2019投资总结,5月入市的小账户,收益25%

前几天,总结了大账户2019年的投资情况,收益大概100%的样子。
今天,看了下小账户的收益情况,大概25%,还不错,过程有点曲折。


本金:24.9579 k
当前资产:31.3291 k
盈利:6.3712 k
收益率:25.58%

主要资金建仓时间:2个月

关键点
1、新城控股,短期成功波段一次。
2、涪陵榨菜,短期成功波段一次。
3、格力电器,较长期成功波段一次。

4、涪陵榨菜,半年报非常难看,跌停价跑了,损失15%。
5、新城控股,40重仓买入50%仓位,后续不断卖出格力电器、涪陵榨菜,成本从40平均到33。
6、苏州银行1签新股,挣2600元。
若干可转债,几百元吧。


几点想法
1、新城控股,运气不太好。7月2日买入,7月3日就中雷。
如果晚2天,估计要大赚。没有如果。
2、中了1签新股,太意外了。
3、不熟悉的股,波段,不知道什么时候就陷进去了。
新城控股中雷以后,才更加熟悉它,熟悉地产股。
今后还是重点研究少数性价比极高的股,就算中雷了,也能知道是该加仓,还是该果断跑路。
短期新城控股吃了大亏,中期帮我挣了钱,长期看,应该是个好股,2020估计能赚不少。
4、小账户,目前全仓新城控股了,也不怎么操作了。
性价比非常不错,如果手痒,想尝试其他玩法,主要用自己名下的账号操作。
等待100快的到来,小账户实现100万的梦想。


5、涪陵榨菜之类的高估值股票,今后还是少碰为妙。
如果非要买30PE的股票,茅台、五粮液、腾讯、阿里巴巴之类的重点挑一挑。

6、为啥收益率只有大账户的1/4?
格力电器终于价值回归了,大账户挣钱了,终于有了业绩证明,才从战略合作伙伴手里搞到钱,放进她的股票账户。
格力电器只做了一次波段,主要是为了在新城控股上挽回。
新城控股40块买的有点多,底部加仓又有点少,而大账户正好相反,40块买的少,底部买的多点,所以差距很大。


以下是比较核心的流水账记录,供有兴趣的球友参考吧。
5月和6月

38、37、36、35,买入新城控股,收到股息并38卖出,缴纳20%红利税。
52、51,买入格力电器。
27,买入涪陵榨菜,29卖出。


7月1日
58块卖出大半格力电器。


7月2日
40块,买入50%的新城控股,
30块,买入涪陵榨菜。


7月4日
56.9卖出格力电器,买入29的涪陵榨菜。

7月18日
加仓100股新城控股

7月19日
中了1签新股苏州银行3930块的本金,8月7日卖出6585,挣了2600元。

7月31日
2200股新城控股
25.2清仓涪陵榨菜,集合竞价9点25跌停价跑了

8月7日
24.3,买入700股新城控股

10月15日
29.93,1800股新城控股
58.3,清仓格力电器

12月2日
33.02,买入200股新城控股。


 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值