玩股票必须要具备以下基本知识，今天我就把最全入门基础知识，详细的给大家讲解！每个新股民必须掌握！

想把炒股当成自己的第二职业，那基础知识要牢记！牢记这些专业术语，炒股起来不费力，新手看了提高认知，老手看了温故知新！

昨天老婆整理房间的时间翻了出来，师傅传授的一本股票基础笔记，看了感触良多。刚入市前两年啥也不懂，本来想着在股市赚点零花钱，后面慢慢把股市当作副业，到现在炒股养家，老师对我的帮助真的很大。老师说自己以后有能力了一定要多帮助别人，股市其实就是社会的缩影，也是人性暴露的集中点，如果你不想离开股市，只有强化好自己的知识点，才能克服贪婪和恐惧。

炒股是生活的一部分，想把它当成自己的第二职业，那就要从头开始学习，没有一点一滴的基础知识积累，没有时间的磨炼，想成功谈何容易。只有知识积累多了，经验丰富了，对市场有独特的见解，才能在股市中得心应手。我炒股十五年，时间不长也不短，我认为打好基础是非常重要的。基础夯实了，才能够稳定盈利，那接下来就把我珍藏多年的笔记放在下方！

我炒股15年，从2万存款入市，到现在炒股养家，关键在于顶底部的掌握，所有的技术和方法都试过，大道至简，发现最好用的“顶底”指标莫过于MACD！

绝大多数的朋友觉得这个指标没用，而放弃了这个指标，其实是用错了。MACD是由5部分组成，分别是：白线、黄线、和零轴线，还有两个就是大家比较少关注到的，就是红绿动能柱。白线上穿黄线就叫做金叉，是入场的信号；反之，则为死叉，为出场的信号。红色动能柱可以看成是多方的力量强度，绿色动能柱可以看成是空方的力量强度。

如果只是运用金叉，和死叉来判断个股的信号，那么错误率就会达到很高，MACD指标作为趋势指标，往往会有一定的滞后性。而如果运用MACD的动能柱背离的方法来判断，不仅能精确地判断顶底部，还能运用动能柱判断出个股的变盘信号，搭配周线，更能选出波段强势的牛股，准确率能达到9成以上！具体的方法如下：

一、顶背离判断个股的顶部

当一只个股在上涨的过程中，不断的创新高，但是红色动能柱的显示却是不断的缩小，这时候就是动能柱跟股价形成顶背离，判断出股价是为顶部，为出场的信号。如果红色动能柱跟随上涨而继续放大，那就是继续上涨的行情。

二、底背离判断个股的底部

当一只个股在下跌的趋势中，不断的创新低，但是绿色的动能柱却是不断的缩小，这时候就是动能柱跟股价形成底背离，判断出这个时候就是股价的底部，为进场的信号。如果在下跌的趋势中，绿色动能柱持续地放大，那将还会继续的下跌。

三、运用动能柱判断个股的变盘信号

在一只个股在震荡或者下跌的趋势中 ，在红色动能柱的前期高点与低点链接成一条线，在绿色的动能柱的前期高点与低点链接成一条线，形成一个三角形的形态，如果后期出现红色的动能柱大于绿色的动能柱，表示主力洗盘结束，股价将会迎来一波的上涨行情，反之，如果是绿色的动能柱大于红色的动能柱，表示股价仍然需要整理，股价还会继续的下跌。

四、利用周线与动能柱抓取波段强势股

当一只个股在震荡的行情，MACD黄白两线始终保持在零轴的上方运行，红绿动能柱出现双绿一红，就是红色动能柱是被夹在中间，并且的话柱能必须是三根以上的量柱，再次出现红色动能柱就是很好的入场信号，股价将会迎来波段的上涨！

炒股，就做主升浪行情，当MACD呈主升浪攻击形态时，一旦符合以下条件，我会果断进场，然后坐等主力拉升，成功率相当高。

在技术分析中，唯一能让我深度研究，沿用自今的技术指标，非MACD莫属，既能判断股价趋势，又能体现出股价的强弱，一只个股要起主升浪行情，那么MACD指标一般都是呈现出攻击形态的。

1、什么是MACD的攻击形态？

一种是待攻击形态，一种是正在进行时，前者说明股价随时有上攻的可能性，后者说明股价已经在上攻途中。

2、如何判断趋势？

MACD指标之所以能称为趋势之王，因为它是随着股价运行方向而运行的，虽有滞后性，也就是股价结束当天K线之后，MACD指标才能定值，但它有趋向性和周期性，当日线级别无法定值时，60分钟以及120分钟级别是已经定值了。

所以可以根据小级别的趋向定值，去研判大级别大概率的运行走向，因为趋势一旦形成，那么一时半会儿是不会改变的，也会需要一个过程。股价上涨时，MACD指标跟随股价上行，呈现出同步配合状态，则说明趋势良好，具备持续上攻的条件；相反则是背离，有短期回调修复的需求。

3、如何判断强弱？

运用MACD指标的曲线判断强弱，当MACD指标的快线DIF上穿慢线DEA并上穿0轴时，说明股价转强；相反，当MACD指标的快线下穿DEA并下穿0轴时，说明股价转弱。

运用MACD指标的红绿柱体判断强弱，当MACD指标的红柱体放大，或者绿柱体开始缩小时，说明股价转强；当MACD指标的红柱体缩小，或绿柱体放大时，说明股价转弱。

4、主升浪启动前MACD指标的攻击形态特征是什么？

第一：MACD指标的快线DIF要慢线DEA并上穿0轴，红柱体有效放出。

第二：上穿0轴之后，不管之后股价如何运行，MACD指标的快线DIF要在0轴上方运行。

第三：上穿0轴之后，股价若出现明显的下跌回调，MACD指标的曲线一般只是微微下探，不会跟随股价下跌而急速下行，也就是出现轻微的曲线背离现象。

第四：上穿0轴之后，股价若出现明显的下跌回调，MACD指标的红柱体一般不会极度迅速萎缩下来，如果已经呈现出绿柱体，那么股价的下跌不会使得绿柱体迅速的放大来，也就是出现轻微的红绿柱体背离现象。

5、主升浪启动时MACD指标的攻击形态特征是什么？

当股价放量上攻并突破重要压力位时，MACD再次翘头向上，曲线开始发散，红柱体再次温和放大。

当股价过高点时，MACD指标的曲线也会过掉前高点，红柱体也会与前高点时的红柱体持平或更大。

如果技术是炒股的基础，那建造自己的交易体系，严格执行自己的操作铁律就是在市场中能稳定盈利的关键，最后就给大家享12条炒股铁律，收藏起来，牢记于心！

第一，顺势而为！当一只股票10日线拐头向上，基本上都能涨一波，跌破10日线或者反弹不破10日线基本上进场容易出场难，所以咱们多参与站上10日线，尤其是二次回踩10日线不破的股票！

第二，避免频繁交易！大盘以20日线为基准，突破20日线我们进场，跌破20日线就暂时休息，一轮像样的反弹都会先站上20日线！

第三，不要迷信指标！指标很管用，但不能迷信指标，尤其是该止损的时候发现比如KDJ指标处于低位的时候不能犹豫，要知道低位不代表拐头，很可能反复钝化！

第四，注意换手率！当一只股票的换手率高于20%甚至30%的时候，这时候意味着主力很容易出货，就不能过度去追了，否则很容易套在高位！

第五，少追人气票！一般来说主力在上涨超过150%后准备出货的过程中总是伴随着各种利好新闻的出现，这时候咱们要注意甄别，可能因为小利润而陷入深套！

第六，关注成交量！如果一只股票近期成交量没有放大1倍以上，那么意味着这票人气很低，尽量不要参与，因为无论是主力建仓还是拉盘都需要成交量配合！

第七，忘掉你的成本！股票的进出与成本无关，只和趋势涨跌破位突破有关，不要过度关注持仓导致该出不出，该拿不拿的尴尬局面出现，这也是很多股民的通病！

第八，不碰ST股！虽然近期ST股连续冲高，但这只是少部分，更多的是在退市的边缘，一旦参与稍不注意要么连跌要么退市导致血本无归！

第九，减少补仓！股票下跌肯定是趋势出现了问题，这时候考虑的是离场，而不是补仓做T，要知道强势股你补仓没啥必要，弱势股再补也于事无补！

以上9点，都是我真金白银在市场上面验证出来的，一定要反复看，加深印象，我相信你的炒股水平，会突飞猛进的！

技术是生存之本，授人以鱼不如授人以渔，以小博大是投资的真正魅力，拿住有把握的利润是理财之根本！觉得喜欢的话点赞关注笔者，持续分享股市干货，一起领略股市的奥妙！最后祝大家投资顺利股票大涨长红！

现在市面上的机器学习教程大多先学习数学基础，然后学机器学习的数学算法，再建立机器学习的数学模型，再学习深度学习，再学习工程化，再考虑落地。这其中每个环节都在快速发展，唯独落地特别困难。我们花费大量时间成本去学习以上内容，成本无疑是特别昂贵的。所以我们不如先“盲人摸象”、“不求甚解”地探索下机器学习，浅尝辄止。如果想到自己的应用场景，再学以致用，深入探索。这无疑是使沉没成本最低的决策。
本教程适合兴趣广泛的人士增加自己知识的广度，从应用的角度谨“使用”机器学习这款工具，是典型的黑盒思维。这非常契合笔者的思维方式，当然也是我个人的格局局限。
本教程会浅显易懂，让你走的很快。但如果你想走的更远还请学习数学。当然我们也只是暂时放下数学，先构建自己的知识体系。

先抬头看路，找准适合自己的方向，再埋头赶路，或深耕下去……

从手工到工业化再到人工智能，这是把人类从生产活动中逐渐解放的过程。用机器来帮助人们工作，一直是人类的美好愿望。让机器智能化，以此来代替人力做更智能问题，这可以作为人工智能的简单解释。
很多教程或者书籍把人工智能、机器学习、深度学习的关系解释为从属关系，人工智能 > 机器学习 > 深度学习。这种解释不错，但却无法表示他们之间的更深层次的关系。
机器学习是通过数学方法在数据中寻找解释，以此来实现人工智能的一种手段。而深度学习是参照神经系统在机器学习基础上发展出的一种高级技巧。 它们之间是存在一定的依托关系、进化趋势的。
狭义地讲，传统的机器学习是通过数学模型不断求导来找出数据规律的过程。这其中数学模型的选择尤为重要。随着GPU、TPU等算力的发展，算法技术的进步，甚至出现了自动选模型、自动调参的技术。我们可以构建复杂的神经网络结构，只要有足够的算力支持，足够的时间我们可以用深度学习处理非常复杂的任务。所以在代码操作上，深度学习甚至比传统的机器学习对程序员更友好、更易理解。我们先学习传统机器学习而非直接学习深度学习的好处是，我们可以通过对“黑盒”的拆箱来理解机器学习过程，掌握机器学习的概念，我会对其中应用的数学模型进行解释。

我们先来看一下人工智能产业链的结构，如下图：

我们可以看到，机器学习的三大基石---算力、算法与数据。机器学习的发展离不开算法数学的进步，同样离不开算力的发展。
在技术层面，机器学习在计算机视觉（CV, Computer Vision）和自然语言处理（NLP, Nature Language Processing）取得了关键的发展和应用。
算法分类上，机器学习分为监督学习、非监督学习、半监督学习、强化学习等。

监督学习：数据样本有标签。

非监督学习：数据样本无标签。

半监督学习：数据样本有部分(少量)标签。

强化学习：趋向结果则奖励，偏离结果则惩罚。

所谓Garbage in, Garbage out(垃圾进，垃圾出)。数据是机器学习的重中之重。我们需要花费大量的时间来处理数据，甚至占到整个机器学习任务的90%以上。
比如数据处理过程中的数据采集，如果我们采样的方式欠妥，就可能导致非代表性的数据集，这就导致了采样偏差。
我们的数据可能会有很多无效的数据，我们需要剔除无效的数据，就叫做数据清洗。
我们通过挖掘大量数据来发现不太明显的规律，就称作数据挖掘。

我们以一款工业化流水线工具TFX为例，看一下机器学习的技术流程。

流程分为数据输入、数据验证、特征工程、训练模型、验证模型、应用良好模型和提供模型六个部分：

输入数据，并根据需要拆分数据集。

生成训练数据和服务数据的特征统计信息。通过从训练数据中推断出类型、类别和范围来创建架构。识别训练数据和服务数据中的异常值。

对数据集执行特征工程。

训练模型，调整模型的超参数。

对训练结果进行深入分析，并帮助验证导出的模型。检查模型是否确实可以从基础架构提供服务，并防止推送不良模型。

将模型部署到服务基础架构。

我想通过以上解释，大家应该可以对机器学习的实践方法有了一定宏观的了解。

我们从宏观角度看了机器学习的产业结构、工业化流程，你应该对你自己在机器学习的这些环节中有哪些发挥有了一定的把握。现在我们把视角拉回到微观层面，看看机器是如何学习的。

我们以摄氏度转换华氏度为例。
传统编程中，我们要求得摄氏度和华氏度的关系，我们必须找出公式：

Fahrenheit=Celsius∗1.8+32

而在对机器学习来说，我们有大量的数据，却需要找出关系。机器学习的过程就是不断求导，以此来找出数学模型，来解释规律的过程。

如图所示，我们有摄氏度数据0, 8, 15, 22, 38以及华氏度数据32, 46.4, 59, 71.6, 100.4，机器学习的过程就是找出公式的过程。其中，摄氏度就是我们的特征，华氏度就是我们的标签，摄氏度与华氏度的关系就是实例。

特征：我们模型的输入。在这种情况下，只有一个值-摄氏度。

标签：我们的模型预测的输出。在这种情况下，只有一个值-华氏度。

实例：训练期间使用的一对输入/输出。在我们的例子中，是摄氏度/华氏度一对数据，例如，(0, 32), (8, 46.4)。

蓝色的部分表示我们设置好数学函数，然后通过不断的调整权重与偏差不断地拟合数据，最终得到可以表示规律的模型的过程。

拟合：通过训练数据，使模型来概括表示数据的过程。

模型：图结构，包含了训练过程中的权重与偏差的数据。其中的图为由各函数组成的计算结构。

在上手代码之前我默认你已经配置好了环境，掌握了Jupyter, Numpy, Pandas, Matplotlib的用法。如果你没有掌握以上技能，请参考我写的配套教程前置机器学习系列

import numpy as np import matplotlib.pyplot as plt celsius    = [[-40], [-10], [ 0], [ 8], [15], [22], [ 38]] fahrenheit = [[-40], [ 14], [32], [46.4], [59], [71.6], [100.4]] plt.scatter(celsius,fahrenheit, c='red', label='real') plt.xlabel('celsius') plt.ylabel('fahrenheit') plt.legend() plt.grid(True) plt.title('real data') plt.show()

如上代码所示，我们准备摄氏度与华氏度的数据，然后通过matplotlib库绘制图像。

from sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(celsius,fahrenheit)

我们通过上方仅仅3行代码就训练了数据。LinearRegression是scikit-learn包下的线性回归方法，是普通的最小二乘线性回归。而fit就是拟合的意思，以此来训练模型。

celsius_test = [[-50],[-30],[10],[20],[50],[70]] fahrenheit_test = lr.predict(celsius_test) plt.scatter(celsius,fahrenheit, c='red', label='real') plt.scatter(celsius_test,fahrenheit_test, c='orange', label='predicted') plt.xlabel('celsius') plt.ylabel('fahrenheit') plt.legend() plt.grid(True) plt.title('estimated vs real data') plt.show()

接下来我们调用lr.predict(celsius_test)方法来进行预测，以此来检验我们的模型准确度。我们通过下方图像中黄色的点可以看出，我们的模型非常准确。

你就说这玩意简单不简单！ 咳咳，别嚣张，我们好好玩。

既然都上手了，我们也试一试深度学习代码：

import tensorflow as tf import numpy as np # prepare data celsius_q    = np.array([-40, -10,  0,  8, 15, 22,  38],  dtype=float) fahrenheit_a = np.array([-40,  14, 32, 46.4, 59, 71.6, 100.4],  dtype=float) # fit model model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])]) model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(0.1)) history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False) print("Finished training the model") # print loss import matplotlib.pyplot as plt plt.xlabel('Epoch Number') plt.ylabel("Loss Magnitude") plt.plot(history.history['loss'])

我们使用TensorFlow内置的Keras方法创建了1层的神经网络，选择了MSE损失函数以及Adam优化器，训练了500代。

如下图可以看到，随着代(epoch)数量的增加，损失函数的结果逐渐降低。

那么什么是损失函数呢？我们在接下来的文章中一探究竟。感谢您的关注与支持！

前置机器学习（五）：30分钟掌握常用Matplotlib用法

前置机器学习（四）：一文掌握Pandas用法

前置机器学习（三）：30分钟掌握常用NumPy用法

前置机器学习（二）：30分钟掌握常用Jupyter Notebook用法

前置机器学习（一）：数学符号及希腊字母

上一篇：手机股票交易软件哪个最好跟华为手机概念股票

下一篇：西南证券买卖股票手续费怎么算还有股票手续费怎么算来的