看看每日的变化趋势到底符合哪些模式。我们采用2014年1

    股市大数据分析

    从去年11月以来,中国A股已经进入牛市阶段。那么怎么在股市里更好的盈利呢?一些简单的规律其实可以是很帮助的。比如每天A股上证指数变化趋势一般都是符合“持续上涨”、“持续下跌”、“平盘后迅速拉起”、“平盘后迅速下跌”、“深V字型”等几种模式的。我考虑能不能利用数据挖掘里的聚类技术–均值聚类和凝聚层次聚类来分析每天的上证指数变化情况,看看每日的变化趋势到底符合哪些模式。

    我们采用2014年11月28日到2015年6月26日,一共141天的上证综合指数的15分钟K线数据作为原始数据。首先我们利用每个15分钟的开盘价和收盘价的均值来估计一个15分钟平均价。这样每天交易的4个小时的数据就对应了16个平均价。

    为了反应上证指数的变化趋势,我们计算每15分钟均价对应前15分钟均价的变化幅度,假设第 i 个平均价为Vi则第 i 个15分钟相对之前变化幅度为Ri

    Ri=ViVi1Vi1

    这样每日的趋势情况就用一个16维的变化幅度为 Ri 来表示了。对141个每日的数据的聚类也就在这个空间内进行。

    首先来进行K均值聚类,我们选择L1范数来衡量两个数据点之间的距离。如果选择聚类的簇心个数为5,初始簇心有数据点钟随机选出5个。最后绝大多数数据点会被聚集到3个簇里,我们把这3个簇的平均值求得过后再利用变化幅度的公式得到这3个簇对应的变化趋势,可以画出如下图像5个中心的均值聚类结果所对应的趋势图(仅画出3个主要的聚类中心对应的趋势)

    如果我们选择15个聚类中心,那么数据绝大部分聚集到5个簇内,分别对应的趋势如下图所示:
    15个中心的均值聚类结果所对应的趋势图(仅画出5个主要的聚类中心对应的趋势)

    若采用MIN的层次凝聚聚类,得到的结果稍有不同,凝聚层次聚类中我们发现最终数据聚集到4个簇里,对应的变化趋势也可画出图像:
    凝聚层次聚类结果中最主要4个类平均值对应的趋势图

    从这三个图里我们可以看出上证指数的每日趋势还是有一定规律的:若每日开市的一个小时内指数在昨日最后15分钟均价之上运动,则有当日继续上涨的趋势,反之,则有在下午有较大下跌的趋势。

    最后说明几个问题:

    1. csdn原创,请勿转载
    2. 以上是上证指数的趋势,和个股的趋势是不一样的
    3. 股市中出现过的“深V型”等趋势,由于数目较少,没有被划分到几个主要的簇内,也就没有在图中体现,但在最近的股市剧烈震荡行情中出现频率较高。
    4. 由于画图使用的簇的平均值,所以每日的涨跌幅度没有超过2%,哪些大幅的单日涨跌实际“被平均了”
    5. 股市有风险,投资需谨慎,依此入市,风险自担
    展开全文
  • 教育精品资料
  • 选取2007-2009年BDl指数上证综指的周均值作为实证研究的样本数据,对曲线图、散点图进行描述性分析,并进行相关性和波动趋势分析。结果显示:BDI指数上证综指呈现正相关;上证综指一定程度揭示了中国和世界...
  • 变量:恒生指数(HSI),上证综指(SSEN) 开始日期:2000年12月6日 结束日期:2019年4月1日 样本容量:4087 缺失值处理:直接去除 老师要求从底层写起。有了一系列愚蠢的轮子。。当然我的代码也不可能不愚蠢...

    变量:恒生指数(HSI),上证综指(SSEN)

    开始日期:2000年12月6日

    结束日期:2019年4月1日

    样本容量:4087

    缺失值处理:直接去除

     

    老师要求从底层写起。有了一系列愚蠢的轮子。。当然我的代码也不可能不愚蠢了。。

    事件窗口后面分析还会再加。

     

    library(ggplot2)
    
    #数据读取和处理
    DataProcess<-function()
    {
      indexes<-read.csv('num3.csv',head=T,stringsAsFactors = F)
      names(indexes)<-c("date","Sclose","Hclose")
      indexes$date<-as.Date(indexes$date,"%Y/%m/%d")
      indexes$Hclose<-as.numeric(indexes$Hclose)
      indexes$Sclose<-as.numeric(indexes$Sclose)
      indexes<-indexes[complete.cases(indexes),]
      indexes<-indexes[order(indexes$date),]
      rnum<-lengths(indexes[1])
      indexes$Hreturn<-c(NA,log(Hclose[2:rnum]/Hclose[1:rnum-1])*100)
      indexes$Sreturn<-c(NA,log(Sclose[2:rnum]/Sclose[1:rnum-1])*100)
      indexes<-indexes[-1,]
      return(indexes)
    }
    
    #计算平均数
    Mean<-function(coll)
    {
      result<-0
      for(i in 1:length(coll))
      {
          result<-result+coll[i]
      }
      result<-result/length(coll)
      return(as.numeric(result))
    }
    
    #计算方差
    Variance<-function(coll)
    {
      x<-Mean(coll)
      result<-0
      for(i in 1:length(coll))
      {
          result<-result+(coll[i]-x)^2
      }
      result<-result/length(coll)
      return(as.numeric(result))
    }
    
    #计算标准差.n=1,计算总体标准差;n=2,样本标准差估算总体标准差
    Std<-function(coll,n)
    {
      x<-Mean(coll)
      result<-0
      for(i in 1:length(coll))
      {
        result<-result+(coll[i]-x)^2
      }
      if(n==1) result<-result/length(coll)
      else result<-result/(length(coll)-1)
      return(as.numeric(sqrt(result)))
    }
    
    #计算协方差
    Covariance<-function(col1,col2)
    {
      if(length(col1)!=length(col2))
        print("两列个数不同,请重新选择数据")
      else{  
        a<-Mean(col1*col2)
        b<-Mean(col1)*Mean(col2)
      }
      return(a-b)
    }
    
    #计算皮尔逊相关系数
    Correlation<-function(col1,col2){
      x<-Variance(col1)
      y<-Variance(col2)
      z<-Covariance(col1,col2)
      result<-z/sqrt(x*y)
      return(result)
    }
    
    #拆分区间:输入开始日期和结束日期并计算相关系数(格式:yyyy/mm/dd)
    PartSummary<-function(start,end)
    {
      col<-indexes[which(indexes$date<end&indexes$date>start),][c(1,4,5)]
      corr<-Correlation(col$Hreturn,col$Sreturn)
      for(i in 2:3)
      {
        a<-as.vector(unlist(col[i]))
        m<-Mean(a)
        v<-Variance(a)
        s<-Std(a,1)
        x<-c(m,v,s)
        print(colnames(col[i]))
        print(x)
      }
      print('Correlation:')
      print(corr)
    }
    
    #滚动区间法计算相关系数并输出最大值。区间长度为n
    MaxCorr<-function(n)
    {
      a<-0
      c<-19-n
      for(i in 1:c)
      {
        s<-DateGenerate(i)
        e<-DateGenerate(i+n)
        b<-PartSummary2(s,e)
        if(b>a)
        {
          a<-b
          outs<-s
          oute<-e
        }
      }
      print(paste("在区间",outs,"和",oute,"内,港股和沪股的相关性最大,为",a,sep=''))
    }
    
    DateGenerate<-function(t)
    {
      if(t>=10)
        s<-paste('20',t,'/12/05',sep='')
      else
        s<-paste('200',t,'/12/05',sep='')
      return(s)
    }
    
    PartSummary2<-function(start,end)  #对上面PartSummary函数进行了修改。返回相关系数。
    {
      col<-indexes[which(indexes$date<end&indexes$date>start),][c(1,4,5)]
      corr<-Correlation(col$Hreturn,col$Sreturn)
      return(corr)
    }
    
    #寻找最合适区间
    OptimalBlock<-function(){
      a<-MaxCorr(1)
      for(i in 2:10)
      {
        if(MaxCorr(i)>a)
        {
          a<-MaxCorr(i)
          p<-i
        }
      }
      print(paste("在以",p,"作为区间的时候相关系数最大"))
    }
    

     

    1. 收益率描述统计

     

    HSI   (%)

    SSEN   (%)

    平均数

    0.02272439

    0.01314573

    方差

    2.088227

    2.674102

    标准差1

    1.44507

    1.635268

    标准差2

    1.445247

    1.635468

    协方差

    1.038301

    相关系数

    0.4393853

     

     

    图 1恒生指数收益率

     

     

     

    图 2上证指数收益率

     

    1. 相关系数

    PartSummarty函数可以计算选定区间内,HSI 和SSEN 回报的平均数、标准差、方差(从左到右)和相关系数。此处按五年的区间计算,最后一个区间年份不足。

    PartSummary('2001/12/05','2006/12/05')
    "Hreturn"
    0.04042275 1.08589748 1.04206405
    "Sreturn"
    0.01836785 1.84165240 1.35707494
    "Correlation:"
    0.115773
    
    
    
    PartSummary('2006/12/05','2011/12/05')
     "Hreturn"
     0.0004249349 4.3620101976 2.0885426013
     "Sreturn"
     0.006937843 4.310005787 2.076055343
     "Correlation:"
     0.5039478
    
     
    PartSummary('2011/12/05','2016/12/05')
    "Hreturn"
    0.0138097 1.2544832 1.1200371
    "Sreturn"
    0.01597039 2.54077735 1.59398160
    "Correlation:"
    0.5022046
    
    
    PartSummary('2016/12/05','2019/12/05')
    "Hreturn"
    0.049587 1.072461 1.035597
    "Sreturn"
    0.01157943 1.18819815 1.09004502
    "Correlation:"
    0.6325133

     

    整体来看,上证综指波动性高于恒生指数,2000年开局和16年至今,港股回报都高于内地。而在金融危机期间,港股受影响显然高于内地,平均回报比内地低了一个量级。二者相关系数有升高趋势,尝试使用滚动区间法,计算最大相关系数。

     
    MaxCorr(1)
    [1] "在区间2017/12/05和2018/12/05内,港股和沪股的相关性最大,为0.69564142460877"
     
    MaxCorr(3)
    "在区间2016/12/05和2019/12/05内,港股和沪股的相关性最大,为0.6325132940365"

     

    MaxCorr(5)
    "在区间2009/12/05和2014/12/05内,港股和沪股的相关性最大,为0.556603829359562"

     

    MaxCorr(10)
    "在区间2009/12/05和2019/12/05内,港股和沪股的相关性最大,为0.530855166218141"

     

    OptimalBlock()
    "在以 2 作为区间的时候相关系数最大"
    0.6819477
    2017/12/05和2019/12/05

     

    随着时间推移,港股和沪股相关系数在升高。当以2为区间时,两股票相关系数最大。时间区间为17年至今(实际上不到两年),符合先验预期。

    不断提高的相关系数反映出我国股市近年来的发展。2014年4月10日,“沪港通”试点启动;2014年11月17日,港股通正式开启。沪港通拓展了境外资金投资我国证券市场的途径;另一方面接通了国内外资本市场互相通融的桥梁,促进人民币国际化。研究指出,2007年以前,沪港两地股市指数不存在长期均衡,短期走势也是相互独立的。但随着我国资本市场的开放,内地和香港股市联动性加强,关系变得密切。

    我们可以发现,股市之间联动性的加强是在加速的。从2010年至今和2014年沪港通开启之后的收益率相关系数和波动性看来,内地股市与香港较为成熟的股市仍有较大差距。上证综指波动率一直高于恒生指数,说明内地股市相比港股不够稳定。相关系数始终在0.53左右,对比数据发现,沪港通开启之后,两股市的相关系数在区间内没有明显变化。然而17年底以来,相关系数有所提高,说明我国股市水平仍在不断提高。

    当然,本文仅以相关性和波动性作为分析联动性的依据是远远不够的,希望日后学习更多知识,做出更有价值的分析。

     

    表格 1“沪港通”开通的影响

     

    上证综指回报波动性

    恒生指数回报波动性

    相关系数

    2010/01/01至今

    1.428985

    1.158455

    0.5310362

    2010/01/01至2014/11/07

    1.179652

    1.156674

    0.5585115

    2014/11/07至今

    1.662633

    1.160324

    0.5231219

     

    最后,观察了沪港通开通前后15工作日左右的收益率变化。可以发现,沪港通发布期间,收益率处于较低位置,后期出现一定震荡。港股受到影响更大。

     

     

    图 3上证综指“沪港通”开通前后收益率

    图 4恒生指数“沪港通”开通前后收益率

     

     

     

     

     

     

    1. 参考文献

    [1]张昭,李安渝,秦良娟.沪港通对沪港股市联动性的影响[J].金融教学与研究,2014(06):59-62+71.

    [2]李艳萍.探析沪港通对人民币国际化化进程的推动作用[J].中国经贸,2014(10);151.

    [3]范致镇.沪港股市的联动关系研究[J].兰州商学院学报,2010,26(4);35-40.

     

    展开全文
  • 今天我们的目的并不是完全掌握Python量化分析,仅仅是作为入门引领,开启一扇新的大门。在之后的日子里,我会不定时地分享更多关于时间序列分析、量化分析的内容,欢迎关注、收藏、转发! 最近股票行情不太好啊……...

    今天我们的目的并不是完全掌握Python量化分析,仅仅是作为入门引领,开启一扇新的大门。在之后的日子里,我会不定时地分享更多关于时间序列分析、量化分析的内容,欢迎关注、收藏、转发!

    最近股票行情不太好啊……

    可能很多朋友都想用Python分析一下股票数据,来看看自己的股票是否值得持有,或者判断某支股票是否值得建仓。那么问题来了,数据在哪里呢?

    我曾经写了一个脚本,用于抓取每日的行情数据并存储到数据库中,并且用crontab设置了让它每天收盘后执行。但是现在,我发现了一个更加方便的手段,可以快速获取股票的行情数据!

    这种方法就是使用Tushare提供的免费数据接口。Tushare API提供了对Python、R、HTTP、Matlab的支持,这对于我们个人开发者来说再好不过了!

    在Tushare的官方网站上有详细的安装和调用教程,感兴趣的可以先安装下。https://tushare.pro/document/1。

    假如你已经安装完成,那么接下来,就要开始我们的魔法了!

    一、获取上证指数历史行情数据

    import tushare as ts
    import pandas as pd
    
    # 设置token,只需要在第一次调用或者token失效时设置
    # 设置完成后,之后就不再需要这一个命令了
    # ts.set_token('*******')
    
    pro = ts.pro_api()
    df_daily = pro.index_daily(ts_code="000001.SH")
    df_daily.head()
    

    -w857

    可以看到,简单的几行命令,我们就成功获得了上证指数每日的行情数据,而且还是超级方便的pandas DataFrame格式呢!从数据中,我们看到Tushare提供了收盘价、开盘价、最高价、最低价、昨日收盘价、涨幅、百分比涨幅、成交量和成交额这些字段。

    二、处理日期

    我们注意到日期的格式不太符合我们的要求,还好pandas对于时间序列处理提供了良好的支持。我们可以先把日期对象转换为datetime对象,以方便后续的使用。同时我们将时间设置为index。

    df_daily.index = pd.to_datetime(df_daily['trade_date'])
    df_daily.index[:5]
    

    输出为:

    DatetimeIndex(['2018-12-25', '2018-12-24', '2018-12-21', '2018-12-20',
                   '2018-12-19'],
                  dtype='datetime64[ns]', name='trade_date', freq=None)
    

    可以看到,我们已经成功完成了格式转换。

    三、绘制历史收盘价曲线

    import seaborn as sns
    
    # 设置为seaborn的样式,更美观
    sns.set()
    
    # 绘制收盘价曲线
    df.plot(y="close");
    

    四、绘制均线

    我们知道,股票行情受各种因素影响,波动较大,因此我们经常会用均线来作为一个稳定趋势的参考。今天我们就以60日均线为例看下如何使用Python绘制均线。

    import matplotlib.pyplot as plt
    
    df_daily = df_daily.sort_index(ascending=True)
    plt.figure(figsize=(12, 6))
    df_daily.close['20150101':].plot()
    df_daily.close.rolling(60).mean()['20150101':].plot();
    

    考虑到展示效果的问题,我们仅截取了2015年以来的数据,看到这幅图,不禁开始心疼A股韭菜。曾经以为的慢牛,没想到只是一个反弹……

    同时我们也注意到了今年以来60日线对于上证指数的强大压制力,不过观察历史趋势我们还可以发现一点,那就是一旦实现对60日线的有效突破,那就至少会有一段行情(虽然有时可能仅有一个小波段……)

    五、查看估值水平

    Tushare还提供了接口用于获取每天的各项指标,其中就包含了我们接下来要查看的PE水平。

    df_basic = pro.index_dailybasic(ts_code='000001.SH')
    df_basic.head()
    

    -w978

    可以看到,这里有总市值、流通市值、总股本、流通股本、换手率、基于流通股本的换手率、PE(市盈率)、动态PE、PB(市净率)这些字段。

    那我们就来用动态市盈率数据来看下当前A股上证的估值水平。

    plt.figure(figsize=(12, 6))
    sns.distplot(df_basic.pe_ttm, bins=100)
    plt.axvline(x=df_basic.pe_ttm[0], color='red');
    

    看起来,虽然当前的动态市盈率处于绝对的低位,但是仍有很多天的动态市盈率在当前的水平之下。那我们再看一下比当前估值水平更低的情况都出现在哪些时期。

    df_basic.index = pd.to_datetime(df_basic["trade_date"])
    plt.figure(figsize=(12, 6))
    plt.plot(df_basic.pe_ttm)
    plt.axhline(y=df_basic.pe_ttm[0], color="red");
    

    看起来主要14、15年的阶段底部期间,A股上证的估值水平比现在还要低。那么如果真的要跌到这个水平的话,上证指数还要下跌多少?我们来算一下。

    now = df_basic.pe_ttm[0]
    min = df_basic.pe_ttm.min()
    ratio = (now - min) / now
    print("ratio: {0:.2f}%".format(ratio * 100))
    

    输出为:

    ratio: 19.96%
    

    还有20%……别怕,这个并不是真的要再跌20%,只是说在14、15年期间,上证磨底一直将PE磨到了8.9的水平,然后爆发了一波直接上涨到了23。所以说磨得越久,能量积蓄就越足。

    韭菜们,有点耐心哈!另外祝大家多多发财!圣诞快乐!

    展开全文
  • 日线上指数收出坡底反弹走势现象,且是在指数跌破60日均线的情况下发生的,今日走势说明指数破位后遭到该均线的支撑,随后拉回,这种情况下,指数现已完成了一次探底的结构,这种情况下,指数短期的下跌气势会得到...

    今日抢手上主要以稀土,船舶制造,电力为主,这些基础设施制作板块的失常不坚定说明短期抢手无法跟进的情况下,起到安稳军心的作用。

    日线上指数收出坡底反弹走势现象,且是在指数跌破60日均线的情况下发生的,今日走势说明指数破位后遭到该均线的支撑,随后拉回,这种情况下,指数现已完成了一次探底的结构,这种情况下,指数短期的下跌气势会得到抑止,空头的趋势性回转还没有到来。

    小时周期中,今日在午盘给朋友提到由于指数下跌,其重心方位下移至3520附近,但指数在毕竟一个小时拉升现象打破了3520盘中压力,指数毕竟以3530报收,这种情况下,指数打破了盘中压力方位,指数快速下跌走势结束,这点也是今日失常点之一,这中结构中,使得指数进入反弹格局的初期。

    今日汇总:指数今日出现下跌后的拉升现象,短期快速下跌走势结束,指数进入方位轰动过程中,一同,日线的重压区仍在3550附近,但小时周期今日初步进入反弹格局中,这种周期错配现象使得指数走势更加纠结,个人的观念是,指数在3530收盘后,明日该股出现反弹的概率较大,但重压区3550附近的日线方位能否打破较为要害了,所以重要的关注点可以放在3550附近方位,

    日线上K线结构分析看,指数出现的锤子,说明短期下跌出现减缓痕迹,这中结构中出现二次探底的概率较大。

    总之,指数明日出现小幅冲高后,二次探底的几率增加,提示朋友们留心的是,指数走势需求再次查询,终究指数处在空头结构中,在没有脱节空头结构的情况下,多看少动,控制风险为主。

    展开全文
  • 电工杯B题光伏建筑一体化板块指数发展趋势分析及预测 目录赛题简述具体分析赛后感想 赛题简述 电工杯这次有两题,a题是高铁牵引供电系统运行数据分析及等值建模,这题一看就是比较技术型的;然后这次比赛我和一个...
  • 上次没有写完,这次继续……图: 2008年10月15日,上证指数的某公式计算出来的值经过将近一年的时间后,第一次变成正数。而在后面的10月28日,就跌到本轮最低点1664.93。继续: 2009年9月23日,又过了将近一年,...
  • 上海证券综合指数简称“上证指数”或“综指”,其样本股是在上海证券交易所全部上市股票,包括A股和B股,反映了上海证券交易所上市股票价格的变动情况,自1991年7月15日起正式发布。深证指数是指由深圳证券交易...
  • 主要实现对股票等金融数据从数据采集、清洗加工 到 数据存储的过程,能够为金融分析人员提供快速、整洁、和多样的便于分析的数据。其网址为:http://tushare.org/,打开之后的界面如下:在界面左侧,可以看到能够...
  • 上证指数

    2009-03-05 00:15:00
    上证指数(SH000001) 的全称是上海证券交易所股票价格综合指数,是由上海证券交易所编制的股票指数,1990年12月19日正式开始发布。该股票指数的样本为所有在上海证券交易所挂牌上市的股票,其中新上市的股票在挂牌...
  • 上证指数是反映上海证券交易所挂牌股票总体走势的统计指标。上海证券交易所股票指数的发布几乎是和股市行情的变化相同步的,它是我国股民和证券从业人员研判股票价格变化趋势必不可少的参考依据。本文通过分析1991年...
  • 2021电工杯数学建模B题光伏建筑一体化板块指数发展趋势分析及预测详细解题思路【代码及代码说明】 我是中部某985高校研究生一年级在读,本次未参加电工杯,联合研究生组中的五个师兄师姐,做出了2021电工杯B题光伏...
  • 2021年全国大学生电工数学建模竞赛 一、竞赛内容及要求 ...提交竞赛论文:竞赛论文内容涉及模型的假设、建立和求解、算法的设计和计算机实现、结果的分析和检验、模型的改进等方面。竞赛论文成绩评定以假设的合...
  • 基于LSTM的上证指数预测

    千次阅读 2019-03-28 10:53:52
    一、为什么使用LSTM 循环神经网络与传统神经网络模型最大不同之处是加入了对时序数据的处理,将某支股票的长期因子数据作为时间序列,取过去一段时间内的...上证指数从定性上来说,是一种非线性、非平稳的序列,这...
  • 没有一个指数像上证指数那般在人们的内心根深蒂固, 以至成了股市分析的标志性指标, 甚至成了投资者的话语体系和思维方式。 上证指数完整地应该称为 "上海证券交易所综合股价指数",学究般的解释是一个派许公式...
  • 【新股申购】今日无新股申购新股上市:【市场回顾与展望】技术面分析:短线继续考验 90 日线支撑,但大盘回调的空间 有限,惯性下挫后,大盘有望走出反弹走势,量能继续决定 反弹高度。基本面分析:A 股行情的内在...
  • 3. 利用 2019 年 4 月 1 日至 2021 年 5 月 28 日数据,以 2 个月为一个时间段, 对上证指数和光伏建筑一体化板块指数进行相关性分析。 对光伏建筑一体化板块个股投资风险进行评估,给出该板块 37 支股票2021 年 6 ...
  • 第一问:数据可视化 第二问:用LSTM进行预测 第三问:关联分析 第四问:分类 第五问:建模 需要的加QQ3030601789 只有B题哦 祝大家电工杯顺利
  • 利用libsvm做回归分析的一个小例子 https://www.ilovematlab.cn/thread-47453-1-1.html对于上证指数的预测我又做了一些探究,这次我要做的是从20号开始对于未来五天内(20,21,24,25,26)[22,...
  • 股市的趋势分析【数学建模】

    千次阅读 2008-07-11 21:46:00
    股市的趋势分析 [问题描述] 阅读数学建模6.4节 时间序列分析,下载股市的指数的数据,回答以下问题 1)给出股市指数的非随机波动和随机波动; 2)对股市的指数的基本趋势进行预测、给出预测区间和风险进行...
  • 时间序列分析的主要目的是根据已有的历史数据对未来进行预测. 经济数据中大多数以时间序列的形式给出. 根据观察时间的不同, 时间序列中的时间可以是年份、季度、月份或其他任何时间形式. (摘自百度百科) (二) ...
  • 2018年中国房地产行业现状及行业发展趋势分析【图】 一、房地产行业发展现状分析 1、房地产调控政策现状分析 2018年半年,房地产调控政策继续积极抑制非理性需求,同时强调扩大并落实“有效供给”,但是,...
  • 10大热点技术领域发展趋势分析 当前,在亚太乃至全球电信市场,最热门、最受大家最关注的技术和业务是什么?是3G、IMS?还是IPTV、手机电视?其未来的发展趋势如何?在光网络、网络安全、手机终端、OSS等传统领域,又有...
  • 简单研究下AI在FinTech金融科技领域的最新现状及趋势分析. 先明确一些领域概念, 以方便下文称述. 金融业务 ,  广义的金融科技业务包含了零售, 消费, 信贷, 风控, 支付, 客服, 投研, 投顾(机器人)等细分领域; 而在 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,953
精华内容 3,981
关键字:

上证指数趋势分析