股票的投资方法范文

引言：寻求写作上的突破？我们特意为您精选了4篇股票的投资方法范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

一、技术分析的理论基础

（一）市场行为包含一切信息

该假设是技术分析的前提基础，它以市场行为为研究对象，认为证券价格的每一个影响因素都完全、充分地反映在价格之中。所以，它分析的是证券价格的高低和变化，而并不关心影响证券价格的因素。

（二）价格沿着趋势波动，并保持趋势

证券价格的运动遵循一定的规律，按照趋势进行，并保持着一定的惯性。证券价格的涨跌是买卖双方力量对比的反映，当买方力量占据主导地位时，价格上升，在没有新的外力或消息介入，这种局面就继续维持，反之亦然。

（三）历史会重演

该假设的含义是投资者过去的经验是他制定投资策略的参考。如果在某种环境下，投资者会将现在的投资行为与曾经出现过的类似行为相比较，从而帮助他做出投资判断。

二、技术投资方法在股票实战中的应用概述

（一）基本的K线逻辑应用

K线又称日本线或蜡烛线，最初是日本人用来表示米价的涨跌情况的工具，后被引入股市，用来分析股市走势。K线较细腻地表现了交易过程中卖买双放的强弱程度和价格波动状况，是目前股票技术分析的最基本工具。K线主要通过K线的组合形态来分析判断，一些典型的K线组合形态有反转形态、持续形态等。

（二）基本的切线分析方法和形态分析方法的应用概述

1.切线分析方法概述

投资者运用画线辅助的方法寻找股价运动的规律和未来运动的方向，对股价的变动趋势进行科学预测，选择买卖时机的方法就是切线分析法。切线主要包括趋势线、通道线等。其中趋势线的画法显得最为有用，它是表现价格波动趋势的直线。上升趋势中，将两个上升的低点连成一条直线，就是上升趋势线下降趋势中，将两个下降的高点连成一条直线，就是下降趋势线。

2.形态分析方法概述

股价形态是记录股票价格表现为某种形状的图形。这种形状的出现和突破，对未来股价运动的方向和变动幅度有着很大的影响，投资者可以从某些经常出现的形态中分析多空双方力量对比的变化，找出一些股价运行的规律，从而指导自己进行投资。基本的形态主要有顶部反转形态、底部反转形态和整理形态。

（三）技术指标应用概述

技术指标是按照事先规定好的固定方法对证券市场的原始数据进行技术处理，之后生成的某个具体数据就是指数指标值。将连续不断的技术指标值制成图表并据此对市场行情进行分析的方法就是指标应用方法。

1.移动平均线

通过一定时期内股价移动平均值而将股价的变动曲线化，并借以判断未来股价变动趋势的技术分析方法叫移动平均线分析法。它是道琼斯理论的具体体现，也是K线图的重要补充。移动平均线的买卖信号主要依据葛兰威尔法则。

2.MACD与KDJ

MACD全称指数平滑异动移动平均线，KDJ则是随机指标。之所以把MACD与KDJ放在一起介绍，是因为两者都是投资者在股票实战过程中十分看中的投资技术指标。当MACD与KDJ的趋势相同时，则发出的买卖信号也是相同的：当两者趋势相反时，则出现了背离。我们在操作时要反复将两者进行对比、验证，这样操作的成功率就会得到更大的提高。

另外，比较常见的还有威廉指标、相对强弱指标、能量潮（OBV）等等。

三、技术分析的要素

技术分析要素主要包括价格、成交量、时间、空间这四方面的内容。价、量、时、空四个要素相互影响，相互作用，共同推动了技术分析活动的发展。

价格和成交量在证券市场上直接表现为成交价格和成交量。不同市场发展阶段，证券的成交价格和成交量不同。在证券市场上，当买卖双方在利益达到某一均衡点时对交易的认同度和满意度较高，其成交量就相应上升。反之，其交易量就会下降。概括地说，成交量和价格的关系主要体现在以下几个方面：一是成交量是推动股价涨跌的动力。二是量价背离是市场逆转的信号。三是成交密集区对股价运动有阻力作用。四是成交量放大是判断突破有效性的重要依据。

分析者在对时间和空间在进行技术分析时，必须以市场价格的周期性浮动和价格升降的程度为依据。时间分析是价格运行到目标位可能需要的时间，空间分析是反映趋势运行的幅度，两者在实战操作中十分重要。例如，我们找股票可以看它的涨幅榜和量比排序榜，若其均处于前列，我们就可以根据技术分析系统提示的信号，及时、准确地进入，必将获利。

四、技术操作举例分析

前面我们对一些不同的技术方法理论和各项技术指标进行了阐述，不过技术投资中如果只运用一个技术得出的结论肯定有所偏差，所以为了使操作更具准确性，我们要综合运用各项技术和指标。

（一）股票样本选取

我们随机选择一只股票，中信海直全称中信海洋直升机股份有限公司，股票代码是000099，属于航空运输行业，经营范围广，是一只央企国资改革股。我们截取了中信海直2015年6月9日至2015年8月20日的K线图，此图包含了多种技术投资方法的内容，具有重要的技术意义。下面我们对其进行分析。

篇2

中图分类号：F830.91 文献识别码：A 文章编号：1001-828X（2016）016-000-01

引言

随着大数据时代的到来，数据科学成为了现代社会技术创新和投资火热的一个领域；由于大数据和互联网金融的不断发展与成熟，大数据技术在股票投资方面也逐步被应用，面对股票交易的K线图等图表信息，要想在股市中立于不败之地，需要有正确的理论来指导，并做出正确的投资策略[1]。

一、投资方法的研究现状

最早由美国人Stannloy等人在1992年开发了AI系统，其通过运用聚类方法、分类和可视化技术等方法，来寻找单只股票的最佳投资时机。2005年，Dose 和 Cinacotti[2]研究了利用时间序列聚类分析的随机优化方法来选择股票进行投资。结果表明聚类在降低噪声和文件预测方面起了重要作用。2009年Fenu，G[3]利用云计算技术设计了一个实时金融系统。该系统实现了股票宏观的分析，能够预测金融市场的变化。武金存[4]等人在2011年利用相关数据挖掘的方法，对指数化投资组合优化进行比较研究，有着其独特的优势的理论。

二、从股市中获取信息

目前证券市场上市公司数目众多，每天能产生大量的交易数据，如：股票的交易价格，上市公司财务信息，股票交易的K线图等图表信息。如果能用一定的算法或处理数据的技术，有效的挖掘出蕴藏在其中的规律，充分利用股票交易信息以及上市公司财务数据，帮助投资者在短时间内把握股价的估值水平，从而对投资者进行价值投资建议。

三、投资方法的探索

在信息化时代的今天，信息技术对人们的日常生活起到了必不可少的推动作用，把飞速发展的信息化技术应用于股票投资方法的探讨中，利用所能收集到的股市信息，用优化和数理统计的方法来进行规律的分析，找到其变化规律，从而进行正确的投资。对此，我们可以用传统的手段建立其数学模型进行分析，接着对模型进行修正和优化，达到对股市走势进行预测的目的。在大数据时代，我们将原有的方法与大数据和云计算技术进行结合，运用大数据处理算法，从而达到对股票的正确投资。

在日常生活中，我们可以做到门不出户进行交易，网络给我们带来了太多的便利，我们可以收到淘宝网基于数据统计进行的商品推广，也可以浏览其它事物所产生的海量数据，人们需要对海量数据进行挖掘和应用，从而产生了新理念和新思维，股票投资成为了新的学问；对云计算技术在模型建立中进行应用，可以将海量数据代入模型进行走势的修正，用计算机程序进行编程，从而探索股市的正确投资方向。

四、建立模型的方法

对于现代的数学预测模型，模糊模型和神经网络模型是两种较为智能化的方法，可利用其寻找股市变化的规律。对于所绘制的图像，可以用相关分析方法进行处理，运用云计算和大数据技术对模型进行不断修正，从而达到预测的目的。

对于数据的分析，可以采用一些分析方法进行指标的分析，然后对变量进行处理，之后对模型进行优化和改进，从而进行股市投资策略的分析。在大数据的背景下，我们也可以对计算程序进行优化，将并行处理的技术用在其中，从而减少程序的运行时长，便于迅速做出投资方向的判断。

五、结语

通过大数据和云计算技术的应用，对现证券领域拥有大量的数据资源进行开发，建立出对股票投资预测的模型，从而实现正确的投资。新时代、新背景下的投资方法需要人们继续不断探索。

参考文献：

[1]彭济敏.程序化交易方式在股票交易中的应用[D].吉林大学，2004.

篇3

我所遇到的很多“价值投资者”的投资失效的原因并不是价值投资有什么问题，而是他们的想法太简单了。这帮人只记住了，“买了股票回家睡觉”之类的话，但是格雷厄姆还说过，“投资要简单，但不要太简单”，这句话在格大师著作的最后几页，很多投资者都没有注意到。如果你想比一般投资者赚的更多一点，那就需要你比持简单想法的投资者再多想一道。

“如果你看到什么产品很受欢迎，那就买这家公司的股票。”这个观点据说是彼得林奇说的，但彼得后来一再否认，“如果投资这么简单，还要我们有什么用。”这个观点之所以错了的一部分原因我们在以前说过，那就是一个好产品的用户体验是完美的，在一些情况下，它们会因为成本问题而不能赚到人们想象的那么多的钱。所以，如果投资者买了它们的股票，并不一定是个好选择。而在“投资要想两次”这部分里，我们还要说这种投资方式的另一部分错误，那就是，假设一个公司的产品足够好，也给这家公司带来了不错的收益，如果你投资它会有其他问题存在么？在这里普通投资者和多想一次的投资者的差别大概是这样？的：

某家公司的收益很好—

普通投资者：我要买它们的股票！

多想一次的投资者：这家公司的收益真的会像大家想象中那么好吗？

他们的好收益能坚持多久？

如果大家都去买这家公司的股票，这个股票的价格是不是太贵了？

篇4

中图分类号：F830.59文献标识码：A文章编号：1008-2670（2014）04-0029-07

一、引言

在经济全球化和金融一体化的影响下，我国金融市场也得到了快速的发展。但是资本市场存在如上市公司质量不高、财务信息造假、监管不严、行政化严重等问题[1]，导致其在金融结构、市场机制、市场深度、市场文化方面距离成熟的资本市场还有一定的差距，市场波动性较大，因而证券投资的风险管理问题就比较突出，而建立科学有效的风险度量方法是进行风险管理的基础。马科维茨的均值―方差模型的提出是金融风险进入量化时代的标志，但是该模型假设条件过于苛刻，其实际应用受到很多学者的质疑，之后又有学者提出其他方法，到目前为止有半方差度量法[2]、VAR度量方法[3]、ARCH度量方法[4]、β系数度量方法[5]等。但是这些风险度量方法都存在一定程度的缺陷，如半方差只说明收益率的偏离方向，没有反映证券组合的损失到底有多大[6];而VAR度量方法是在假设收益服从正态分布的条件上成立的[7]。实际中证券的收益率是不服从正态分布的，有必要寻找一种广泛有效的风险度量方法。从内涵上来看，熵是不确定性的体现，并且在度量过程中无需对分布做任何假设，因此本文提出将熵理论引入投资组合模型中，来寻求更加实用的组合选择工具。

许国志、李凤章[8]将熵与决策行动的不确定性和风险相联系并用于决策分析中。顾昌耀、邱苑华[9]提出将熵引入到贝叶斯决策中，改进和完善已有信息价值度量，丰富和发展了贝叶斯决策理论。在理论引入基础上，很多学者建立了自己的模型。主要有两种方法，一种方法是计算每只股票的熵来代表每只股票的风险，并对股票风险进行排序，筛选出适当数量的股票进行组合，但是这种方法并没有给出最终的投资方案。姜丹、钱玉美[10]建立效用风险熵模型，考虑了随机事件客观状态的不确定性和结果价值两方面的因素，并且说明了用熵衡量风险的合理性。杨继平[11]通过期望―效用决策模型对股票进行筛选排序，并与二阶随机占优准则做了比较，得出期望―效用决策模型更具有实用性的结论，但是该模型计算量巨大并且未考虑投资者的风险偏好。袁博[12]建立最单纯的熵模型，并引入调节因子来度量股票投资风险，对原上证50的50只股票进行风险排序，筛选出20只目标股票。实证研究得出，熵模型在度量股票投资风险具有高效、便捷、实用性。另外一种方法是根据熵的定义，直接给出投资组合的熵值表达式，确定投资方案，但是这种方法没有考虑个股风险对于投资方案的影响。李华[13]利用熵的最大熵原理改变组合投资的目标函数建立了模型。李江涛[14]结合我国实际情况，考虑交易费用、限制约束、最小交易单位以及限制卖空等几个条件，构建了均值―熵模型，该模型与我国真实股票市场相接近，与实际更相符，但是没有通过具体数据进行实证研究。

综上，国内学者对于熵理论对金融风险的度量和管理的研究还处于起步阶段，在建立模型时单独使用个股熵值排序筛选法和计算组合熵值确定投资方案这两种方法，所以各模型都有不可避免的弊端，因此将这两种方法结合起来，用投资比例加权个股的熵值来表示系统的风险是一种新的研究思路和方法。

二、均值―熵模型概述

用熵来度量投资风险，对收益率的概率分布没有要求。在实际的证券市场中，各风险资产收益率的分布并不是确定的，投资者只关心的是实际收益率小于期望收益率时所面临的风险，因此用熵度量投资风险在实际应用中更具有实用性和价值意义。从熵的定义来看，熵描述的是一个系统的无序程度，而信息熵是将系统的无序程度与信息量有效结合，信息熵的数值越大，表明该值包涵的样本的信息量越大，样本的不确定性程度就越小。风险本质上看是表现投资者收益率的不确定程度。选择用信息熵来度量投资风险具有更加完善的理论基础。熵表现的是收益率概率分布的多阶矩特征，能涵括更多关于分布的信息，相比只能反映分布二阶矩特征的方差，能更加准确地衡量投资者面临的全部风险。用熵衡量投资风险更符合客观现实，误差更小。根据熵的定义及其性质可知，用熵函数度量投资风险与投资者对于风险度量的理解是相一致的，基于熵测度风险的资产风险排序，相比用方差度量更具有合理性。

根据信息熵的定义可知，单个证券的熵值可用H（X）=∑ni=1-pilnpi求出，可将此公式定义为证券的初始熵值，但是根据信息熵的性质可知，由于各证券的收益率不是相互独立的，因此不具有可加性。常用的办法是将证券的熵分解成受市场影响的系统风险熵和非系统熵。王博[17]提出用β系数加权的市场收益率的熵和残差项的熵的和来表示单个证券的熵，具体表示为H（S）=βH（rm）+H（εi），但是该模型假设残差项和市场收益率是不相关的，而在现实生活中，残差项和市场收益率是有一定关系的。所以在此基础上，引入条件熵对此模型进行改进。所有单个证券的收益率对市场收益率的条件熵都是独立的，这样单个证券的熵就能相加。单个证券的熵值公式表示为：

由以上定义可以看出，H（S）反映的是某资产的风险程度，H（S）的值的大小与其风险程度是正相关的。

基于以上单个风险资产的风险度量公式，可定义投资组合的熵值公式：

设投资者投资于n种证券，第i（i=1、2….n）种证券的投资比例为xI，∑ni=1Xi=1，0≤Xi≤1（i=1、2….n）。则n种证券的组合投资风险为：

理性的投资者总是希望在一定的收益下，投资风险尽可能的小。从这方面看还需加入一个约束条件使得证券投资组合的期望收益率大于等于某一给定的值，得到的均值 ― 熵模型为：

三、均值―熵模型的实证分析

（一）数据选择

由于投资资本的有限性，投资者在选取投资组合时既要兼顾分散风险又要考虑自身资本承受能力，因此投资组合中的股票数量不宜过多。由根据风险分散和投资组合原理以及对中国股票市场的调查研究得出的经验法则[12]可知，当投资组合中的股票数量超过12只时，组合对非系统风险的分散作用开始减弱。因此，在研究过程中可以选择10只股票，此时组合对非系统风险的分散作用较大。

从深证100中涉及金融、能源、交通、地产等行业中选取成长性好、业绩高、收益率稳定的10只股票进行研究[15]。所选股票见表1。

为了保证数据序列的平稳性，选择使用股票的对数收益率来研究。为了保证模型的时效性，选取2012年7月1日至2013年7月1日的日收益率来研究。表1选取股票名称及代码

（二）数据处理

我们可以根据这10只股票从2012年7月1日至2013年7月1日的收盘价数据分析来推断其未来的收益趋势，股票的对数收益率定义为：

rit=lnpit-lnpit-1

（7）

公式中，rit表示第i只股票在第t个交易日的对数收益率，pit，pit-1表示第i只股票在第t-1，t个交易日的收盘价。 在进行计算之前，通过计算收益率序列的均值、标准差、偏度、峰度及正态分布检验统计量来了解各只股票收益率序列的基本统计特征。各股票相关统计特征值数如表2：

从表2可以看出，各股票收益率的均值都在零附近，峰度远大于正态分布下的K=3，表现出显著的尖峰厚尾的特征，且各股票收益率的J-B统计量都远大于零，说明收益率序列不服从正态分布。

作为时间序列，尽管不服从正态分布，但是仍有必要检验序列的平稳性，平稳性检验最常用的是ADF检验，各股票的单位根检验的数据如表3：

从表3可以看出，在置信度为0.05的水平下，10只股票的收益率序列都通过了平稳性检验，可以进行进一步的熵值计算。表3ADF统计

（三）数据计算

根据股票日收益率的定义可求出每只股票的对数收益率序列，并将区间[min（r），max（r）]等分10个小区间，并用频率来代替概率，这样可得到10只股票收益率的分布率和每个区间的样本均值，如表4所示，每只股票的第一行为频率，第二行为中间值：

根据以上概率分布，可求出每只股票的期望对数收益率和初始熵值，具体如表5和表6所示：

各股票初始熵值与其方差的对比如表7所示。从表7可以看出，用熵衡量风险与用方差衡量有类似的效果，基本符合熵越大，方差越大。但也有一些不同，验证了研究熵度量风险的必要性。

运用同样的方法求深证100指数的概率分布，来代表市场收益率的概率分布。具体结果如表8所示：表7初始熵值与方差对比表

接下来计算在给定收益率的条件下，用熵值衡量风险与用标准差衡量风险的区别，可以通过计算一定收益率水平下，要使得投资组合的风险最小的各个股票的组合情况。

利用MATLAB中的优化工具箱可求解公式（6）这一线性约束问题，求出均值―熵模型下10只股票的投资比例，如表12所示：

为了方便比较，我们可以求出相同收益率水平下，均值―方差模型的投资比例，具体如表13所示：

通过对比均值―方差模型与均值―熵模型在相同收益率下的投资方案，可以看出，在收益率由低到高的过程中，两种模型都会选择用收益风险比较大的中金岭南（000060）代替华联控股（000036），可见新旧模型存在相似的选择过程。但是用熵度量风险的新模型计算出的投资方案中只通过两只股票来分散风险，而传统方法得出的最有投资组合中包括了更多的股票。

四、结论

（一）用熵来度量风险具有合理性和可行性

从实证过程可以看出，股票的熵值不依赖于某种特定的分布，只要确定收益率的分布，便能求出股票的熵值，因此熵值是一种理想的股票风险度量手段[16]。

（二）均值―熵模型能够为投资者提供更加简单的投资方案

从以上的实证结果可以看出，在相同收益率下，用均值―方差模型计算出的最优投资组合中包含的股票数量更多。虽然从理论上来讲，选择的股票越多，分散风险的效果就越明显，但是过度分散不仅不会降低投资者面临的风险，反而会因为信息成本等其他成本的增加提高风险。而基于熵度量风险的均值―熵模型提供给投资者的最优方案中包括的股票数量更少，更加简洁，可以减少交易费用和管理费用，降低投资者的风险。

（三）模型评价

1.模型优势

（1）使用熵代替方差衡量投资组合的风险，不需要对收益率的分布做任何假设，是一种对客观概率的正确描述和无偏估计，代表风险的熵值的大小只与收益率的概率分布状况有关，这就克服了使用均值―方差模型必须假设收益率的分布是正态分布的缺陷。因此，均值―熵模型在使用时更具有实用性。

（2）熵在度量风险时与方差的效果是相似的，但是熵可以描述收益率的多阶矩的特性，相比方差只能表达的二阶矩的特征，熵能提供更多关于收益率的信息，因此能更加准确地衡量不确定程度。投资者确定各个风险资产的投资比例的过程是复杂动态多变的，用熵来衡量投资组合的风险更加合理。

（3）虽然增加投资组合中的资产数量能够有效分散系统风险，但是过度分散反而会降低组合收益。本文的实证结果表明，均值―熵模型能够在相同收益水平上，提供给投资者更加简单精炼的投资方案。包含股票数量较少的投资方案，能在分散风险的基础上有效降低管理费用和交易费用，从而降低投资者面临的风险。

2.模型的不足之处

（1）本文提出的均值―熵模型，在数学方面欠缺严谨性，没有证明过程。

（2）整个计算过程过于繁琐，需要进一步通过计算机仿真，增强模型的实用性，为投资者选取资产组合提供便利工具。

（3）由于熵的值只跟变量的概率分布有关系，并不受其取值的影响，不能表现出投资者对于风险的主观反映，因此熵对风险的描述欠缺全面性。

（4）在整个分析过程中，没有考虑税收和交易费用等问题，需要进一步改进。

参考文献：

[1]王霄，杨珊珊.浅析我国资本市场存在的问题及原因[J].商，2013（3）：121-122.

[2]卫海英，张国胜.基于半方差风险计量模型的组合投资分析[J].财经研究，2005（1）：115-121.

[3]邵欣炜.基于VAR的金融风险度量与管理[D].长春：吉林大学，2004.

[4]闫冀楠.股市投资收益与风险直接关系的定量研究[J].天津大学学报，1999（7）：454-458.

[5]丁健. β系数估计方法研究[D].北京：对外经济贸易大学，2006.

[6]王春峰.金融市场风险管理[M].天津：天津大学出版社，2001.

[7]赵青.投资项目组合风险分析与度量[D].西安：西北工业大学，2005.

[8]李凤章.决策分析中的风险、不确定性和熵[D].北京：中国科学院，1988.

[9]顾昌耀，邱苑华.复熵及其在Bayes决策中的应用[J].控制与决策，1991（4）：253-259.

[10]姜丹，钱玉美.效用风险熵[J].中国科学技术大学学报，1994，24（4）：461-469.

[11]杨继平，张力建.期望效用―熵决策模型在沪市争取按投资选择中的应用研究[J].系统工程，2005，23（12）：23-29.

[12]袁博.熵模型在股票投资风险管理中的应用研究[D].西安：西安建筑科技大学，2009.

[13]李华.证券投资组合中的熵优化模型研究[J].大连理工大学学报，2005，33（6）：16-21.