“有些分析师认为技术分析意味着购入具有最大股价相对强度的股票。还有些人认为技术研究的目的是在寻求强势的股票，这两种观点都不正确。” “买入具有最大股价相对强度的股票是远远不够的，你应该选择那些即将构建有效的价格形态，并且有望超出大盘整体表现的股票。” 超级强势股条件:较高的股价强度上升中，突破紧凑的价格形态，成交量确认之后的快速拉升。 通过日线图和周线图密切注视以上变化。

Python基于LSTM模型实现预测股市源代码+模型+数据集

本研究试图寻找2000年1月3日至2017年6月20日这12个亚洲国家之间的动态股票市场联系。我们采用ADCC-GARCH模型研究条件相关性，并使用Diebold和Yilmaz（2012）溢出指数方法进行研究。样本市场中的回报率和波动率溢出[1]。 根据ADCC的结果，我们发现新加坡与其他样本市场的条件相关性最高。 危机期间，整个市场的动态条件相关性会放大，这表明金融危机蔓延。 Diebold-Yilmaz框架下的发现与ADCC-GARCH模型的结果相符，因为基于收益和波动性溢出，新加坡被认为是主导市场。 跨时期的溢出模式表明，在动荡时期，跨市场的联系加剧了。 我们的结果对国际投资者和政策制定者具有重要意义。 该研究为亚洲市场的金融一体化文献做出了贡献。

有效和规范的资本市场可以被视为经济体可持续金融发展的前提。 为了提高股票市场的效率并减少不确定性，决策者必须采用波动率度量。 本文的主要目的是检验各种模型的相对能力，以预测未来的波动率，并设计适当的波动率模型以捕捉达卡证券交易所（DSE）股票收益的波动性。 通过利用从2001年11月27日到2013年7月31日的每日数据，发现从波动持续性的角度来看，MA（2）-GARCH（2，1）由于样本内和样本外准确性均更好。 相反，从捕获非对称效果的角度来看，MA（2）-EGARCH（1，3）更好。 因此，没有明确的获胜者，因此该决定应取决于有关人员的目的。

本策略交易逻辑：当价格触及布林线上轨的时候进行卖出，当触及下轨的时候，进行买入。回测收益率99.77%，最大回撤：32.04%，夏普比率：0.43

详情参考:https://blog.csdn.net/wouderw/article/details/128505284 使用Python编程，使用股评文字和上证指数的数据，通过机器学习模型，经过情感分析、指标构建这两个流程之后，得到看涨情绪与股市走势的关系。 演示如何从互联网中提取投资者情绪，并研究情绪与股市的关系。

从Reddit WorldNews Channel网站上抓取的新闻数据（2008-06-08 到 2016-07-01）和对应时间的 Dow Jones Industrial Average (DJIA)股票指数数据。

虚拟股市7[1].3简体GBK正式无错版 for DZ5.5,6.0,6.1,7.0(20080524)

7.0虚拟股市7.3商业版FOR DZ7可用免费直接下载！ 首先备份数据库，并确认你的论坛和mysql都是gbk版。 全新安装方法： 1.将虚拟股市7.3简体GBK正式版下载并解压，并将文件夹upload下的全部文件上传到空间。 2.以管理员身份运行http://www.你的网站地址/install_stock.php安装。 3.到后台插件管理导入discuz_plugin_stock.txt，根据自己的需要设置好插件, 4.更新缓存，删除文件install_stock.php，安装完成。 更多7.0的完整插件下载

论文研究-中国股市板块羊群效应的实证研究.pdf,  提出了一个具有条件异方差的统计模型(ARCH模型)来度量股票市场的羊群效应,对我国上海和深圳股票市场的羊群效应进行实证分析,并重点研究中国股市各种板块的羊群效应,结果发现一些板块存在显著的羊群效应,这一结果对具体的投资组合的运作和政策监管都有重要价值.