如何对股票进行聚类分析案例

⑴ 什么是海龟交易法则

《海龟交易法则》由 中信出版社出版，出版时间为2007年。作者是（美）柯蒂斯·费思。

主要讲述的是海龟所用的交易系统是一个完整的交易系统。这是我们取得成功的一个主要因素。我们的系统使我们更容易地进行一致性的、成功的交易，因为它没有给交易员的判断力留下重要的决策任务。

⑵ 求股票交易价格计算方法。

举个例子：某日某股票在集合竟价时间内的买卖申报状况如下，求集合竞价成交价格。 12元价位的成交量最大，为440手，高于12.00元价位的买入委托300手和低于12.00元价位的卖出委托280手全部满足成交愿望。三个条件全部具备，因此12.00元为该股票当日的集合竞价的成交价格，即当日开盘。

股票的理论价格的计算公式是：预期股息/市场利率。
得出来的价格一般与发行价格相同，但是发行价格不得低于票面金额。其发行价格一般多于票面价格0.01元，其发行价格为1.01元。市场价格一般是指在二级市场上买卖的价格，是由股票的供求关系决定并受多种因素影响，起伏变化较大。而交易的价格又相对于发行价格而言的一种价格，是指买卖双方对已经发行过的证券进行交易时报出或成交的价格。
股票交易成交价格是由影响股票价格的各种因素共同作用的结果。从交易技术的角度来看股票交易价格是如何产生的。
1.股票交易按价格优先、时间优先的原则竟价撮合成交。价格优先是指较高价格买进申报优先于较低价格买进申报，较低价格卖出申报优先于较高价格卖出申报。而时间优先是指买卖方向、价格相同的，先申报者优先于后申报者。先后顺序按交易主机接受申报的时间确定。 2。集合竞价时，成交价格的确定原则是a。成交量最大的价位b。高于成交价格的买进申报与低于成交价格的卖出申报全部成交c。与成交价格相同的买方或卖方至少有一方全部成交。两个以上价位符合上述条件的，上交所取其中间价为成交价，深交所取距前收盘价最低的价位为成交价。集合竟价的所有交易以同一价格成交。


另外除股价外还有股票交易费。
股票交易费用是指投资者在委托买卖证券时应支付的各种税收和费用的总和，通常包括印花税、佣金、过户费、其他费用等几个方面的内容。

一、印花税

印花税是根据国家税法规定，在股票(包括A股和B股)成交后对买卖双方投资者按照规定的税率分别征收的税金。印花税的缴纳是由证券经营机构在同投资者交割中代为扣收，然后在证券经营机构同证券交易所或登记结算机构的清算交割中集中结算，最后由登记结算机构统一向征税机关缴纳。其收费标准是按A股成交金额的4‰计收，基金、债券等均无此项费用。

二、佣金

佣金是指投资者在委托买卖证券成交之后按成交金额的一定比例支付给券商的费用。此项费用一般由券商的经纪佣金、证券交易所交易经手费及管理机构的监管费等构成。

三、过户费

过户费是指投资者委托买卖的股票、基金成交后买卖双方为变更股权登记所支付的费用。这笔收入属于证券登记清算机构的收入，由证券经营机构在同投资者清算交割时代为扣收。过户费的收费标准为：上海证券交易所A股、基金交易的过户费为成交票面金额的1‰，起点为1元，其中0.5‰由证券经营机构交登记公司;深圳证券交易所免收A股、基金、债券的交易过户费。

四、其他费用

其他费用是指投资者在委托买卖证券时，向证券营业部缴纳的委托费(通讯费)、撤单费、查询费、开户费、磁卡费以及电话委托、自助委托的刷卡费、超时费等。这些费用主要用于通讯、设备、单证制作等方面的开支。

其中委托费在一般情况下，投资者在上海、深圳本地买卖沪、深证券交易所的证券时，向证券营业部缴纳1元委托费，异地缴纳5元委托费。其他费用由券商根据需要酌情收取，一般没有明确的收费标准，只要其收费得到当地物价部门批准即可，目前有相当多的证券经营机构出于竞争的考虑而减免部分或全部此类费用。

⑶ 如何用Python和机器学习炒股赚钱

相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。

我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。

这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：

「星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。」

在研究者给出的许多有见地的观察中，其中有一个总结很突出：

「（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。」

我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的「已知和隐藏关系」的强度。

我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。

如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。

我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。