「股市休市2018」股票的随机指标有哪些

一、股票的隨機指標有哪些

在股市中，大家比較常用的股票技術分析指標有很多，其中，隨機指標則是一種被用在期貨投資的技術分析工具。那麼，股票的隨機指標有哪些呢？其計算方式又有哪些？下面一起來看看其詳細分析。

其實，隨機指標主要有KD、KDJ和SKDJ三種。其中，KDJ指標又叫隨機指標，是一種相當新穎、實用的技術分析指標，它起先用於期貨市場的分析，後被廣泛用於股市的中短期趨勢分析，是期貨和股票市場上最常用的技術分析工具。

KD指標是任意震盪指數值的簡稱，它最早是應用在期貨分析上的，誕生至今已經有數十年的歷史，經過長期的驗證，已經被很多人所使用。KD指標可以兼顧應用性和協調性，下面我們就來講解一下KD指標的使用技巧。

SKDJ就是優化了K、D、J三者字母中K、D，去掉了J的指標，又稱慢速隨機指標(SKDJ)，也是隨機指標的一種。SKDJ指標則是屬於較慢的隨機波動，優化之後，指標的指嚮明朗，非常容易判斷大盤或者個股短期的趨勢。

股票隨機計算公式

1、隨機指標KD計算公式

對每一交易日計算RSV(未成熟隨機值)，RSV=（收盤價-最近N日最低價)）+（最近N日最高價-最近N日最低價）x100)，K線：RSV的M1日移動平均D線：K值的M2日移動平均參數：N， MI、M2天數，一般取9，3，3。

2、隨機指標KDJ計算公式

KDJ與KD的區別僅僅在於多了一條J線，提示股價在短期的超買超賣現象。RSV=（收盤價一N日內最低價的最低值）÷（N日內最高價的最高值-N日內最低價的最低值）x100，K=RSV的M1日累積平均，D=K的M2日累積平均，J=3×K-2×D，參數設置：P爲9天，M1爲3天，M2爲3天。

3、慢速隨機指標SKDJ計算公式

SKDJ是隨機指標的一種，只是KDJ指標是屬於較快的隨機波動，SKDJ線則是屬於較慢的隨機波動。RSV=（收盤價-N日內最低價的最低仇）÷（N日內最高價的最高值-N日內最低價的最低值）×100，RSV2=RSV的M日指數移動平均，K=RSV2的M日累積平均，D=K的I日累積平均，J=3×K-2×D，參數設置：N爲9天，M爲3天。

二、kdj代表什麼

KDJ代表隨機指標。

KDJ是一種金融投資分析中的隨機指標，主要用於股票、期貨等金融市場。該指標通過計算價格變動中的隨機波動來預測市場趨勢。KDJ指標由三條線組成，分別是K線、D線和J線。這三條線對於分析和預測市場的短期走勢具有重要意義。下面詳細介紹這一指標的工作原理和特點。

KDJ指標的基本原理

KDJ指標是一種通過價格波動幅度來反映價格變化趨勢的方法。在金融市場分析中，隨機指標的設計理念基於對價格波動範圍的概率分析，即假設任何市場的價格都在一定的範圍內波動。通過分析價格變動的速度和幅度，可以預測價格的未來走勢。K線和D線的數值變化反映了價格的短期波動情況，而J線的變化則更加敏感，有助於確認市場趨勢的反轉點。

KDJ指標的應用特點

KDJ指標的應用非常靈活，對於短線交易尤爲重要。它能夠反映出短期內的價格動向，幫助投資者判斷市場是否處於超買或超賣狀態。當K線和D線的數值處於高位時，可能意味着市場處於超買狀態，價格可能下跌；反之，當數值處於低位時，可能意味着市場處於超賣狀態，價格可能反彈。而J線則起到增強信號的作用，當它與K線和D線發生交叉時，往往意味着市場趨勢可能發生反轉。

總結

KDJ指標是金融投資分析中重要的工具之一，它通過反映價格的短期波動來預測市場趨勢。這一指標的應用需要結合實際的市場情況和其他分析工具一起使用，以提高分析的準確性和可靠性。對於投資者而言，掌握KDJ指標的使用方法，有助於更好地把握市場機會，降低投資風險。

三、股票價格的隨機遊走的含義

“隨機遊走”（random walk）是指基於過去的表現，無法預測將來的發展步驟和方向。應用到股市上，則意味着股票價格的短期走勢不可預知，意味着投資諮詢服務、收益預測和複雜的圖表模型全無用處。在華爾街上，“隨機遊走”這個名詞是個諱語，是學術界杜撰的一箇粗詞，是對專業預言者的一種侮辱攻擊。若將這一術語的邏輯內涵推向極致，便意味着一隻戴上眼罩的猴子，隨意向報紙的金融版面擲一些飛鏢，選出的投資組合就可與投資專家精心挑選出的一樣出色。

隨機遊走模型的提出是與證券價格的變動模式緊密聯繫在一起的。最早使用統計方法分析收益率的著作是在 1900年由路易·巴舍利耶（Louis Bachelier）發表的，他把用於分析賭博的方法用於股票、債券、期貨和期權。在巴舍利耶的論文中，其具有開拓性的貢獻就在於認識到隨機遊走過程是布 朗運動。1953年，英國統計學家肯德爾在應用時間序列分析研究股票價格波動並試圖得出股票價格波動的模式時，得到了一箇令人大感意外的結論：股票價格沒 有任何規律可尋，它就象“一箇醉漢走步一樣，幾乎宛若機會之魔每週仍出一箇隨機數字，把它加在目前的價格上，以此決定下一週的價格。”即股價遵循的是隨機 遊走規律。

這也跟市場有效原則有關

弱有效證券市場是指證券價格能夠充分反映價格歷史序列中包含的所有信息，如有關證券的價格、交易量等。如果這些歷史信息對證券價格變動都不會產生任何影響，則意味着證券市場達到了弱有效。

就是沒有主力在了，全是一盤散沙

隨機遊走（random walk）也稱隨機漫步，隨機行走等是指基於過去的表現，無法預測將來的發展步驟和方向。核心概念是指任何無規則行走者所帶的守恆量都各自對應着一箇擴散運輸定律，接近於布朗運動，是布朗運動理想的數學狀態，現階段主要應用於互聯網鏈接分析及金融股票市場中。

原文鏈接：?

?

在引入copula時，大家普遍認爲copula很有趣，因爲它們允許分別對邊緣分佈和相依結構進行建模。

copula建模邊緣和相依關係

給定一些邊緣分佈函數和一箇copula，那麼我們可以生成一箇多元分佈函數，其中的邊緣是前面指定的。

考慮一箇二元對數正態分佈

> library(mnormt)> set.seed(1)> Z=exp(rmnorm(25,MU,SIGMA))

我們可以從邊緣分佈開始。

meanlog ?sdlog ?1.168 ?0.930 (0.186 ) (0.131 )meanlog ?sdlog ?2.218 ?1.168 (0.233 ) (0.165 )

基於這些邊緣分佈，並考慮從該僞隨機樣本獲得的copula參數的最大似然估計值，從數值上講，我們得到

> library(copula)> Copula() estimation based on 'maximum likelihood'and a sample of size 25.Estimate Std. Error z value Pr(>|z|) ?rho.1 ?0.86530 ?0.03799 22.77

但是，由於相依關係是邊緣分佈的函數，因此我們沒有對相依關係進行單獨處理。如果考慮全局優化問題，則結果會有所不同。可以得出密度

> optim(par=c(0,0,1,1,0),fn=LogLik)$par[1] 1.165 ?2.215 0.923 ?1.161 ?0.864

差別不大，但估計量並不相同。從統計的角度來看，我們幾乎無法分別處理邊緣和相依結構。我們應該記住的另一點是，邊際分佈可能會錯誤指定。例如，如果我們假設指數分佈，

fitdistr(Z[,1],exponential)rate0.222 (0.044 )fitdistr(Z[,2],exponential rate0.065 ?(0.013 )

高斯copula的參數估計

Copula() estimation based on 'maximum likelihood'and a sample of size 25.Estimate Std. Error z value Pr(>|z|) ?rho.1 ?0.87421 ?0.03617 24.17 <2e-16 ***---Signif. codes: ?0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1The maximized loglikelihood is ?15.4 Optimization converged

由於我們錯誤地指定了邊緣分佈，因此我們無法獲得統一的邊緣。如果我們使用上述代碼生成大小爲500的樣本，

barplot(counts, axes=FALSE,col=light blue

?

如果邊緣分佈被很好地設定時，我們可以清楚地看到相依結構依賴於邊緣分佈，

?

copula模擬股市中相關隨機遊走

接下來我們用copula函數模擬股市中的相關隨機遊走

?

#*****************************************************************# 載入歷史數據#****************************************************************** load.packages('quantmod')data$YHOO = getSymbol.intraday.google('YHOO', 'NASDAQ', 60, '15d')data$FB = getSymbol.intraday.google('FB', 'NASDAQ', 60, '15d')bt.prep(data, align='remove.na')#*****************************************************************# 生成模擬#****************************************************************** rets = diff(log(prices))# 繪製價格matplot(exp(apply(rets,2,cumsum)), type='l')

?

# 可視化分佈的輔助函數# 檢查Copula擬合的Helper函數# 模擬圖與實際圖plot(rets[,1], rets[,2], xlab=labs[1], ylab=labs[2], col='blue', las=1)points(fit.sim[,1], fit.sim[,2], col='red')# 比較模擬和實際的統計數據temp = matrix(0,nr=5,nc=2)print(round(100*temp,2))# 檢查收益率是否來自相同的分佈for (i in 1:2) { print(labs[i])print(ks.test(rets[,i], fit.sim[i]))# 繪製模擬價格路徑matplot(exp(apply(fit.sim,2,cumsum)), type='l', main='Simulated Price path')# 擬合Copulaload.packages('copula')

?

# 通過組合擬合邊緣和擬合copula創建自定義分佈margins=c(norm,norm)apply(rets,2,function(x) list(mean=mean(x), sd=sd(x)))# 從擬合分佈模擬rMvdc(4800, fit)

ActualSimulatedCorrelation57.1357.38Mean FB-0.31-0.47Mean YHOO-0.40-0.17StDev FB1.241.25StDev YHOO1.231.23

FB

Two-sample Kolmogorov-Smirnov testdata: ?rets[, i] and fit.sim[i]D = 0.9404, p-value = 0.3395alternative hypothesis: two-sided

HO

Two-sample Kolmogorov-Smirnov testdata: ?rets[, i] and fit.sim[i]D = 0.8792, p-value = 0.4222alternative hypothesis: two-sided

?

visualize.rets(fit.sim)

?

# qnorm(runif(10^8)) 和 rnorm(10^8) 是等價的uniform.sim = rCopula(4800, gumbelCopula(gumbel@estimate, dim=n))

ActualSimulatedCorrelation57.1357.14Mean FB-0.31-0.22Mean YHOO-0.40-0.56StDev FB1.241.24StDev YHOO1.231.21

FB

Two-sample Kolmogorov-Smirnov testdata: ?rets[, i] and fit.sim[i]D = 0.7791, p-value = 0.5787alternative hypothesis: two-sided

HO

Two-sample Kolmogorov-Smirnov testdata: ?rets[, i] and fit.sim[i]D = 0.795, p-value = 0.5525alternative hypothesis: two-sided

?

?

vis(rets)

?

標準偏差相對於均值而言非常大，接近於零；因此，在某些情況下，我們很有可能獲得不穩定的結果。

?

最受歡迎的見解

1.R語言基於ARMA-GARCH-VaR模型擬合和預測實證研究

2.r語言實現copula算法建模依賴性案例

3.R語言COPULAS和金融時間序列數據VaR分析

4.R語言多元COPULA GARCH 模型時間序列預測

5.GARCH（1,1），MA以及歷史模擬法的VaR比較

6.matlab使用Copula仿真優化市場風險數據分析

7.R語言實現向量自動迴歸VAR模型

8.R語言隨機搜索變量選擇SSVS估計貝葉斯向量自迴歸（BVAR）模型

9.R語言VAR模型的不同類型的脈衝響應分析