股价乖离率,通达信如何设置大盘分时线

　　1：什么是乖离率

　　乖离率（BIAS）是测量股价偏离均线大小程度的指标。当股价偏离市场平均成本太大时，都有一个回归的过程，即所谓的“物极必反”。
1.BIAS=(收盘价-收盘价的N日简单平均)/收盘价的N日简单平均*100
2：股市股票乖离率多少买入

　　乖离率（BIAS）一般向上且形成金叉买入,不过要多看几个指标.
再者,多注意基本面分析,和抄家,资本流量分析

　　3：股票乖离率如何计算

　　N日的乖离率=(当日收盘价－N日移动平均价)/N日移 动平均价×100％ 用字母和符号表示，为 BIAS(N)=[CN－MA(N)]/MA(N)×100％ BIAS的公式中含有参数的项只有MA，也即是说，MA的 参数(天数)即是BIAS的参数。一般说来，参数选得越大， 则允许股价远离MA的程度就越大

　　4：股市里的乖离率怎么理解

　　乖离率（BIAS）是测量股价偏离均线大小程度的指标。当股价偏离市场平均成本太大时，都有一个回归的过程，即所谓的“物极必反”。 1.BIAS=(收盘价-收盘价的N日简单平均)/收盘价的N日简单平均*100 2.BIAS指标有三条指标线.BIAS指标表示收盘价与移动平均线之间的差距。当股价的正乖离扩大到一定极限时，表示短期获利越大，则获利回吐的可能性越高；当股价的负乖离扩大到一定极限时，则空头回补的可能性越高。 2.乖离率可分为正乖离率与负乖离率。若股价大于平均线，则为正乖离；股价小于平均线，则为负乖离。当股价与平均线相等时，则乖离率为零。正乖离率越大，表示短期超买越大，则越有可能见顶；负乖离率越大，表示短期超卖越大，则越有可能见底。 3.股价与BIAS指标究竟达到何种程度的百分比才算是买进或卖出时机，不同市场、不同时期、不同周期即不同移动平均线算法所得出的BIAS值是不同的。在多头行情中，会出现许多高价，太早卖出会错失一段行情，可于先前高价的正乖离率点卖出；在空头市场时，亦会使负乖离率加大，可于先前低价的负乖离点买进。 4.6日BIAS＞＋5％，是卖出时机；＜-5％，为买入时机。 5.12日BIAS＞＋6％是卖出时机；＜-5.5％,为买入时机。 6.24日BIAS＞＋9％是卖出时机；＜－8％，为买入时机 7.BIAS指标的缺陷是买卖信号过于频繁，因此要与随机指标(KDJ)、布林线指标（BOLL）搭配使用。 1.由于个股的特性不同，投资者需要具体测算出适合个股行情的最佳极限买卖值。 2.股价因受重大突发事件的影响而瞬间暴涨与暴跌，BIAS指标会因此出奇的过高或过低。但发生概率极小，仅能视为特例，不能作为日常研判标准。 ASI－累计震荡量指标说 明ASI累计震荡指标企图籍调整指标对于开高低收的迷思，设计出一条感应线，以便代表真实的市场，对于压力线及支撑线的突破及新高，低点的确认，背离等现象，提供相当精辟的解释，理论上，ASI将震荡高点数值化，并且确实的界定了短期的震荡点，另一方面又真实强力的指示出市场的内涵。应用1. 股价和ASI指标同步上升，当ASI领先股价突破前期高点时，是买入信号。 2. 股价和ASI指标同步下降，当ASI领先股价跌破前期低点时，是卖出信号。 使用技巧1. 股价创新高、低，而ASI未创新高、低，代表此高低点不确认。 2. 股价已突破压力或支撑线，ASI却未伴随发生，为假突破。 3. ASI前一次形成的显著高、低点，视为ASI停损点；多头时，ASI跌破前一次低点，停损卖出；空头时，ASI向上突破前一次高点，停损回补。 4. 股价创新低，而ASI指标未创新低时，为底背离；股价创新高，而ASI指标未同创新高时，为顶背离 乖离率是指股价与平均移动线之间的偏离程度，通过百分比的形式来表示股价与平均移动线之间的差距。如果股价在均线之上，则为正值；如果股价在均线之下，则为负值。 这里主要从投资者心理角度来分析。因为均线可以代表平均持仓成本，利好利空的刺激，造成股价暴涨暴跌。股价离均线太远，就会随时有短期反转的可能，乖离率的绝对值越大，股价向均线靠近的可能性就越大，这就是乖离率提供的买卖依据形成的原因。从市场经验看，10日平均移动线作为基期效果较好。以下跌为例，10日乖离率通常在-7%至-8%时开始反弹。考虑到这个数值的安全系数不高，一般情况下，更为安全的进场时机应选择在-10%至-11%之间。同样出于稳健，短线%附近卖出 乖离率应用时应区别看待 1、对于风险不同的股票应区别对待。有业绩保证且估值水平合理的个股，在下跌时乖离率通常较低时就开始反弹。反之，对绩差股而言，其乖离率通常在跌至绝对值较大时，才开始反弹。 2、要考虑流通市值的影响。流通市值较大的股票，不容易被操纵，走势符合一般的市场规律，适宜用乖离率进行分析。而流通市值较小的个股或庄股由于容易被控盘，因此在使用该指标时应谨慎。 3、要注意股票所处价格区域。在股价的低位密集成交区，由于筹码分散，运用乖离率指导操作时成功率较高，而在股价经过大幅攀升后，在机构的操纵下容易暴涨暴跌，此时成功率则相对较低。 4、要注意均线系统发展趋势，均线日均线）明确向下时不应盲目持股。 此外,在乖离率的应用时,应该结合不同情况灵活运用才能提高盈利机会。第一,对于风险不同的股票应区别对待。有业绩保证且估值水平合理的个股,在下跌时乖离率通常较低时就开始反弹。这是由于持有人心态稳定不愿低价抛售,同时空仓投资者担心错过时机而及时买入的结果。反之,对绩差股而言,其乖离率通常在跌至绝对值较大时,才开始反弹。第二,要考虑流通市值的影响。流通市值较大的股票,不容易被操纵,走势符合一般的市场规律,适宜用乖离率进行分析。而流通市值较小的个股或庄股由于容易被控盘,因此在使用该指标时应谨慎。第三,在股价的低位密集成交区,由于筹码分散,运用乖离率指导操作时成功率较高,而在股价经过大幅攀升后,在机构的操纵下容易暴涨暴跌,此时成功率则相对较低。 对上证指数而言，乖离率有以下具体表现： ①．5日乖离率波动的常态范围在正负2之间。 ②．在持续上升行情中，5日、10日乖离率均在0轴位之上，且10日乖离率在5日乖离率之上，5日乖离率接近或略超过正2时，指数将横盘或回调整理。整理过程中，5日乖离率调头向下，在接近或略低于0轴位时，即反弹向上，说明上升趋势没有改变。 ③．在上升行情中，当5日乖离率超过正5，可视为转势信号，此时应密切注视指数变化；当5日乖离率与指数出现顶背离时，可视为顶部信号，此时应尽快离场观望。 ④．在上升行情中 5日乖离率超过负6，将有反弹发生。在反弹过程中，5日10日乖离率均在0轴位之下，且5日乖离率在10日乖离率之上，当5日乖离率向上超过正2时，反弹将结束。 ⑤．下跌行情中 5日乖离率大大超过负的常态范围，且指数与5日乖离率出现底背离时，既指数创出新低而5日乖离率却走出一波比一波高的形态，说明大盘触底成功，可适时介入。

　　5：股市中股票涨速怎么计算N日线性回归斜率怎么算谢谢，嘿嘿。

　　涨速是相对某个时刻之前的某个价格而言。
例如，某个股票5分钟之前的股价是10元，而现在的价格是10.1元，则这个股票的5分钟涨速为：
（10.1－10）/10×100％＝1％
N日线性回归斜率怎么算
以最小平方法做线性回归估计这直线方程式
y=a+b*x;
最小平方法求出估计值a,b,代入得估计直线}
复制内容到剪贴板代码:
x:=k棒值;
y:=c;
b1:=Σ(x(i)-avr(x,30))*(y(i)-avr(y,30));
b2:=Σ(x(i)-avr(x,30))^2;
b:=b1/b2;
a:=avr(y,30)-b*avr(x,30);
SLOPE=(X,N)
表示以n个值的样本行最小平方法估测直线,slope斜率就是前面的b

　　6：

　　线性回归是利用数理统计中的回归分析，来确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法之一，运用十分广泛。
分析按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
我们以一简单数据组来说明什么是线性回归。假设有一组数据型态为 y=y(x)，其中
x={0, 1, 2, 3, 4, 5}, y={0, 20, 60, 68, 77, 110}
如果我们要以一个最简单的方程式来近似这组数据，则非一阶的线性方程式莫属。先将这组数据绘图如下
图中的斜线是我们随意假设一阶线x，用以代表这些数据的一个方程式。以下将上述绘图的 MATLAB 指令列出，并计算这个线性方程式的 y 值与原数据 y 值间误差平方的总合。
>> x=[0 1 2 3 4 5];
>> y=[0 20 60 68 77 110];
>> y1=20*x; % 一阶线 值
>> sum_sq = sum((y-y1).^2); % 误差平方总合为 573
>> axis([-1,6,-20,120])
>> plot(x,y1,x,y,o), title(Linear estimate), grid
如此任意的假设一个线性方程式并无根据，如果换成其它人来设定就可能采用不同的线性方程式；所以我们 须要有比较精确方式决定理想的线性方程式。我们可以要求误差平方的总合为最小，做为决定理想的线性方 程式的准则，这样的方法就称为最小平方误差(least squares error)或是线性回归。MATLAB的polyfit函数提供了 从一阶到高阶多项式的回归法，其语法为polyfit(x,y,n)，其中x,y为输入数据组n为多项式的阶数，n=1就是一阶 的线性回归法。polyfit函数所建立的多项式可以写成
从polyfit函数得到的输出值就是上述的各项系数，以一阶线，所以只有 二个输出值。如果指令为coef=polyfit(x,y,n)，则coef(1)= , coef(2)=,...,coef(n+1)= 。注意上式对n 阶的多 项式会有 n+1 项的系数。我们来看以下的线性回归的示范：
>> x=[0 1 2 3 4 5];
>> y=[0 20 60 68 77 110];
>> coef=polyfit(x,y,1); % coef 代表线性回归的二个输出值
>> a0=coef(1); a1=coef(2);
>> ybest=a0*x+a1; % 由线性回归产生的一阶方程式
>> sum_sq=sum(y-ybest).^2); % 误差平方总合为 356.82
>> axis([-1,6,-20,120])
>> plot(x,ybest,x,y,o), title(Linear regression estimate), grid [编辑本段]线性回归拟合方程一般来说，线性回归都可以通过最小二乘法求出其方程，可以计算出对于y=bx+a的直线，其经验拟合方程如下：

其相关系数（即通常说的拟合的好坏）可以用以下公式来计算：

理解回归分析的结果
虽然不同的统计软件可能会用不同的格式给出回归的结果，但是它们的基本内容是一致的。我们以STATA的输出为例来说明如何理解回归分析的结果。在这个例子中，我们测试读者的性别（gender），年龄（age），知识程度（know）与文档的次序（noofdoc）对他们所觉得的文档质量(relevance)的影响。
输出：
Source SS df MS Number of obs = 242
-------------+------------------------------------------ F ( 4, 237) = 2.76
Model 14.0069855 4 3.50174637 Prob > F = 0.0283
Residual 300.279172 237 1.26700072 R-squared = 0.0446
------------- +------------------------------------------- Adj R-squared = 0.0284
Total 314.286157 241 1.30409194 Root MSE = 1.1256
------------------------------------------------------------------------------------------------
relevance Coef. Std. Err. t P>t Beta
---------------+--------------------------------------------------------------------------------
gender -.2111061 .1627241 -1.30 0.196 -.0825009
age -.1020986 .0486324 -2.10 0.037 -.1341841
know .0022537 .0535243 0.04 0.966 .0026877
noofdoc -.3291053 .1382645 -2.38 0.018 -.1513428
_cons 7.334757 1.072246 6.84 0.000 .
-------------------------------------------------------------------------------------------
这个输出包括一下及部分。左上角给出方差分析表，右上角是模型拟合综合参数。下方的表给出了具体变量的回归系数。方差分析表对大部分的行为研究者来讲不是很重要，我们不做讨论。在拟合综合参数中， R-squared 表示因变量中多大的一部分信息可以被自变量解释。在这里是4.46%，相当小。一般地，我们要求这个值大于5%。对大部分的行为研究者来讲，最重要的是回归系数。我们看到，年龄增加1个单位，文档的质量就下降 -.1020986个单位，表明年长的人对文档质量的评价会更低。这个变量相应的t值是 -2.10，绝对值大于2，p值也<0.05，所以是显著的。我们的结论是，年长的人对文档质量的评价会更低，这个影响不是显著的。相反，领域知识越丰富的人，对文档的质量评估会更高，但是这个影响不是显著的。这种对回归系数的理解就是使用回归分析进行假设检验的过程。