投资成功需要勇气

恭喜大家,4月份左右重砸大幅获利;10月底超重仓砸盘再次大幅爆赚,跟我们一起重仓砸盘的都获利丰盈,甚至有些个人总资产接近翻番。

两轮杀价值重砸爆赚,但公众号公布的持股赚的幅度,没有我微信上带的粉丝重砸赚的多。主要原因是4月份左右重砸后迅速重赚,但是公众号一直未离场。而微信中跟我砸的在3420出了一轮超重仓(可以翻看我朋友圈查找3420第一轮重砸出场)。所以10月底重新重砸,他们本金更多,价位也更低。而我自己也是按照公众号未出场,是在超长线特重仓持有。所以,我自己也比他们少赚一轮。

 

有些人不理解为何敢重仓砸盘,再次强调我们炒股的逻辑是砸机遇,砸千载难逢的时机,并不是砸技术,也不是砸价值,更不是砸预测,而是砸不可避免的上涨。不明白的请查看历史公众号解释

成大功在于当风险最小,小至无限接近零时,有勇气重仓押注,敢于去赚大钱。华尔街有一句名言——如果你没有放大获利的能力,那么你永远只是一个普通的交易员。赚大钱并不是靠日积月累,就像没有哪个打工的人能够成富翁一样。

水平一般的投资者总是想天天去抓机会,总以为自命不凡,天选之子,要知道在资本市场里,个人能力永远不值得一提,任何个人无法创造历史。大的机遇是历史的必然,并不是由你创造的,所以个人能力在机遇面前微不足道。

不要总是试图频繁地从市场抓钱,耍什么小聪明呢?!不要频繁地去市场炒作,而应该保持超强的耐心,等待市场必然出现的大机遇,然后火力覆盖重仓出击,这样的机会哪怕重仓砸盘,其风险也远远小于你时常频繁地轻仓炒作。

杀价值这种千载难逢的时机,其失败的概率远小于你做实业的概率,甚至远远小于你走路摔跤的概率,甚至是毫不夸张地说杀价值约等于是完全没有风险。难道因为害怕摔跤而不走路了吗?到底是自己认知不足,还是自己怂?有多少人在风险巨大的高位不断买入,从而导致大幅暴亏,伪价值投资者们今年全线巨亏就是最好的说明。杀价值怎么重仓砸盘其风险都远远小于伪价值投资,伪价值投资者都敢胡乱买入一路巨亏,杀价值为何就不敢重仓砸盘?

说到底还是自己没有勇气!伪价值投资者买错的时候,因没有勇气砍仓而一路补成重仓,导致大面积亏损。在杀价值最好的机遇出现时,也是因为没有勇气重仓砸盘,而错失千载难逢的良机。

所以,有句名言是这么说的,穷人缺的不是钱,缺的也不是机会,本质上缺的是野心。这种野心就是想象富有的勇气,连想一下的勇气都没有,何谈成功呢?总是想每天在市场领点工资,这又不是上班,明显是不现实的,因为市场并不是天天都有好机会。天天想来领工资,其实等于天天来领风险,这就是短线交易者大多都深陷于失败的根本原因。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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