Td指标看什么书(td指标怎么调出来)
消化一下再上攻可能更好 1107
【风口顺序】
上午--(锂矿锂盐、锂回收、有色、TOPCON)、贵金属、信创软件、油气、特效药、稀土、环保回收、供销社、传媒广电、石墨烯、网游元宇宙、石油中字头、钠电池、能源金属、元宇宙(虚拟现实)、煤炭、
下午--车联网、户外体育、彩票、养鸡
涨跌家数比 3119:1698上午3412:1395
涨跌停家数比 77:0上午 60:0
大盘量比1.04=微幅放量
板块涨幅:虚拟现实、博彩、户外、三氯氢硅、NFT、世界杯、广电、有色、供销社、互联网、石油、黄金
板块跌幅:海风、风电、航空军工、空运、科学仪器、EDA、医药赛道、CHIPLET、储能、医药商业
北向资金净买额-40.32亿,沪股通净买额-15.46亿,深股通净买额-24.86亿
大盘重点指数科创50下跌,其余全红:上证50、中证100、沪指、沪深300、深成指、创业板指、中证500、中证1000;
大盘超大单资金流向图
总体上,大盘没有被周末的会议消息压下来,这是符合我们周末分析预期的,因为我们当时认为,“传闻牛”只是占比30%的因素,另外70%反弹因素是技术和汇率。
当然,今天开盘后出行修复链板块都跌了,这也合理。本身它们周五博弈过分。
今天还有有一个板块大跌,是比较突然的,就是海上风电板块,坊间传闻:明年5月份可能落地海风建设新要求。要求离岸30公里或者水深30米以上二者满足其一。但愿这不是“小作文”。但消息确实利空了大多数风电板块分支。
除上面2条消息外,今天午后的盘口,基本是被盘中媒体消息左右。
上午热点板块频繁切换,下午的热点板块很少有:车联网、户外体育、彩票、养鸡等等。前面的车联网、户外体育+彩票概念,都是与媒体新政消息有关。
虽然,今天盘口是周五反弹后的韧性延续,中线目标阻力位也还没有到达,但是,短线而言,需要注意,TD序列指标看,今天是120分钟的“高9”信号,这个120分钟“高9”信号,在10月18日曾经出现过,今天有正好到达这个位置,从心理学上讲,消化一下再上攻可能更好。
所以,明天开始看短线消化震荡。但是中线不看空,中线反弹没有结束。
作者:大数据模型
本篇文章出自 2022 年“用 TDengine,写 TDengine”征文投稿活动。
因为工作的关系,最近几年我接触到过各种国产数据库,唯独对 TDengine 念念不忘。在众多数据库中,TiDB 一枝独秀,OceanBase 出身名门世家,openGauss 有华为撑腰,只有 TDengine 给人有一种草莽出英雄的感觉;在开发上,TiDB 借用了 rocksDB 的性能,openGauss 是基于 postgreSQL9.2.4 开发的,即使 OceanBase 也是基于内部应用需求开始打造的,只有 TDengine 不依赖任何开源或第三方软件自研而成。而且它不是一款通用型的数据库,剑走偏锋,它有自己独特的社会应用场景,主要为工业网服务。
基于对 TDengine 的定义和理解,笔者将会在本篇文章中从 TDengine 能解决什么问题、它的优势与亮点、它与其它数据库的区别等维度展开详述,希望能帮助到对 TDengine 感兴趣的小伙伴。
“区别于通用数据库,TDengine 抛掉无用包袱”
数据库想要完成出色的的读写,最核心的能力就是索引,一般数据库产品都具备正向索引能力。所谓正向索引就是通过文档记录里面的标识符为关键字,通过关键标识符不再需要进行全盘扫描。虽然 B树索引、哈希索引、位图索引有区别,但是大方向都属于正向索引。
除了正向索引,还有反向索引【也称倒排索引】,反向索引主要用于全文检索,例如 ElasticSearch,大多数据库都是正向索引。TDengine 也是使用正向索引,它的特别之处是标识符肯定包含时间戳,再加上一个维度指标数据,构成一个对数据值明确的描述——某个时间某个指标对象的数据值是多少。
从数据组织的存储引擎来看,数据库底层可以分为 B树机制、LSM 机制,两种机制没有最好,各有各的优点和缺点:
B树最大好处在于它对数据持续高涨读性能的处理,即使数据量级增大,它的读也没有放大。 奥秘在于对数据进行终极持久存储时,B树是以有序有规律的数据结构保存在硬盘上的。这样随着数据越来越大,它依然保持有序有规律的特性,面对成千上万的读操作,都可以遵循条件运行,减少或避免读放大的行为。
与 B树机制截然相反,LSM 机制则是减少避免了写放大。LSM 机制充分利用了内存,在内存里面开辟了一个空间,写数据优先往内存里放,写进去直接返回用户成功,而不是像 B树那样写一个,我要找出谁比我大谁比我小,只要内存有够,就直接往内存里面填就好,当内存达到一定的阈值,将内存中的数据以批量、顺序的方式一次写入硬盘上,内存则重置清零再服务新的写要求。
传统数据库 MySQL、Oracle 使用的是 B树机制,而 TiDB、OceanBae 使用的是优化后的 LSM 机制,而 TDengine 使用的是 B树 + LSM 机制的方式,其中 B树存储的是元数据【主要是时间戳+指标数据】,LSM 机制存储的是具体的数据,元数据以有序表结构方式进行存储,而具体数据则是以追加的方式写入,这样即避免了读话大和写放大。
一般来说,OLTP 产品为了提升并发控制的性能,必定会有写时复制或者 MVCC 的功能选项,写时复制与 MVCC 虽然保障了数据的一致性,但是带来更多的 IO 负担。TDengine 不需要对数据进行修改,所以不需要考虑数据一致性的问题,数据是以有序的规律并追加的形式写进去的,因为只有读和写,所以也不需要锁保护,抛掉一些无用的包袱,可以集中优化其它地方,例如列式表。
业界通用数据库针对各种业务都会有行式表、列式表甚至完全的内存库,对于具体的数据存储 TDengine 使用完全列式存储在硬盘,而维度指标则行式保存在内存中。因为 TDengine 面对的是机器的数据,机器 24 小时工作精确到每个毫秒都在产生数据,为了存储更多的数据,所以 TDengine 用上行列并存、用途分离的方式。
一般来说,数据库里面每一行的文档记录都是非常重要的,即使这行记录信息无关交易,只是一个用户的基本信息,那它的价值密度也十分高。但时序数据库(Time Series Database)不同,单行文档记录价值密度低,因为 1 秒可以产生 1 万条记录,必须要把数据聚合汇总起来才能体现数据的价值。快速并有效聚合普通数据使之变成价值密度高的数据,这个也是时序数据库区别于其它数据库的一个重要的特征。
TDengine目前提供了三个版本的产品:社区版,企业版以及云版本, 以满足市场的需求和个人开发者的需求。
“拆解时序数据库,几大产品特点分析”
从技术上区分定位,TDengine 是专注时间序列领域的一个分布式的海量数据分析平台。它的竞争对手可以分为直接竞争对手和间接竞争对手,间接竞争对手有国内的 TiDB、OceanBase、GaussDB 以及国外的 Oracle、MySQL 等等,虽然它们在综合技术维度上与 TDengine 没有对标,但是分析上只要是使用时间戳,与时间序列有关系,这里就有 TDengine 的用武之地。与 TDengine 构成直接竞争的对手有 Druid、OpenTSDB、InfluxDB,他们都是时间序列分析的前辈。
Druid 是一个分布式系统,采用 Lambda 架构,有利于充分利用内存,也会把历史数据保存到硬盘上,按一定的时间粒度对数据进行聚合,实时处理和批处理数据解耦分开。实时处理面向写多读少的场景,主要是以流方式处理增量数据,批处理面向读多写少的场景,主要是以此方式处理离线数据。Druid 依赖 Hadoop,集群中采用 share nothing 的架构,各个节点都有自己的计算和存储能力,整个系统通过 Zookeeper 进行协调。为了提高计算性能,其会采用近似计算方法包括 HyperLoglog、DataSketches 的一些基数计算。
OpenTSDB 是一个开源的时序数据库,支持存储数千亿的数据点,并提供精确的查询,采用 Java 语言编写,通过基于 HBase 的存储实现横向扩展,OpenTSDB 广泛用于服务器的监控和度量,包括网络和服务器、传感器、IoT、金融数据的实时监控领域。OpenTSDB 在设计思路上是利用 HBase 的 key 去存储一些 tag 信息,将同一个小时数据放在一行存储,以此提高查询速度。OpenTSDB 通过预先定义好维度 tag 等,采用精巧的数据组织形式放在 HBase 里面,通过 HBase 的 keyRange 可以进行快速查询,但是在任意维度的组织查询下,OpenTSDB的效率会降低。
InfluxDB 是一款非常流行的时序数据库,采用 Go 语言开发,社区非常活跃,技术特点支持任意数量的列,去模式化,集成了数据采集、存储和可视化存储,使用高压缩比的算法支持高效存储,采用 TIME SERIES MERGE TREE 的内部存储引擎,支持与 SQL 类似的语言(2.0 版本不再支持)。
时间序列的业务背景,在 OLAP 场景中一般会进行预聚合来减少数据量,影响预聚合主要因素可以汇总如下:
- 维度指标的个数
- 维度指标的基数
- 维度指标组合程度
- 时间维度指标的粗粒度和细粒度
为了实现高效的预聚合,TDengine 的秘诀是超级表,Druid 会提前定义预计算,InfluxDB 也有自己的连续查询方法,只有 HBase 使用时才进行拼接,所以涉及不同的维度指标查询,HBase 会慢一些。
据了解,TDengine 基于 TSBS 的测试报告将于近日出炉,第一期报告针对 InfluxDB 和 TimeScaleDB 进行了详细的性能层面的对比分析,感兴趣的小伙伴最近可以多多关注下公众号的内容。
“放到今天,TDengine 一定是首选”
我对 TDengine 的认识和了解要从过去的项目经验说起,以 2018 年为背景,我给大家讲述一个工业界坏件故障件预测的故事。
某知名集团随着公司业务的快速增长、新工厂的不断增加,各种有价值的数据不能很好的整合、分析与挖掘出它应有的价值。此时公司发展已经进入下一轮“拼”的战略,快速响应与准确预测是业务发展的关键,大数据在其中起到举足轻重的作用,以科学的分析手法整合各系统数据、推动工厂制造智能化发展,成为一件迫在眉睫的工作。
当前工厂生产过程中出现了同一种特殊问题的 glass id,glass 的品质由于各种原因是参差不齐的,甚至会有品质异常的 glass。这些异常 glass 在检测过程中,是无法检测出异常原因的,如果无法快速定位出异常原因,就会造成更多的异常 glass,严重影响生产。应对的具体手段包括:
- 通过品质异常的 glass,找到产生此异常的相关性因子。如:机台、物料、载具、参数等。
- 异常 glass 侦测预警,通过对产生品质异常的因子进行数学建模,预测出偏离正常范围的异常玻璃,提前预警。
- 分析 glass 的特征值与特征值之间的关联关系,并建立预测模型,提前预测出 glass 的特征值。
- 分析 glass 相关的电压、电阻、电流、温度、湿度影响。
很明显这是数据挖掘的项目,要分析以上 glass 在生产过程中的环境信息、检测机台资料、量测机台资料、制程参数信息,以及 FDC、OEE 系统的数据,才能找出产生这种问题的原因。第一步是数据收集整合,第二步是数据探索,第三步是模型调校——找出可能性、影响最大的因素的特征因素,第四步是投入生产验证,通过 spark ml 提供预测动力。
当时的技术栈用的是 CDH,首先要通过 Kafka 采集数据,Spark对接 Kafka 进行初步计算去噪并汇总到 Hadoop 里面,以 parquet 的格式保存,如果需要进一步的加工,就通过 impala 进行。这样每天挂起 N 个任务,不停的调度计算。
CDH Hadoop 虽然无法做到实时数据分析,但是也还能做些事,聊胜于无,就继续用着。当时这个坏件故障件预测项目有以下痛点,主要是及时性、有效性、准确性的问题:
- 难以满足用户需求,某些机器数据的聚合计算需要第二天才能出结果,甚至更多的时间才能出来。
- 经济成本的费用较高,CPU、磁盘、网络都在一个高段的使用状态,针对越来越多的数据需要投入新机器。
- 维护成本高,你需要维护 Hadoop 所有的机器,各种 HBase、Spark、Zookeeper、HDFS 之类,不但对工程师要求高,而且工作量巨大。
- 低质量数据,因为数据流程或者错误的逻辑整合,导致机器传感器聚合后数据模型无法正常使用。
- 无法做到实时监测,机器数据作为宝贵的自变量因素无法及时传输并进行计算,自然会影响因变量。
笔者经历了这个项目,知道这个坏件故障预测与时间序列有紧密的关系。时至今日,时间序列分析也是重要的数据分析技术,尤其面对季节性、周期性变化数据时,传统的回归拟合技术难以奏效,这时就需要复杂的时间序列模型,以时间为特征作为抓手点。这样即使你不太懂业务的前提下,也可以进行数据挖掘的工作。
那这个项目与 TDengine 有什么关系呢? 实际上,这个项目并没有用上 TDengine,后来集团搭建了一个 Hadoop集群试点,这次居然用了 HDP,理由很简单,因为 HDP 默认搭载了时序数据库 Druid。
当时技术负责人认为坏件故障预测模型的数据库基座应该是时序数据库,而不是 Hadoop 不停的进行数据采集、数据转换以及各种批计算,通过时序数据库不但可以实时计算,而且输出的数据质量高。至于选择哪个时序数据库,彼时考虑平稳过渡替换以及学习成本综合因素后他们选择了 Druid。
但当时是 2017 年,TDengine 也还没有面世,如果放到今天,TDengine 必定是选型考虑的首选。
要知道,TDengine 的优势相对 Druid 要多了去了,首先 Druid 不是一个经过开源版本 1.00 正式发布的软件,虽然发展多年,直至 HDP 与 CDH 两家公司融合,HDP 搭配的 Druid 也不是 1.00 版;其次 Druid 依赖 Hadoop,动辄就使用大量的资源以及各种复杂的 Hadoop 组件,最后 Druid 只提供 json 的方式,对传统的 DBA 使用十分不友好。
TDengine 有一个我认为很秀的功能,就是它的超级表的跨指标维度建模思想,目前它仅用于自由组合维度指标,拼接不同的时间粒度进行聚合。在我看来,将来应用于时间序列机器学习模型也会是它的一个亮点,在数据建模方面,针对工厂的设施、设备、机床、机房、车间、测台等必须要做高效准确的定义。我们进行项目规划建设时,都会做大量的数据治理工作,但是在具体实施工作上,还是要使用这些传统工具和技术。TDengine 可以有效汇集各种机器数据源,并且能够高质量的提炼,这个是过去的时序数据产品所不具备的。
“是提速,更是赋能”
中国有句话叫做“长江后浪推前浪,一代新人胜旧人”,IT 世界千变万化,如果你和我一样,一直在关注着 TDengine,就会发现,它这几年崛起的非常迅速。去年 TDengine 推出 3.0 版本,新版本升级成为了一款真正的云原生时序数据库,优化了流计算功能,而且还重新设计了计算引擎,优化工程师对 SQL 的使用,另外增加了 taosX,利用自己的数据订阅功能来解决增量备份、异地容灾,更加方便了企业应用。我对 TDengine 未来的期望是,希望它增加库内机器学习函数,增加 ARIMA 模型、MA 模型等时间相关功能,TDengine 的未来是一个智能学习时间序列数据库,对工业 4. 0 来说不仅是提速,更是赋能。
点击了解更多 TDengine Database 的具体细节。
听说现在年轻人不喜欢亲自炒股了,而是倾向于在支付宝上直接买基金。
之前机构的朋友也说过,他们自己不能炒股,就会在支付宝上买基金和各种理财产品。
我就很想知道支付宝里有哪些投资工具,但一直没有专门做过研究,直到有天我实在无聊,就去逛了逛支付宝,结果发现了很有意思的一个东西。
01 支付宝投资工具
1 选股工具
打开支付宝,点击更多,在财富管理中选择股票,进入选股工具栏目。
里面各种收费的选股指标让人不明觉厉。什么神奇九转、红绿波段、择时秘籍、行情猎手等等,不知道的还以为是武林秘籍包月呢。
其中神奇九转指标最吸引我,这名字和九转大肠一样,听起来就非常的好(专)吃(业)。
2 付费指标
它的简介也相当牛X。
号称可以发现个股拐点,精准把握抄底逃顶机会。
再加上每月30元的价格,简直就是入股不亏。
购买后支付宝会把每天符合条件的个股推给我们,在个股K线图中还能看到指标的买入卖出信号,使用体验较佳。
但我们做量化交易的,并不在意它推荐了什么股票,更在意指标的原理。
02 神奇九转指标
1 指标定义
根据介绍,神奇指标源于TD序列。其他描述就比较模糊了,属于听君一席话,如听一席话。
好在支付宝上还有精确的描述,并附上了图示。
简单总结一下:
我们再结合案例来看。
2 九转图示
下图中标有数字1-9的K线都满足收盘价小于4天前收盘价这一条件,且这9根K线是连续出现的,此时就认为触发了抄底信号,应在下根K线买入。
需要注意的是,9个数字必须连续出现,如中间有间断,即某根K线并不满足条件,则需重新计数。
逃顶信号也是如此,当连续9根K线的收盘价大于前4天收盘价,即出现数字9时,会认为股价过高,应该卖出股票。
3 指标使用须知
知道了指标原理后,一般人会陆续观测几天指标的选股结果,看选中的股票后续是涨是跌。
如果指标选出的股票表现不错,你可能会尝试去实盘。
如果指标太辣鸡,推荐的股票一直下跌,你可能会直接对它宣判死刑。
但这种做法非常武断,肉眼观测并不准确,且观测期太短,很难说明问题。
而用真金白银去测试指标,一旦亏损就得不偿失了。
我们做量化交易的,就会用A股过去30年的历史数据来尝试验证策略,看策略在历史上是否赚钱,如果过去都不赚钱,那就没必要使用了。
基于海量大数据的分析,不比肉眼观察几天更有说服力吗?
03 指标回测
1 股票数据
想要进行验证,我们就需要用到每只股票每天的交易数据。
我已经整理妥当,都是可以分享给大家的。其中包含了所有股票(包括已退市的股票)上市至今每天的开高收低价。数据情况如图所示:
2 python代码
有了数据后就可以用Python把神奇九转代码化,都是可以分享给大家的。
这段代码可以从历史数据中识别出每只股票发生神奇九转的日期,并计算股价未来N日涨跌幅。
我们运行代码,看看结果如何。
3 统计结果
历史上共出现65万次买入信号。
出现信号后,股价未来1天、5天、10天的上涨概率是50%左右,和抛硬币没什么区别。
再看信号出现后未来1天、5天、10天的平均收益。这个结果不能说很差,但也好不到哪里去。
再看卖出逃顶信号,共出现60万次。
而未来1天、5天、10天股票下跌的概率则低于50%,甚至平均收益也显著为正,且比买入信号收益更高。
明明是逃顶信号,但信号出现后,未来却大概率上涨,这逃了哪门子的顶,说它是买入信号也不为过吧?
综上所述,神奇九转指标效果一般,直接按照定义去用不会有好结果。
所以弱弱的问一句,我把统计结果交给支付宝客服,能退我30块钱吗?
4 关于技术指标
估计平时大家也可能会付费购买一些奇怪的指标,我建议先让卖家出示指标原理及历史统计结果,不然意义不大。
万一真购买了没有统计结果的指标,也可以找我帮你测试。
最后我想说,类似神奇九转这样的技术指标,绝大部分在个股上效果都是五五开,和抛硬币别无二致。
如果你不信,想去测试其他技术指标的话,可以问我要相关数据资料和代码框架。
我整理过一个Excel,涵盖了100多个技术指标的公式和解释,非常的完备,也都是可以分享给大家的。
04 小彩蛋
1 彩蛋一
在我斥30块钱巨资购买神奇九转指标后,我的同事发来一张截图,他告诉我这个指标在同花顺上是完全免费的,免费的......
2 彩蛋二
通过神奇九转指标的介绍,知道它起源于TD序列。
而我们之前也研究过TD指标,它还有其他改进方法,移植到数字货币市场后效果不错,感兴趣的可以自己试一下。
具体的改进方法你可以去搜广发证券的TD系列研报。
下载黄金头条APP,黄金资讯尽在掌握。
原文发于公众号“财经一周贱”,欢迎关注。定时发段子,不定时发看法。
核心观点:美元本周的反弹并不意味着趋势的逆转。尽管短期存在继续扩大反弹的可能性,但是在回到95.4X之前,大思路依然是逢高做空。黄金和日元的趋势性继续看涨,欧元有点半死不活,加元可能是一个Surprise或者Trap。
先说美元,周二新低之后的一波反打已经三连阳,小型轧空模式启动。现在的价格是前一个小双头的跌破口水平。对于空头来说,比较理想的就是在这里反压。不过其实可以明显看到,即便有回破的走势,上面的TL阻力和水平阻力依然在守株待兔。所以大方向先定下来:美元还是不行,等反弹结束开空,或者反弹到R/R比较理想的位置开空。
接下来看一下欧元。欧元本周的走势比较难看,不过其实之前欧元虽然也在涨,但是一直也是磕磕绊绊的。欧元的上涨似乎有CD效应,需要蓄力一段时间才能突然来一发……目前来说,没有非常明显的日线图重大头部信号,COMBO才到10,SETUP日图则比较远。所以在这个品种上,实际的交易难度会比较大。整体的思路应该是宽幅震荡中找寻低位做多的机会。1.1360/20会是今晚主要的看点。
美元兑日元是一个我中期持续看空的品种,虽然在107.X预计并见证了300PIP+的反弹,但是显然那波反弹已经结束。连续多个交易日维持在107.X下方运行,说明中期101的目标是可以期待的。在那之前的支撑会出现在105.X和103.X。很明显,日图的阻力已经到了。比较理想的走势是上模——允许有一定程度的Overshot,然后反转回落重拾跌势;比较差一点的则是类似今年3月的持续横盘,然后再等一个大新闻往下走。无论如何,108附近都是可以考虑做空的点位。109.2/4则是比较重要的压制/空头止损点,除了充当了前一波下跌的暂歇位置之外,这个水平也是“谣言启动点”。
黄金当然也是很多投资者关注的品种。周内也是出现了持续的回调,时间周期开始转为负面,TDMA脱离图形。不过周线上和月线上非常明显的多头格局还是告诉我们,大方向并没有改变。考虑到对于数据本身的敏感性,今晚更倾向于在数据之后根据市场的反应来做交易。纯技术角度来看,1262/64是可以考虑做多的。小时图重新回到1297+则是涨势重启的信号,短期来看难度不小。
不确定因素加元:美元兑加元这周出现了单周反转的吞噬。在油价没有非常明显崩盘的情况下,疯子货币加元又开始了一轮暴动。从月线图上可以看到,类似的形态在去年年末出现过,随后汇价出现了2000点的上涨。不过个人更倾向于这里只是一波非常强的反弹,但不会引发趋势的变化。从R/R的角度来看,短期或许还是可以试试做空。当然了,1.30会是一个比较重要的看点,如果突破,思路上或许需要作出调整。
黄金:
周线:
时间周期:第二次正面计数中
TD均线:雏形出现在1236
TDST水平:下一个周线级别阻力1339
日线:
时间周期:第二次负面计数
TD均线:脱离图形
TDST水平:暂无理想参考
结论:多头趋势,但短期争夺明显
策略&倾向:
现有持仓:无
交易计划:现价买入1266^&1256各一半,止损1252,目标1282/1322
白银:
周线:
时间周期:第四次正面计数
TD均线:支撑型均线位于16.10,周线跌破前为多头局面
TDST水平:暂无理想参考
日线:
时间周期:第二次负面技术
TD均线:未能有效击穿,但是支撑型TDMA开始脱离图形
TDST水平:暂无理想参考
结论:微妙时刻
交易计划:观望
布伦特原油(暂时只做日线分析):
日线:
时间周期:进入第五次负面计数,存在滑向42.58的风险
TD均线:压制型TDMA出现
TDST水平:压制位于48.97,支撑42.58
结论:需要快速回升收复46,否则未来4个交易日测试42.58风险加大
交易计划:限价卖出46,止损46.80,目标43
P.S在完成第一个目标价格之后,止损将会自动调整到入场水平。
日内如果有交易变化,可以点击黄金头条的《黄金首席策略》栏目查看
TD指标=Tom Demark一系列指标
上一篇:对冲机制是指多选(对冲基金)