简单的分布估计算法解决连续函数的
最优化问题
1问题描述及求解过程
1.1问题描述
5
11min cos[(1)]n i j i j j x j ==++∑∏其中-10≤ x i ≤ 10, i =1, 2, … , n .
当n =1、2、3和4时分别有3、18、81和324 个不同的全局最优解。
1.2问题分析
该问题是一个多峰的连续函数，函数的形式为
)(xi f ∏
因此，每一维之间没有相互关系，又因为变量无关的概率模型的学习及采样的过程会比较简单，所以我们采用概率无关的的分布估计算法，函数是连续的，所以我们采用连续域的变量无关的分布估计算法来解决这个问题，求多极值考虑到了两种思路，一种是建立多峰的概率模型，另外一种是建立单峰的概率模型，使之迅速收敛到一个极值，然后再重新初始化模型。由于单峰模型比较简单，所以采用单峰模型。
1.3求解算法策略
分布估计算法遗传算法和统计学习相结合，该算法通过统计学习的方法来更新一个概率模型，并且用这个概率模型来估计解空间有优秀个体的分布情况。通过不断地学习，使得这个概率模型越来越能反映解空间中的优秀个体的分布情况。
分布估计算法的步骤大致可以分为以下两步：
1：构建描述解空间的概率模型．通过对种群的评估，得到优秀的个体集合，然后采用统计学习等手段构造一个描述当前解集的概率模型．
2 ：由概率模型随机采样产生新的种群。
要设计一个分布估计算法，首先要考虑到以下三个关键问题
（1）：概率模型的选择--对于一个多峰的函数，当然多峰的概率模型有更强的描述能力，但是，多峰的概率模型学习起来比较困难，因此，我们采用一个单峰的概率模型，并使用这个概率模型描述一个局部极值点，当求得一个极值点的时候，重新初始化概率模型，寻找其他的极值点。
单峰的概率模型设计方法
认为每一维都服从一个正态分布即 ),(~i i i C U N x
（2）：采样以及择优方法--单峰的概率模型很容易陷入到局部最优，因此我们需要不断地重新开始以找到更多的局部最优，在这种情况下，单峰的概率模型收敛越快越好，在这里采用的方法是不断地根据该类模型进行采样，知道采到lambda 个个体的适应度要好于当前最好的适应度为止，若连续采样很多次仍没有改进，则需要检测该点是不是极值点，检测的方法是将每一维的d 设置成一个较小的值，采样多次，若仍没有改进，则认为该点是极值点。
每一维的采样的方法 i i i U C N x +=*)1,0(
其中N （0,1）是一个服从均值为0，方差为0.5的正态分布。
（3）：概率模型更新方法---根据每次得到的有改进的lambda 个个体，取其
中适应度最高的一个个体，假设其坐标为Xl=)...........
2,1(xn x x ，并假设在此之前的到的最好的个体的坐标为 XC=)''.......
2,'1(xn x x 令D=XC-X1=)'..,.........
'22,'11(xn xn x x x x --- 对D 中的每个元素取绝对值
C=|)'|...............
|'22||,'11(|xn xn x x x x --- 则Xl 和C 分别为新一代的均值和概率模型，即更新后的概率模型为
)
,(~|'|Ci Ui N xi xi xi di xi
Ui -==
4：求全局最优值------设置一个极值点队列，该队列按照极值点对应的y 值，从小到大排列，若找到一个极值点，则判断该点是否好于队列中最差的极值点，如果是，则插入该队列，当迭代次数达到一个阈值的时候，队列中是到现在为止取得的最好的点，可以近似地认为队列中最好的点，就是全局最优解，迭代次数越高，得到全局最优的概率就越大。
1.4流程图
2 示例分析
求单个极值点示例
对于问题函数一维的情况，得到图像如下：
假设初试化的U为-5.00
则初始化的分布为)5.0,
N
1-
X
00
.5
(
~
如图所设
假设经过多次采样之后，得到了三个比-5.0有所改进的点，者三个点的横坐标及函数值分别为-5.40（-3.487），-4.90（-2.686）-5.10（1.81）根据上述方法，我们选择-5.40 更新该类模型，从而得到U=-5.40，d=0.40 更新之后的概率模型为)
1-
N
~
x，概率模型对应的图如下，
.0,
40
40
.5
(
在经过多次采样，得到3个比-5.40有改进的点，分别是，-5.45 （-3.74），-5.49（-3.69），-5,42（-3.62），从而根据-5.45 来更新概率模型，得到
.5(
1N
x
~
)
05
.0,
45
如下图所示
通过两次学习过程可以看出，在理想状况下，该算法可以使概率模型更好地模拟优秀个体的分布情况，实验证明，这种分布估计算法也可以收敛到局部机制，但是仍然存在着很多问题，例如很有可能存在如下情况，对于同一个函数，同一个维度，同一种初始情况，由于正态分布是无界的，所以进场会出现这样一种亲光，即采样到其他极值点附近的区域，例如上述示例在第二次学习过程中，猜到了一个-7.50，这个点的适应度很好，而且是完全有可能采到的，这个时候概率模型的更新就会成为这样一种情况
1
x
~
N
)1.2,
(
50
.7
如下图：
由此看来，这次的学习会对收敛产生反作用，虽然中心的值更优了，但是d 却变得很大，对收敛到某个极值的过程产生了干扰。
避免这种方法可以采用有界的概率模型，例如只能在中心的左右某个区间内取值，但是这样就会影响到收敛的速度，因为这样的话每次中心移动的位置有上界，对于这个函数来说，这样的问题不但，但是我们优势后很难确定函数的形状，
如果函数的导数很小，或者某个极值的附近的坡度非常缓，就会对收敛产生很大的影响。所以说概率模型的选择是一个很复杂的问题，需要具体问题具体分析。
3实验结果
分别对1维，2维3维,4维进行实验，更新一次CU为迭代一次，迭代次数上限为维度乘1*104,得到的最好的极值点如下：
注意（有可能出现）
1维找到3个
x -1.42512843 Y=-12.87088550
x -7.70831374 Y=-12.87088550
x 4.85805688 Y=-12.87088550
2维找到18个(有部分点的Y值有偏差，因为极值判断不可能保证非常精确，可能离极值点很近被认为是极值点)
iter=12828
x -0.80032110 -7.70831373 Y=-186.73090883
x -7.70831374 -7.08350641 Y=-186.73090883
x -0.80032110 4.85805688 Y=-186.73090883
x 5.48286421 4.85805688 Y=-186.73090883
x 4.85805688 5.48286421 Y=-186.73090883
x -1.42512843 -7.08350641 Y=-186.73090883
x 4.85805688 -0.80032111 Y=-186.73090883
x 5.48286421 -1.42512843 Y=-186.73090883
x -7.08350640 -7.70831374 Y=-186.73090883
x -1.42512843 5.48286419 Y=-186.73090883
x -7.70831374 5.48286417 Y=-186.73090883
x -0.80032106 -1.42512843 Y=-186.73090883
x -7.08350646 -1.42512843 Y=-186.73090883
x 5.48286421 -7.70831391 Y=-186.73090883
x -1.42513061 -0.80032109 Y=-186.73090882
x -7.70831374 -0.80032358 Y=-186.73090882
x -7.08350036 4.85805621 Y=-186.73090875
x 4.85805986 -7.08349935 Y=-186.73090870
三维找到52个
x -0.80032110 -7.70831374 5.48286421 Y=-2709.09350557
x -7.08350641 -7.08350641 -1.42512843 Y=-2709.09350557
x 5.48286421 -0.80032110 -1.42512843 Y=-2709.09350557
x 5.48286421 -0.80032110 4.85805688 Y=-2709.09350557
x 5.48286421 -7.08350640 -7.70831374 Y=-2709.09350557
x -1.42512843 -7.08350640 -7.08350641 Y=-2709.09350557
x -7.08350641 4.85805688 -0.80032110 Y=-2709.09350557
x -7.08350642 -7.08350640 -7.70831373 Y=-2709.09350557
x -7.70831372 -7.08350641 -0.80032110 Y=-2709.09350557
x -7.08350643 5.48286421 -1.42512844 Y=-2709.09350557
x 5.48286418 -1.42512843 -0.80032110 Y=-2709.09350557
x -1.42512840 5.48286421 -0.80032111 Y=-2709.09350557
x 4.85805688 5.48286424 -7.08350641 Y=-2709.09350557
x -0.80032110 5.48286417 -1.42512843 Y=-2709.09350557
x 5.48286423 5.48286424 -7.70831374 Y=-2709.09350557
x -7.08350634 -7.08350639 4.85805688 Y=-2709.09350557
x 5.48286428 5.48286421 4.85805688 Y=-2709.09350557
x -0.80032110 -1.42512843 5.48286412 Y=-2709.09350557
x 5.48286420 -7.70831375 -0.80032119 Y=-2709.09350557
x -0.80032120 -7.70831374 -7.08350642 Y=-2709.09350557
x -7.70831374 -7.08350641 5.48286409 Y=-2709.09350557
x -7.08350616 4.85805688 5.48286421 Y=-2709.09350557
x -7.08350644 -1.42512815 -0.80032109 Y=-2709.09350557
x -0.80032109 -7.08350641 4.85805720 Y=-2709.09350557
x 4.85805688 -0.80032057 -0.80032110 Y=-2709.09350556
x -0.80032110 -0.80032110 -1.42512895 Y=-2709.09350556
x -0.80032119 5.48286360 -7.70831374 Y=-2709.09350556
x -7.08350552 -0.80032127 -7.70831373 Y=-2709.09350555
x -7.08350736 -0.80032110 4.85805688 Y=-2709.09350554
x 5.48286523 -0.80032110 -7.70831374 Y=-2709.09350554
x -7.70831513 -7.08350640 -7.08350641 Y=-2709.09350551
x -1.42512882 -0.80032394 -0.80031883 Y=-2709.09350514
x 5.48286421 -7.08351032 -1.42512843 Y=-2709.09350508
x 5.48286413 -1.42512453 -7.08350661 Y=-2709.09350506
x -7.08351056 -7.70831373 -7.08350641 Y=-2709.09350502
x -1.42512843 5.48286421 5.48286856 Y=-2709.09350497
x -0.80032130 -7.70831819 -0.80032110 Y=-2709.09350490
x 5.48286741 -7.08350629 4.85805232 Y=-2709.09350454
x -7.08350641 -7.70831370 -0.80031483 Y=-2709.09350431
x -1.42513520 -7.08350640 -0.80032103 Y=-2709.09350402
x -7.08350641 -1.42513655 5.48286426 Y=-2709.09350335
x 4.85805688 5.48286462 -0.80031072 Y=-2709.09350212
x -7.70832552 -0.80032111 -7.08350139 Y=-2709.09350007
x -0.80032110 4.85803931 5.48286420 Y=-2709.09349514
x 5.48286421 -1.42510577 5.48286456 Y=-2709.09348821
x 4.85805688 5.48286421 5.48283687 Y=-2709.09348161
x -0.80034980 -0.80032110 4.85805688 Y=-2709.09347917
x -7.08352254 -1.42519303 -7.08345481 Y=-2709.09327075
x -0.80032110 -7.08350641 -7.70844832 Y=-2709.09289317
x 5.48286421 5.48286421 -1.42531808 Y=-2709.09228949
x -1.42539693 -7.08350641 5.48286406 Y=-2709.09106806
x -7.70831373 5.48286421 5.48195983 Y=-2709.06728046
四维找到37个
x 4.85805688 -7.08350641 5.48286421 -7.08350640 Y=-39303.55005436
x -7.70831373 -0.80032110 -0.80032109 -7.08350643 Y=-39303.55005436 x -7.70831361 5.48286421 -7.08350610 -0.80032110 Y=-39303.55005431 x 5.48286421 5.48286421 -7.08350606 -1.42512843 Y=-39303.55005431 x 5.48286418 -7.08350634 4.85805688 5.48286475 Y=-39303.55005422 x -0.80032113 5.48286421 -0.80032110 4.85805632 Y=-39303.55005421 x -0.80032110 -7.70831354 5.48286474 -7.08350659 Y=-39303.55005420 x 5.48286360 5.48286419 -0.80032111 -7.70831374 Y=-39303.55005419 x -0.80032108 -7.08350674 4.85805766 5.48286437 Y=-39303.55005400 x -7.08350641 -1.42512842 -0.80032110 5.48286332 Y=-39303.55005400 x 5.48286293 4.85805689 5.48286414 5.48286421 Y=-39303.55005360
x 5.48286478 5.48286431 -7.08350641 4.85805534 Y=-39303.55005305 x -1.42512991 -7.08350640 -7.08350641 5.48286329 Y=-39303.55005289 x -7.08350640 5.48286420 -7.70831808 -7.08350641 Y=-39303.55004508 x -0.80032110 -7.08351318 -7.08350642 4.85805691 Y=-39303.55003303 x -0.80032905 5.48286421 5.48286216 -7.70831373 Y=-39303.55002305 x -0.80032749 -1.42512893 -7.08350204 -0.80032497 Y=-39303.55001944 x -0.80033143 -0.80032084 -0.80032110 4.85805634 Y=-39303.55000459 x -0.80033186 -7.08350641 -7.70831422 -0.80032107 Y=-39303.55000036 x -7.08350659 -1.42511401 5.48286375 -0.80032110 Y=-39303.54995228 x 4.85805909 5.48287939 5.48286572 -0.80032994 Y=-39303.54990731 x -1.42514796 -7.08350220 -0.80032110 -7.08350646 Y=-39303.54985894 x 5.48283221 -0.80032108 5.48286421 -7.70831377 Y=-39303.54957824 x -7.08350640 -7.08350658 5.48286421 4.85802100 Y=-39303.54942276 x -0.80032110 4.85801926 -7.08350641 5.48286422 Y=-39303.54936028 x 5.48278643 -0.80032110 4.85805599 -7.08349277 Y=-39303.54715383 x -7.08336149 4.85806853 -0.80032110 -0.80032151 Y=-39303.54021908 x 4.85805870 -7.08335350 -7.08350640 -0.80032110 Y=-39303.53917784 x -7.08350640 -7.70816426 -7.08350646 -7.08350642 Y=-39303.53909366 x 5.48283161 -7.08361480 -7.70831368 -0.80016063 Y=-39303.53211772 x 5.48286421 5.48265368 4.85805687 -0.80032781 Y=-39303.52941664 x -7.08350641 -7.08379554 -7.70831374 -7.08350640 Y=-39303.51116810 x 5.48286421 5.48286421 -1.42537105 -0.80017330 Y=-39303.51101922 x -7.08375509 -0.80050115 -1.42512842 5.48286421 Y=-39303.50620897 x -7.08383534 5.48299010 4.85805663 5.48286425 Y=-39303.49235504 x 5.48245353 5.48286421 -1.42512843 5.48284228 Y=-39303.47137794 x -7.08350641 -0.80032110 5.48244042 4.85805853 Y=-39303.46651444
通达信软件筹码分布小技巧 在这里我教大家一个简单易学的小技巧，不需要会看K线，也不需要会看什么MACD、KDJ、RSI，你只需要看完这篇文章，我相信你就能具备研判一只股票未来趋势的基本能力。 利用“获利比例”指标研判个股走势 （由于我一直是使用通达信看股软件，这里就只讲通达信的版本。）市面上有很多收费软件，里面有很多公式指标，有的是挺好用。但是在免费的通达信软件里就已经有一个很实用的研判个股走势的指标了，那就是显示筹码分布的获利比例指标。 获利比例指标显示的是一只股票在所在价位的获利情况，由于它不受未来参数的影响，所以用它来研判个股未来的趋势的可信度十分的高。 那么具体怎么用呢？ 大家具体要记住以下的几个阶段 【1】 获利比例在0%——6% 【2】 获利比例在6%——20% 【3】 获利比例在20%——50% 【4】 获利比例在50%——80%
【5】 获利比例在80%——100% 【1】 当一只股票当天的收盘股价的获利比例在0%——6%时，那么就是一个股票的超跌区。一只股票的获利比例在6%以下的时候，那么就是一个买入点。只要你在这个时候买入，就可以安心持股了。就算它第二天继续下跌，获利比例从5%变成4%也不用怕，因为它已经是超跌了，你现在要做的只是持股等待反弹。当然了，假如你买到一只股票的获利比例是接近0%时，那就几乎是完美了。那么反弹到什么时候可以出货呢？别急，我们继续讲下去。 【2】 当一只股票当天的收盘股价的获利比例在6%——20%时，那么就是一只股票的反弹区。一只股票当下跌到一定程度，获利比例在20%之下时，那么这只股票就会有反弹的动能。这个时候，我们可以做出两种选择：1、少量筹码试盘。轻仓介入，假如这只股票在接下来的一个交易日获利比例上升，那么十有八九这只股票就会向上反弹，尤其是一些备受市场推崇的的题材股票，这个时候我们再正式进攻不迟。2、继续观望。因为在反弹区间下方还有一个超跌区，一些积弱已久的股票，尤其是大盘股，就算到了反弹区也不会反弹继续下移到超跌区，就算有反弹也不牢靠，往往是一天行情。 【3】
筹码分布指标运用技巧 一，筹码分布指标运用技巧一：“上峰不移，下跌不止” A．“上峰不移，下跌不止” 技巧的市场含义：当主力在高位派发完筹码以后，股价即进入下跌趋势。若要诞生新的行情则需要在上方被套牢的筹码再次向下转移，主力在底部完成充分的吸筹过程。在股价的下跌过程中如果上方被套牢的筹码没有充分的向下转移，则说明这时即使有庄家准备进场吸筹也完成不了充分的吸筹过程且当股价每次上涨到上方套牢密集峰的下沿时将会因为遇到套牢盘解套所形成的沉重抛压而反转下跌。 B．“上峰不移，下跌不止” 技巧的案例讲解：首先我们来看000931中关村，在2000年1月到3月之间，中关村的主力通吃套牢密集区，拉升股价，累计涨幅100%以上。当股价处于高位以后，经过充分的换手。通过指南针筹码分布显示，筹码已经从低位转移到高位，这表明在高位庄家开始派发筹码。当主力派发完毕以后，股价即开始反转下跌。这时在顶部所形成的筹码长峰便是散户追涨跟风的套牢密集区。 从下图可以看出中关村在股价见顶后一直到现在长打三年多的下跌过程中，上方的套牢密集峰一直没有充分的转移下来。股价在下跌的过程中不断出现多个密集峰，而始终没有在底部形成充分的筹码转移。股价也处于一路下跌的过程中。
我们再来看99年11月上市的60000浦发银行。浦发银行上市以后由于其价格市场定位较高没有得到市场主力机构的认可，便进入了下跌。 从上市初到2001年7月27日其股价一直处于“缓慢下跌——反弹——再缓慢下跌”的过程中。上方的套牢密集区始终没有向下转移。7月30日该股开始加速下跌，从13元下跌到9元以下。股价在9元以下反复筑底后，开始了一轮反转上攻。 其后当股价反转上攻到前期开始加速下跌的位置遇到上方的筹码密集区，股价便反转向下。我们发现：该股股价在9元以下反复筑底的过程中其上方原始的套牢盘没有充分向下转移，当股价上涨到前期密集峰的下沿时遇到沉重的抛压，造成了股价的反转向下。 在今年银行板块整体上涨的过程中，该股也是上涨到前期筹码套牢密集区的下方受阻回落。 与该股同样由于上方筹码没有充分向下转移而造成反转受阻的案例，大家可以参考学习600867通化东宝2002年7月到2003年4月的股价走势。 目前市场上仍有许多象600701工大高新这样虽然其股价已经处于历史很底的位置，但是其上方的历史套牢密集峰却没有向下转移。
通达信筹码分布小技巧 通达信筹码分布小技巧 在这里我教大家一个简单易学的小技巧，不需要会看K线，也不需要会看什么MACD、KDJ、RSI，你只需要看完这篇文章，我相信你就能具备研判一只股票未来趋势的基本能力。 利用“获利比例”指标研判个股走势 （由于我一直是使用通达信看股软件，这里就只讲通达信的版本。） 市面上有很多收费软件，里面有很多公式指标，有的是挺好用。但是在免费的通达信软件里就已经有一个很实用的研判个股走势的指标了，那就是显示筹码分布的获利比例指标。获利比例指标显示的是一只股票在所在价位的获利情况，由于它不受未来参数的影响，所以用它来研判个股未来的趋势的可信度十分的高。 那么具体怎么用呢？ 大家具体要记住以下的几个阶段 【1】 获利比例在0%——6% 【2】 获利比例在6%——20%
【3】 获利比例在20%——50% 【4】 获利比例在50%——80% 【5】 获利比例在80%——100%【1】 当一只股票当天的收盘股价的获利比例在0%——6%时，那么就是一个股票的超跌区。一只股票的获利比例在6%以下的时候，那么就是一个买入点。只要你在这个时候买入，就可以安心持股了。就算它第二天继续下跌，获利比例从5%变成4%也不用怕，因为它已经是超跌了，你现在要做的只是持股等待反弹。当然了，假如你买到一只股票的获利比例是接近0%时，那就几乎是完美了。那么反弹到什么时候可以出货呢？别急，我们继续讲下去。 【2】 当一只股票当天的收盘股价的获利比例在6%——20%时，那么就是一只股票的反弹区。一只股票当下跌到一定程度，获利比例在20%之下时，那么这只股票就会有反弹的动能。这个时候，我们可以做出两种选择：1、少量筹码试盘。轻仓介入，假如这只股票在接下来的一个交易日获利比例上升，那么十有八九这只股票就会向上反弹，尤其是一些备受市场推崇的的题材股票，这个时候我们再正式进攻不迟。2、继
筹码分布及选股公式原 码附图 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
筹码分布及选股公式（原码、附图）获利筹码:EMA(WINNER(C)*70,5),Colorred; 亏损筹码:EMA((WINNER(C*-WINNER(C*)*80,5),Colorf0ff00; STICKLINE(亏损筹码>0,0,亏损筹码,5,0),COLOR66FF00; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR66EE00; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR66DD00; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR66CC00; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR66BB00; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR66AA00; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR669900; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR668800; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR667700; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR666600; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR665500; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR664400; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR663300; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR662200; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR661100; STICKLINE(亏损筹码>0,0,亏损筹码*,5,0),COLOR660000; 主力控筹:If(获利筹码>亏损筹码,获利筹码*2,获利筹码),colorred; STICKLINE(主力控筹>0,0,主力控筹,5,0),COLORFFFFFF; STICKLINE(主力控筹>0,0,主力控筹*,5,0),COLOREEEEEE;
表10—1：1999 年12 月27 日个股套牢状况统计 我们定义在 90%以上的套牢盘为满盘被套，而套牢盘在 10%以下的称为满盘获利。从表10—1 中可以看出：在1999 年12 月27 日的大盘环境中，占总股票数量67%的个股处在满盘被套的状态下，而满盘获利的个股仅占总股数的0.8%。 虽然这是一个极小的数，但它却引起了我们的思考：这 0.8%的股票是如何熬了漫漫的熊市？显然这些股票有庄，而且是实力非常强的庄家。否则在市场的巨大抛压下，它们很难在历史天价上坚持到最后。当然我们更关心这些股票在后来大行情中的走势。 图10—2：阳光股份（0608）1999/12/17 和大盘指数请看阳光股份（0608），这只股票是套牢盘的倒数第5 名，仅有2.34%的筹码被套牢。图10—2 是该股当 时的走势图。从图中可以看出，阳光股份在大盘熊市的日子里，走出了与大盘完全不同的上升形势，其形态很像前面提 到过的主力逆市飘红吸筹。该股当日（1999/12/27）的收盘价为9.85 元，在中期位置上相对偏高（图中未显示）。1999 年4 月27 日是该股该年度的最低价，收于5.67 元，早些时间该股曾收过13.01 元（1998 年的3 月）。可见，当日的价位更接近它历史上的天价区。除了徐缓上升的慢牛走势之外，图10—2 中还有一段的放 量上升行情，1999 年12 月10 日该股的换手率为4.51%，这是这张图的最大换手率，而该日的K 线，正好穿越 了筹码的最密集区，显然这不是筹码密集区的无量穿越。 我们曾论证过，无量穿越筹码密集区是主力高控盘的标志，那么筹码密集区的带量穿越说明了什么问题呢？这要看大盘环境，如果大盘是熊市环境，股价上穿套牢密集区必然引发解套抛压，此时的带量阳线显然需要主 力的资金推动，所以大熊市中的带量穿越是主力吸筹的迹象。那么，这只股票的主力在如此恶劣的大盘环
图像超分辨率算法综述 摘要：介绍了图像超分辨率算法的概念和来源，通过回顾插值、重建和学习这3个层面的超分辨率算法，对图像超分辨率的方法进行了分类对比，着重讨论了各算法在还原质量、通用能力等方面所存在的问题，并对未来超分辨率技术的发展作了一些展望。 关键词：图像超分辨率；插值；重建；学习； Abstract:This paper introduced the conception and origin of image super resolu- tion technology. By reviewing these three kinds of methods(interpolation,reconstruct, study), it contrasted and classified the methods of image super-resolution,and at last, some perspectives of super-resolution are given. Key words: image super-resolution;interpolation;reconstruct;study;
1 引言 1.1 超分辨率的概念 图像超分辨率率(super resolution,SR)是指由一幅低分辨率图像(low resolution,LR)或图像序列恢复出高分辨率图像(high resolution， HR)。HR意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在应用中起到关键作用。要获得高分辨率图像，最直接的办法是采用高分辨率图像传感器，但由于传感器和光学器件制造工艺和成本的限制[1]，在很多场合和大规模部署中很难实现。因此，利用现有的设备，通过超分辨率技术获取HR图像(参见图1)具有重要的现实意义。 图1 图像超分辨率示意图 图像超分辨率技术分为超分辨率复原和超分辨率重建，许多文献中没有严格地区分这两个概念，甚至有许多文献中把超分辨率图像重建和超分辨率图像复原的概念等同起来，严格意义上讲二者是有本质区别的，超分辨率图像重建和超分辨率图像复原有一个共同点，就是把在获取图像时丢失或降低的高频信息恢复出来。然而它们丢失高频信息的原因不同，超分辨率复原在光学中是恢复出超过衍射级截止频率以外的信息，而超分辨率重建方法是在工程应用中试图恢复由混叠产生的高频成分。几何处理、图像增强、图像复原都是从图像到图像的处理，即输入的原始数据是图像，处理后输出的也是图像，而重建处理则是从数据到图像的处理。也就是说输入的是某种数据，而处理结果得到的是图像。但两者的目的是一致的，都是由低分辨率图像经过处理得到高分辨率图像。另外有些文献中对超分辨率的概念下定义的范围比较窄，只是指基于同一场景的图像序列和视频序列的超分辨处理，实际上，多幅图像的超分辨率大多数都是以单幅图像的超分辨率为基础的。在图像获取过程中有很多因素会导致图像质量下降，如传感器的形
一章筹码分布的基础知识 “筹码分布”的准确的学术名称应该叫“流通股票持仓成本分布”，在指南针证券分析软件中，它的英文名字叫“CYQ”。 其实，“筹码分布”是一个很中国化的名字，因为在世界范围内，可能只有中国人管股票叫筹码，或许也只有中国人把投资股票叫“炒股”。而股票一加上“炒”字，就有了更多的人为操作的味道有了更多的博弈的味道。而如果把股票的仓位叫做“筹码”，那就无异于把股市当成了赌场。这多多少少是对股市的不尊敬，但我们的股市有着浓厚的博弈色彩却是事实。在股市的这场博弈中，人们要做的是用自己的资金换取别人的筹码，再用自己的筹码换取别人的资金，于是乎就赚了别人的钱。所以对任何一个炒股的人，理解和运用筹码及筹码分布是极其重要的。 或许“筹码分布”和“CYQ”的称谓，应该有一个更贴切的名字，但这个说法大家已经用了几年，成了一种习惯，想改也比较麻烦，所以就约定俗成，暂且如此称谓吧。 “筹码分布”的市场含义可以这样理解：它反映的是在不同价位上投资者的持仓数量。如果光凭文字来叙述“筹码分布”可能要颇费周章，为方便起见，我们建立并分析了一个微型的筹码分布模型，使读者更准确地理解它的含义。 1.筹码分布及计算原理 我们先做这样一个假设： 某公司有16股股票，这16股被3个不同的投资者持有。股东A曾在10元价位上买过3股，而后又在11元价位上买了6股；而股东B则在12元的持仓成本上买进了4股；股东C，在13元上买了1股，在14元上持有2股。把这3位股民的股票加起来，正好是16股。 我们来做一张图。 在这张图上，我们就把股票换成像麻将牌一样的筹码，在图的右边，我们先把价位标清楚，从10元一直标到14元，共5个价位，然后我们把这些筹码按照当时股东们买它的成本堆放到它相应的价位上，于是就形成了图1—1的样子： 图1-1：一个简单的筹码分布模型 从这张图上我们可以清楚的看到：这只股票在11元价位上，投资者的筹码比较重一些，12元至10元次之，13元以上筹码量就不多了。此外，除了上面所说的股东A、B、C以外，曾经还有一位投资者D，在9元左右买过这只股票，后来又以11元转卖给了股东A，于是D先生提出了一个问题，“我9元钱的历史交易怎么没有在这张筹码分布图上得到反映？”其
分布估计算法的模型分析与研究 毕丽红 刘 渊 张 静 （石家庄铁路职业技术学院 河北石家庄 ０５００４１） 摘要：分布估计算法是在遗传算法基础上发展起来的一类新型进化优化算法。分布估计算 法采用概率图模型表示基因变量之间的连锁关系，以构建优良解集的概率分布模型和采样分布 模型来实现迭代优化。详细分析分布估计算法的基本原理，对采用不同概率图模型的分布估计 算法进行总结和分析，并针对分布估计算法领域的研究现状，提出仍需解决的主要问题。 关键词：分布估计算法 遗传算法 概率图模型 中图分类号：TP301 文献标识码：A 文章编号：1673-1816(2008)01-0030-05 遗传算法（Genetic Algorithms，GA）[1]是一种借鉴生物界自然遗传机制的高度并行和自适应的全局优化随机搜索算法，具有功能强、鲁棒性好、计算简单、对搜索空间无限制等特点。已经成功应用于函数优化、机器学习、数据挖掘和图像识别等领域，然而，遗传算法本身还存在一些问题。首先，遗传算法的关键是处理进化过程中的积木块（building block）[2]，然而交叉算子和变异算子不具有学习和识别基因之间连锁关系的能力，所以实际的重组操作经常造成积木块的破坏，从而导致算法逼近局部最优解或早熟；另外，遗传算法中操作参数的选择依赖性强，甚至参数选择本身就是一个优化问题[3]；第三，遗传算法的理论基础还比较薄弱。为了解决遗传算法的这些问题，更好地解决各种难解优化问题，各种改进遗传算法不断出现。至今，探索和设计能够快速、可靠、准确求解各种复杂优化问题的可胜任的遗传算法（competent GA）[2]一直是进化计算领域的一项重要课题。１ 分布估计算法的基本原理 针对积木块被破坏的问题，对传统遗传算法有代表性的改进方法主要有两类：一类是改变算法中解的表示，通过基因级而不是染色体一级的重组操作来改善遗传算法的性能。如连锁学习遗传算法（LLGA）、基因表达混乱遗传算法（GEMGA）等，然而最近一些研究表明，此类算法所具有的连锁学习（linkage learning）能力不足以解决复杂的优化问题。另一类算法则是改变重组操作的基本原理，将遗传算法中基因的交叉和变异操作改进为学习优良解集中基因的概率分布，其基本思想是从当前种群中选取部分优良解，并利用这些优良解估计和学习染色体中基因的分布模型，然后采样该分布模型产生新的染色体和种群。逐次迭代，最后逼近最优解。基于这种由分布模型改进进化算法的思想形成的一类新型优化算法称为分布估计算法（Estimation of Distribution Algorithms, EDAs）或基于概率模型的遗传算法（Probabilistic Model-Building Genetic Algorithms, PMBGAs）。 收稿日期：２００７－１１－０９ 作者简介：毕丽红（１９７０－），女，汉，河北石家庄人，硕士，副教授，研究方向智能控制。 基金项目：河北省科学技术研究与发展基金项目（０７２１３５１３４）
筹码分布选股法 筹码分布是有指南针发明的，从此指南针由此名气大涨，竟买到13600元一套，甚至绝版价买36万。（价格够高的。我是买不起，但我用了它3年，97-99年----盗班的。现在没有了）但我在这3年里跟陈浩老师学了很多，特别是筹码分布。后来所有的软件都有了筹码分布。特别是分析家有了筹码分布，并且有了公式函数：WINNER，COST.于是我就可以在分析家中把我的想法编成公式了。这就是有筹码分布选股法的有来。 有问题就好。我们只要解决这个问题。那我们就可以知道庄家的建仓成本是多少。 1：首先我定义一下低位：我把获利盘为50%以下定义为低位。 有人说为什么不把10%以下定义为低位，大家想一想庄家拿了10%的筹码能不能把这股票做上去？回答是NO!!，那可能又有人说，50%太高了吧？我说不高，因为在股票下跌的时候散户很少做买卖的动作。而当股价上升了一段时间，散户就活跃起来了，有买的有卖的这时庄家就可以在震荡中吃到散户的筹码。没有一定的获利盘，庄家到那里去吃筹码呢。 2：我再来定义一下底：底是走出来的。只有出现了低点在以后的日子里不再创新低那才叫底。那么如何把他找出来呢？好办。你可以在分析家中写这么一个指标： e:=llv(l,250)=l;{一年中最低价的位置} e1:=BARSLAST(e);{求得一年中最低价的位置到现在的周期} 底:if(e1>40,1,0); 好了上面的问题解决了，我们只要把从底部到现在的时间里获利盘50%以下的平均价求出来就可以知道庄家的成本了。对，但这是股市，股市是涨涨跌跌的，是有时放量有时缩量的，或是平盘的。总忠的来说：股市是非线性。你得把他的放量和缩量也考虑进去。所以说你的说法只对了一半。那怎么办呢？又有问题出来了。（我说过“有问题就好。我们只要解决这个问题”）下面我们就要解决这个非线性的周期的问题。 大家知道换手放量的时候，几天或10几天，换手就是100%，缩量的时候几个月换手也没有100%。那你照前面的周期算，如果是放量的时候还有点准，如
天狼50成本分析方法 一、成本均线 经过数周努力，我们在天狼50上成功加载了新的成本均线和筹码分布。这也是我们从今开始需涉及的内容。成本均线和筹码分布是大家熟知的CYC和CYQ，是其发明人杨新宇博士和陈浩先生的首创，被广泛应用于指南针软件。天狼50上的成本分析工具，基础算法仍是CYC和CYQ的思路。这次的新版本也是二位的共同修改。曾经设想将这个新算法实现于指南针软件，但由于指南针中有很多指标引用了CYC和CYQ，且引用者大多为第三方发明人，修改技术指标可能会引发一定程度的混乱，所以指南针软件并未做任何改动。 单就对成本的计算而言，天狼50实现的算法，在数学上并不能证明比指南针的算法更准确。天狼50所以在算法上进行调整，完全是出于计算BPR和SST的特殊需要。由于两者的计算需要一条多空分界线，绝对成本均线最适合做这个多空分界线。于是我们这样调节计算绝对成本均线的若干个参数，使股价通过多空分界线的次数最少。换句话说，我们通过调节成本均线的算法，使得股价穿越无穷成本均线，而具有牛熊转换的特别意义。由此确定的计算参数，就是天狼50的成本均线组。为了区别于CYC原始算法，我们命名这组成本均线为MAC，这是英文Moving Average Cost的缩写，就是成本均线的意思。系统默认的四条成本均线分别为MAC（8），MAC（21），MAC（60），MAC（∞），分别代表8日，21日，60日和∞日的成本均线。其中，MAC(∞)也可以写做MAC（0），所谓无穷成本均线、绝对成本均线、多空分界线都是MAC（∞）的别名。 BPR和SST构建了活点地图，而绝对成本均线是计算BPR以及SST的基础。从活点地图在中级牛市中捕捉热点的强大功效，就可以知道MAC（∞）何等重要。在进行主力行为分析中，这条线也具有特殊的意义。天狼之眼光盘中提到了许多利用成本均线判断主力的办法，如成本谷、有效赢利等，实现其理论的技术工具，事实上就是MAC。只是当时的天狼50正在设计中，暂时使用CYC（∞）来近似。另外三条MAC成本均线也有自己的特定意义，我们将在以后陆续介绍。由于成本均线算法的改变，相应的筹码分布也需调整，否则在一张图上，筹码分布的重心将与绝对平均成本不重合，调整是为防止由此引发的混乱。
OFDM 信道估计技术综述 专业：080411卓越 学生姓名：李震 指导教师：姚如贵 完成时间：2020年5月19日
OFDM 信道估计技术综述 一国内外研究进展 (3) 二导频插入方式 (4) 三OFDM 系统原理 (5) 四信道估计的重要意义 (6) 五OFDM系统信道估计研究现状 (7) 六简单算法介绍 (9) 七小结 (11)
一国内外研究进展 20世纪70年代，韦斯坦（Weistein）和艾伯特（Ebert）等人应用离散傅里叶变换（DFT）和快速傅里叶方法（FFT）研制了一个完整的多载波传输系统，叫做正交频分复用（OFDM)系统。正交频分复用(OFDM)是一种特殊的多载波传输方案，它可以被看作是一种调制技术，也可以被看作是一种复用技术,OFDM应用DFT和其逆变换IDFT方法解决了产生多个互相正交的子载波和从子载波中恢复原信号的问题。OFDM技术的应用已有近40年的历史，主要用于军用的无线高频通信系统。但是OFDM 系统的结构非常复杂，从而限制了其进一步推广。直到20世纪70年代，人们采用离散傅立叶变换来实现多个载波的调制，简化了系统结构，使得OFDM技术更趋于实用化。80年代，人们研究如何将OFDM技术应用于高速MODEM。进入90年代以来，OFDM技术的研究深入到无线调频信道上的宽带数据传输。 由于OFDM的频率利用率最高，又适用于FFT算法处理，近年来在多种系统得到成功的应用，在理论和技术上已经成熟。因此，3GPP/3GPP2成员多数推荐OFDM作为第四代移动通讯无线接入技术之一。目前,OFDM技术在4G LTE技术中已得到使用，是LTE三大关键技术之一，预计在5G仍然作为主要的调制方式。 它相对于单载波主要优点在于 ①频谱利用率高 在传统的频分复用多路传输方式中，将频带分为若干个不相交的子频带来传输并行的数据流，在接收端用一组滤波器来分离各个子信道。此种方法简单、直接，缺点是频谱利用率低，此外子信道之间要留有足够的保护频带，而且多个滤波器的实现也有不少困难。而OFDM 系统由于各个子载波之间存在正交性，允许子信道的频谱相互重叠，因此OFDM 系统可以最大限度地利用频谱资源 ②抗多径干扰 把高速数据流通过串并转换，使得每个子载波上的数据符号持续长度相应增加，从而可以减小无线信道的时间弥散性所带来的符号间干扰(Inter Symbol Interferences, ISI)，这样就减小了接收机均衡的复杂度，有时甚至可以不采用均衡器，仅通过采用插入循环前缀(Cyclic Prefix, CP)的方法就可以消除ISI 的不利影响。 ③实现相对比较简单 各个子信道间的正交性的调制与解调可以利用 IDFT 和DFT 实现，对于子载波数比较大的情况下，可以通过IFFT/FFT 算法来实现。不需要使用多个发送和接收滤波器组，相对传统通信系统复杂度大大降低。 ④上、下行链路可以使用不同的传输速率
股票筹码类公式汇总 共同学习提升！ 筹码分布的两个函数：获利盘比率winner(x)=n%;和筹码分布cost(n)=x;互为反函数。 如果从不同的角度来描述，可以更清楚的看出它们的意义。 取X=C 即收盘价(当前价)，则： 1、winner(c)=n%; 表达的是以收盘价C卖出，而能获利的最大筹码量为流通盘的N%； 2、反过来也同样成立，即：cost(n)=c; 表达的是：使流通盘的n%的筹码完全获利的最低价为C； 基于这样的理解，我们可以得出几个有意思的公式。这些公式对判断底部有一定的帮助。 一、区间集中度 cmjwinner(c*(1+m%))-winner(c*(1-m%)))*100; cmj的含义是：收盘价C附近(上下各m%)的筹码量(%)； M的取值范围一般为 2~10； 二、获利倍数 cmbcost(n)/cost(0)-1)*100; cmb的含义是：N%的筹码中的任意一部份，以当前价卖出时所能得到的最大 收益(%)； N的取值范围一般为10~90； 三、盈亏幅度 ykfc/cost(n)-1)*100; ykf的含义是N%的筹码中的任意一部份以当前价卖出时的最大盈亏幅度(%); N的取值范围一般为5~10； 需要说明的是：筹码分布是一个统计概念，由于市场的千变万化，人们的交易行为不会只受到一种或几种思维方式的支配，因此不可能仅用一两种模式就能完整地描述市场的真实情况。也就是说其必然存在着局限性。从实际的情况看这种局限性还非常严重。在使用时仅仅只能做为一种参考。 {筹码低位密集线} x1:POLYLINE(c〈COST(50),COST(1)),COLOR008800; x3:POLYLINE(c〈COST(50),COST(3)),COLOR008800; x5:POLYLINE(c〈COST(50),COST(5)),COLOR008800; x7:POLYLINE(c〈COST(50),COST(7)),COLOR008800; x9:POLYLINE(c〈COST(50),COST(9)),COLOR008800; 十:POLYLINE(c〈COST(50),COST(10)),POINTDOT,COLOR008800; x11:POLYLINE(c〈COST(50),COST(11)),COLOR66CC00; x31:POLYLINE(c〈COST(50),COST(13)),COLOR66CC00; x51:POLYLINE(c〈COST(50),COST(15)),COLOR66CC00;
操盘手总结的筹码精髓，堪称经典，值得阅读百遍！ 很多人会看各种各样的指标和使用各种各样的战法，学的越多，用的越乱，有时候感觉符合这个，但是又不符合那个，不知道自己该不该买入，然后纠结和犹豫一番后，买进又被套，其实学的再多理论用处不大，最重要的是把一样学好，用到极致，那么就达到了最初的目的。我知道什么人都喜欢看筹码来操作股票，今天笔者就给大家讲讲下筹码的使用，供大家参考学习。一、筹码分布是什么？在资本市场中，主力以其占有绝大部分筹码而赢得控制权，散户则以较少的筹码成为被压迫的对象。在这场博弈中，主力由于其笨重的筹码成为劣势，散户则以其身轻成为优势。筹码分布是一种技术分析，其原理是通过仿真算法，模拟市场投资者的买卖行为，估算出一只股票在各个价位上的持股量。筹码分布，准确地学术名称应该叫“流通股票持仓成本分布”，其原理来源于在不同价格区间的成交量，在不同价格最终所形成的分布情况。用于反映不同价位上的整体持仓数量。对于主力而言，如何能够得到或抛出筹码，可谓用尽心思，致使K线上的表现形态各异，让散户摸不着头脑。但是，在筹码分布的显示上，却是万变不离其踪。基本构成：1、筹码柱：由一根根长短不一的筹码柱所组成，每一根横向柱体都代表了一个价格，柱子长短就代表了这个价格对应的成交量的多
少，柱子越长就说明在该价格成交量的量越多。如果股价在某一个价位附近长时间停留且存在着大量成交通常所对应 的筹码都会非常密集，形成一个小小的山头状，这种小山头也就是我们常说的筹码峰。2、筹码颜色：红色就是获利盘，蓝色的就是套牢盘，红色与黄色交界就是现价。3、平均成本线：中间黄色线就是目前市场所有的持仓者的平均成本线，它是整个成本分布的重点。4、获利比例：就是目前价位的市场获利盘的比例。获利比例越高就说明了越多人处在获利状态。5、获利盘：任意价位情况下的获利盘数量。6、90%与70%的区间，就表明了市场90%和70%筹码分布在什么价格区间。7、集中度：筹码的密集程度，数值越高，就表明越发散，反之就越集中。8、筹码乖离率：获利筹码价格与平均成本的远近距离，获利筹码价格在平均价格下方就是负乖离，离得越远、负乖离就越大。在上方就是正乖离。 二、筹码分布的形态筹码分布图形仍然是非常有意义的一个“地形图”，它可以代表压力、支撑、控盘度、活跃度等等各方面的个股信息。筹码分布形状的识别有几个基本概念：密集、发散、峰与谷。看两个图就了解：我们知道主力的四大动作是：吸筹、拉升、派发、回落，那么这四个阶段我们用筹码就能看出来主力的动作。而我们散户最能赚钱的就是吸筹和拉升过程，在吸筹时进场，在拉升时跟着主力吃肉。 三、筹码分布识别主力坐庄流程：1、吸筹阶段，股价在低
筹码分布是有指南针发明的，从此指南针由此名气大涨，竟买到13600元一套，甚至绝版价买36万。（价格够高的。我是买不起，但我用了它3年，97-99年----盗班的。现在没有了）但我在这3年里跟陈浩老师学了很多，特别是筹码分布。后来所有的软件都有了筹码分布。特别是分析家有了筹码分布，并且有了公式函数：WINNER，COST.于是我就可以在分析家中把我的想法编成公式了。这就是有筹码分布选股法的有来。 有问题就好。我们只要解决这个问题。那我们就可以知道庄家的建仓成本是多少。 1：首先我定义一下低位：我把获利盘为50%以下定义为低位。 有人说为什么不把10%以下定义为低位，大家想一想庄家拿了10%的筹码能不能把这股票做上去？回答是NO!!，那可能又有人说，50%太高了吧？我说不高，因为在股票下跌的时候散户很少做买卖的动作。而当股价上升了一段时间，散户就活跃起来了，有买的有卖的这时庄家就可以在震荡中吃到散户的筹码。没有一定的获利盘，庄家到那里去吃筹码呢。 2：我再来定义一下底：底是走出来的。只有出现了低点在以后的日子里不再创新低那才叫底。那么如何把他找出来呢？好办。你可以在分析家中写这么一个指标： e:=llv(l,250)=l;{一年中最低价的位置} e1:=BARSLAST(e);{求得一年中最低价的位置到现在的周期} 底:if(e1>40,1,0); 好了上面的问题解决了，我们只要把从底部到现在的时间里获利盘50%以下的平均价求出来就可以知道庄家的成本了。对，但这是股市，股市是涨涨跌跌的，是有时放量有时缩量的。或是平盘的。忠的来说：股市是非线性。你得把他的放量和缩量也考虑进去。所以说你的说法只对了一半。那怎么办呢？又有问题出来了。（我说过“有问题就好。我们只要解决这个问题”）下面我们就要解决这个非线性的周期的问题。 好了上面的问题解决了，我们只要把从底部到现在的时间里获利盘50%以下的平均价求出来就可以知道庄家的成本了。对，但这是股市，股市是涨涨跌跌的，是有时放量有时缩量的。或是平盘的。忠的来说：股市是非线性。你得把他的放量和缩量也考虑进去。所以说你的说法只对了一半。那怎么办呢？又有问题出来了。（我说过“有问题就好。我们只要解决这个问题”）下面我们就要解决这个非线性的周期的问题。 大家知道换手放量的时候，几天或10几天，换手就是100%，缩量的时候几个月换手也没有100%。那你照前面的周期算，如果是放量的时候还有点准，如果是缩量的时候一点用多没有。大家同意吗？ 我打个比方：如果一个股的流通盘是100股，今天成交1股明天成交3股后天成交2股大后天成交50股，再大大后天成交50股。那你说你认为成本是依那一天为准。（不考虑庄家对敲的问题）。回答当然是最后2天的而不是这5天的平均价.这就是股市的非线性。那么我们就要考虑这个问题，而且成交量在股市里起着非常大的作用。大家要问。有没有办法？有。这就是我所说的：非线性周期。 那么如何求的这个“非线性周期”呢？现在我告诉大家：因为流通盘是一定的。如果成交量大，那么把所有的流通盘换一次手所须的时间就短，反之，则时间就长。这个周期是变动的，也就是“非线性“的。好了明白了这个道理，我们就可以用分析家软件编一个公式： a:=SUMBARS(v ,CAPITAL);{累计换手=100%的周期} Quote: Originally posted by simpleminder at 2004-3-6 01:10 PM: 我打个比方：如果一个股的流通盘是100股，今天成交1股明天成交3股后天成交2股大后天成交
移动筹码分布 进入移动成本分布状态后，在K线图（仅限于日线）的右侧显示若干根水平线，线条的高度代表价格，线条长度代表持仓筹码在这一价位的比例。随着十字光标的移动，线条长短会变化，指示不同时候的持仓成本分布状况 成本分布设置： 平均分布：将当日的换手筹码在当日的最高价和最低价之间平均分布。 三角形分布：将当日的换手筹码在当日的最高价、最低价和平均价之间三角形分布。 历史换手衰减系数：它是一个常数参数，我们用来赋予今天换手率，也既是当日被移动的成本的权重。如果今天的换手率是A，衰减系数是n，那么我们计算昨日的被移动的筹码的总量是A*n,如果n取值为1，就是一般意义上理解的今天换手多少，就有多少筹码被从作日的成本分布中被搬移；如果n是2，那么我们就放大了作日被移动的筹码的总量..这样的目的在于突出“离现在越近的筹码分布其含义越明显”。#n的取值范围是0.1-10，火焰山和活跃度最多可以同时显示6种不同时间的筹码分布。 远期移动成本分布图 点击右上部的第二个图标，显示远期移动成本分布图。比如，可以用不同颜色显示上市到30天前的成本分布、上市到60天前的成本分布、上市到90天前的成本分布，要注意的是，30天前的成本分布包含了60天前的成本分布，因此除了它自身的颜色区域外，还包括60天前的成本分布颜色区域；而60天前的成本分布又包含了90天前的成本分布，如此下去。 显示了N日前的成本分布，显示的色彩是由大红色到金黄色，时间越短，颜色越红，时间越长，颜色越黄。需要特别指出的是，由于各个时间段的筹码叠加的原因，所以其色彩图也是叠加的。
近期移动成本分布图 点击右上部的第三个图标，显示近期移动成本分布图。比如，可以用不同颜色显示5天前的成本分布、20天前的成本分布、60天前的成本分布，要注意的是，20天的成本分布包含了5天的成本分布，60天的成本分布又包含了20天的成本分布。 显示了N日内的成本分布，显示的色彩是由浅兰到深兰，时间越短，兰色越浅，时间越长，兰色越深，也需要提醒的是，由于各个时间段的筹码叠加的原因，所以其色彩图也是叠加的。 成本分布图的设置 用鼠标点击成本分布图右上角的工具标志，对移动成本分析图的计算方式、成本线划分精度、近期和远期成本分布图显示的内容和颜色等参数进行设置。 成本算法 每日成本算法是一个移动平均过程，公式是，当日成本*（换手率*历史换手衰减系数）+上一日成本分布图*（1-换手率*历史换手衰减系数）。 平均分布：当日换手的证券数在当日的最高价和最低价之间平均分配。 三角形分布：当日换手的证券数在当日的最高价、最低价和平均价之间三角形分配。 历史换手衰减系数：表示历史换手的递减速度，将多少倍数的当日换手率从昨日的成本分布中移走得到当日的成本分布图。无流通盘数据时用多少天成交量累加，无流通盘数据时用多少天成交量累加替代。 成本分布图下方的数字意义如下: 第一行：日期。 第二行：获利比例分布。红框表示获利，绿框表示套牢，框中的数字表示以收市价为参考点,在收市价以下的筹码占总成本的百分比，或有多少获利盘。 第三行：**元处获利盘**%。此行数值表示将光标移动至任意位置时，在此位置以下的筹码占总数的百分比。在具体运用中,你可以通过移动光标来测量任意价位的获利盘比例，比如将光标与分布图中的蓝色横线重合，其显示的获利盘比例应为50%，显示的价格与“平均成本”一致。第四行：平均成本。就是蓝色横线处的价格，其含义为将市场所有价位的价格压缩成一个价格时的位置，在平均成本上方有50%的筹码，下方同样有50%的筹码分布。 第五行：表示以红柱线的中点计算，90%成本的分布状态，对应上图的红色竖线。 第六行：同上，表示70%筹码分布范围，对应上图的蓝色竖线。
基于规则模型学习的多目标分布估计算法研究连续多目标优化问题在决策空间的Pareto最优解(PS)和目标空间中的pareto最优前沿(PF)均是一个连续分段的(m-1)维流形体(m是目标函数的个数)。根据这一分布规则特征,先后有学者提出了基于规则模型的多目标分布估计算法(RM-MEDA)和基于高斯过程的逆模型多目标优化算法(IM-MOEA)。 这两种算法非常适于求解变量相关的复杂多目标优化问题,但仍存在一定的不足。其一,RM-MEDA根据种群的整体统计信息建立模型,忽略了种群中某些优秀解的局部信息,导致算法在求解一些复杂多目标优化问题时全局搜索能力弱,收 敛速度慢;其二,IM-MOEA中的逆模型在求解PS或PF存在极端的非平滑性的多目标优化问题时表现劣势;其三,RM-MEDA中的学习模型在种群分布没有明显规律 的情况下表现不佳。 基于以上分析,本文的研究内容主要有两个方面。(1)为了弥补RM-MEDA忽略解的局部信息的不足,在算法中加入了直接使用个体信息的差分演化(DE)操作算子,设计了一种改进的RM-MEDA(MRM-MEDA)。 MRM-MEDA将分布估计算法的建模采样方式和DE的交叉变异进化方式相结合,丰富了个体的繁殖方式,在进化过程中,种群自适应地选择其中一种繁殖方式产 生新个体,且变异过程采用改进后的DE/rand-to-pbest/l策略。在32个测试函数上的实验结果证实了MRM-MEDA的性能优于RM-MEDA和其它两种改进的 RM-MEDA算法。 (2)针对RM-MEDA中学习模型和IM-MOEA中逆模型存在的缺点,将学习模型和逆模型结合在一起,提出了RM-IM-EDA。RM-IM-EDA将两种模型动态结合,期望利用两个概率模型的采样优势,从而实现更好的性能。
XA_1:=400; XA_2:=90; XA_3:=79; XA_4:=IF(XA_2>10,10,XA_3); XA_5:=CURRBARSCOUNT; XA_6:=REF(HIGH,XA_2)=HHV(HIGH,2*XA_2+1); XA_7:=BACKSET(XA_6,XA_2+1); XA_8:=FILTER(XA_7,XA_2) AND HIGH=HHV(HIGH,XA_2+1); XA_9:=BARSLAST(XA_8); XA_10:=IF(XA_8,XA_5,0); XA_11:=IF(XA_9,REF(HIGH,XA_9),HIGH); XA_12:=IF(XA_9,REF(XA_10,XA_9),XA_10); XA_13:=REF(XA_11,XA_9+1); XA_14:=CONST(XA_12); XA_15:=REF(XA_12,XA_9+1); XA_16:=CONST(XA_15); XA_17:=REF(LOW,XA_2)=LLV(LOW,2*XA_2+1); XA_18:=BACKSET(XA_17,XA_2+1); XA_19:=FILTER(XA_18,XA_2) AND LOW=LLV(LOW,XA_2+1); XA_20:=BARSLAST(XA_19); XA_21:=IF(XA_19,XA_5,0); XA_22:=IF(XA_20,REF(XA_21,XA_20),XA_21); XA_23:=CONST(XA_22); STICKLINE(OPEN>CLOSE,CLOSE,OPEN,3,1),COLOR00CC00; XA_24:=BARSLAST(LOW=LLV(LOW,180)); XA_25:=REF(LOW,XA_24); XA_26:=BARSLAST(HIGH=HHV(HIGH,XA_24)); XA_27:=REF(HIGH,XA_26); XA_28:=BARSLAST(LOW=LLV(LOW,XA_26)); XA_29:=REF(LOW,XA_28); XA_30:=INTPART((XA_26+1)/2); XA_31:=REFDATE(XA_27,DATE); XA_32:=REFDATE(CLOSE,DATE);