渔盘 V.S 无脑定投

1.渔盘介绍

由股社区提出的一种右侧交易模型,如果当天的收盘价高于20日线就持有,低于20日线就卖出。

1.1.小改动

为了改成定投型的,我们制定的规则是,在上述的基础上,如果月初那一天的收盘价是高于20日线的,那就将工资买入,否则不买。

2.无脑定投介绍

也由伟大的股社区公众号提出,月初发工资的时候无脑买入。暂定不卖出。

3.历史数据回测

求人不如求己。自己下载数据做回测,心理比较踏实。

小资金量启动,每月小资金量投入

1w启动,每月1k投入

3.1.使用159915回测

3.1.1.结果

  • 从2011-12-09到2016-10-14,购买159915_161014的天数为1771 days, 0:00:00(共4.85205479452年),初始资金10000,每月定投1000,最后总投入为67000。同期定投真融宝(年化收益0.1)得到87531。

  • 20日线定投基金(手续费0.000300)最终得到100077。年化收益率8.621278%

  • 无脑月初定投1000,最终得到127741。

这里写图片描述

3.2.使用159902回测

  • 从2006-09-05到2016-10-14,购买159902_161014的天数为3692 days, 0:00:00(共10.1150684932年),初始资金10000,每月定投1000,最后总投入为130000。同期定投真融宝(年化收益0.1)得到225801。

  • 20日线定投基金(手续费0.000300)最终得到217282。年化收益率5.209352%

  • 无脑月初定投1000,最终得到207317。

这里写图片描述

3.3.使用510300回测

  • 从2012-05-28到2016-10-14,购买510300_161014的天数为1600 days, 0:00:00(共4.38356164384年),初始资金10000,每月定投1000,最后总投入为62000。同期定投真融宝(年化收益0.1)得到79241。

  • 20日线定投基金(手续费0.000300)最终得到73712。年化收益率4.026388%

  • 无脑月初定投1000,最终得到77261。

这里写图片描述

较大资金量启动,每月较大资金量投入

10w启动,每月6k投入

159915回测

  • 从2011-12-09到2016-10-14,购买159915_161014的天数为1771 days, 0:00:00(共4.85205479452年),初始资金100000,每月定投6000,最后总投入为442000。同期定投真融宝(年化收益0.1)得到588093。

  • 20日线定投基金(手续费0.000300)最终得到677253。年化收益率9.193313%

  • 无脑月初定投6000,最终得到883030。

这里写图片描述

159902回测

  • 从2006-09-05到2016-10-14,购买159902_161014的天数为3692 days, 0:00:00(共10.1150684932年),初始资金100000,每月定投6000,最后总投入为820000。同期定投真融宝(年化收益0.1)得到1458557。

  • 20日线定投基金(手续费0.000300)最终得到1476440。年化收益率5.986283%

  • 无脑月初定投6000,最终得到1373547。

这里写图片描述

510300回测

  • 从2012-05-28到2016-10-14,购买510300_161014的天数为1600 days, 0:00:00(共4.38356164384年),初始资金100000,每月定投6000,最后总投入为412000。同期定投真融宝(年化收益0.1)得到535900。

  • 20日线定投基金(手续费0.000300)最终得到497742。年化收益率4.407261%

  • 无脑月初定投6000,最终得到517665。

这里写图片描述

4.表格对比分析

4.85年(11-16)159915渔盘159915无脑年化10%投入资金
1w启动,月投入1k1000771277418753167000
10w启动,月投入6k667253883030588093442000
10.12年(06-16)159902渔盘159902无脑年化10%投入资金
1w启动,月投入1k207317217282225801130000
10w启动,月投入6k147644013735471458557820000
4.38年(12-16)510300渔盘510300无脑年化10%投入资金
1w启动,月投入1k73712772617924162000
10w启动,月投入6k497742517665535900412000

5.分析总结

对于创业板159915和300ETF510300,是最近四年多五年的数据,由图可以看到,基本上只有一波大的牛市(2015年),无脑定投的收益要比渔盘好一些。

对于中小板159902,有过去十年的数据,由图可以看到,可以算是有三个波段,(07-08,09-11, 15),在这种出现了几次大起大落的情况下,渔盘的表现要好于无脑定投。

有没有办法融合两种策略,既在低位收集足够多的筹码(无脑定投),又不会遭受疯狂的暴跌?(渔盘)。

6.下一步研究

假设可以给无脑定投设置一个止盈。比如,股价在三个月内上涨超过某个比值(比如上涨超过30%),就认为当前是牛市,转换到渔盘的操作策略,跌破二十日线止盈卖掉。然后再判断熊市(假设定义熊市为1个月的波动率小于10%),熊市转换回无脑定投低位收集筹码。

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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