博客
关于我
混沌相关blog+节选
阅读量:464 次
发布时间:2019-03-06

本文共 597 字,大约阅读时间需要 1 分钟。

《数字化定量分析:一致性获利法时间跨度的定量研究》

在技术分析领域,指标参数的选择往往是关键。最近,我在研究MACD指标时,发现了一些有趣的现象。原本认为有效的参数设置是5、34、5,但在实际操作中却发现存在明显问题。60分钟图表的表现令人震惊。

MACD指标的参数设置在不同时间跨度下确实会有显著差异。60分钟的K线图是30分钟K线图的一半,这意味着参数也需要相应调整。将原始参数5、34、5进行缩放后,变为3、17、3。令人惊讶的是,这种调整后MACD的表现变得更加精准。

通过对比实验,发现当MACD的差值指标(DI)穿越零轴时,60分钟和30分钟的K线图在低点的识别上表现一致。这一发现意味着传统的一致性获利法时间跨度研究可能存在误导性。

这种发现让我深刻思考:时间跨度的选择究竟是由什么决定的?实际上,参数设置的选择与价格走势的快慢密切相关。通过对价格走势的观察和时间周期的分析,我们可以更直观地捕捉市场的动向。

这一发现让我意识到,即使是复杂的技术指标,也需要结合实际市场环境来优化参数设置。一切指标都存在滞后性,这也是技术分析中的一大考量因素。

在实际操作中,我更倾向于通过时间周期和价格走势来判断指标形态,而不是单纯依赖预设的参数设置。这不仅提高了分析效率,也帮助我在交易决策中占据先机。

总结说,技术分析中的参数选择并非遥不可及,而是需要结合实际市场环境和价格走势来不断优化。

转载地址:http://tzfbz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
查看>>
OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
查看>>
OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
查看>>
OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
查看>>