干货 | 常见逆势交易策略的分类

逆势交易的目标是在行情上涨时,在高点卖出。在行情下跌时,在低点买进。赚取小波动的小获利。

因为市场总是存在小波动,所以逆势策略有更多的机会交易,而反过来说,交易次数过多也是需注意的缺点,它必须付出更多的交易成本。相对于顺势或趋势交易,它应有更高的胜率及更严谨的停损条件。以下记录常见的逆势指标,可以分为五类:价格指标型,区间、通道、价格带状型,技术指标型,K线形态型,长短区间相对价格型。

01

价格指标型

以近日的市场价格计算出当日的支撑压力点位,当行情下跌遇到支撑点进行买进,在压力点进行卖出,例如CDP、PivotPoint。

CDP逆势操作系统,先求出昨日行情的CDP值(即均价):

CDP = (开盘价+ 最高价+ 最低价+ 收盘价)/4

再分别计算昨天行情的最高值(AH)、近高值(NH)、近低值(NL)及最低值(AL):

AH = CDP + (最高价 - 最低价)

NH= 2 * CDP - 最低价

NL = 2 * CDP- 最高价

AL = CDP - (最高价 - 最低价)

Pivot Point枢纽点= (最高价+ 最低价+ 收盘价) /3

多头进场点 = (2 * Pivot) – 最低价

空头进场点= (2 * Pivot) – 最高价

多头出场点= Pivot – (最高价– 最低价)

空头出场点= Pivot + (最高价–最低价)

波段起涨点= (2 * Pivot) –2 * 最低价+ 最高价

波段起跌点= (2 * Pivot) – 2 * 最高价+最低价

02

区间、通道、价格带状型

这一类型可以从价格指标连结成一通道,但更多是可以平均多个价格得到较快反应的通道上下缘。例如布林通道、近日区间。

布林通道,「布林带」是这样定义的:

中轨= N-时间段的简单移动平均线

上轨= 中轨+ K * N-时间段的标准偏差

下轨= 中轨- K * N-时间段的标准偏差

一般情况下,设定N=20 和K=2,这两个数值也是在布林带当中使用最多的。在日线图里,N=20其实就是「月均线」(MA20)。依照常态分布规则,约有95% 的数值会分布在距离平均值有正负2个标准差的范围内。 (逆势策略-Bollinger Band )

近日区间则是单纯的以近期交易日的高低点区间作为压力支撑所在,例如近三十日的高低点为8200和7700。

03

技术指标型

以技术指标计算市价超买超卖区,做为逆势交易的依据,例如RSI,相对强弱指数;Williams %R,威廉指标;KD,随机指标等。此类技术指标在网络上搜寻有非常多的讨论,暂且不写。

04

K线形态型

由此,可以清晰看到,技术交易系统只是交易系统的一个部分,而不是全部。当技术交易系统出现信号时期,并不是系统在做决策,实际上是人在综合做出行为决策。一份好的交易系统,包含了心态、技术、要求、忍耐、控制等等。所以,交易系统是综合分析系统,来解决在正确的时机、选择正确对象、进行正确的行为的决策系统。

此类型是藉由判断K线的形态来定义逆势进场点。例如:

找出相对K线高点的连结,类似swingHigh、SwingLow的方法长K线逆势;

三分K线急杀100点,作逆势买进形态;

又如今日已杀三波,准备逆势买进等。

此类形态有很多可以继续研究的方法,但问题是有的并不容易在程序交易上实践,需要把形态的定义清楚描述并转化程序。

05

长短区间相对价格型

逆势是在当下逆势,但不是较长期间的逆势,反而是顺势。例如一个多头波段已有十天,其中一天发生下跌时,逆势作多方。这个概念在现有的交易策略里占有一些比重。

要注意的是,以上指标都是在应用在市价上所计算的逆势指标,并没有去考虑市场是否适合这些逆势指标,例如遇到某商品强多头或强空头的期间里,用这些逆势指标可能会非常容易造成亏损。

选择适合逆势策略的市场或时机,这是另外一个大主题。判断趋势盘或逆势盘并不容易,但可以利用一些简单的规则,避免在趋势明显或波动大的市场里进行逆势交易,例如波动率快速增加、近日振幅快速扩大、技术指标连续钝化、交易量或未平仓量明显放大,等等现象发生时,可能就不适合逆势策略,应要减少逆势交易。

回到逆势指标的介绍,在应用上也并不局限在逆势策略,例如KD可以作钝化、布林通道可以作趋势突破,每一项指标和应用都十分广阔。

基本分析对于每个商品都有一个推算的目标价,与市价有差距就可进场作收敛的那方。只是基本分析的分析方法很复杂、变数也无法穷举,进场之后需要多少时间才能等到收敛更是难估计。

所以我们还是采用技术面为主,我们没有目标价,会进场作交易并认为可行是因为市场总是有小波动,希望能在小波动的高点卖出、低点买进,原则是这样。你相信这个原则吗?这个相不相信是会影响到往后操作的。

基本分析派相信市场会往他们推算的目标走,若不是,就调整推算方法。而技术分析派相信会抓住小波动,所以才做小波动的逆势交易,如果抓不住,策略在亏损,你愿意继续相信抓的住它吗?这边是交易心理学该讨论的部分,最终我们要明白、要相信自己做的交易到底为何而赚?为何而赔?

### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。
评论
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