1.求高手编写一个主力监控指标公式
2.股市里MTM曲线的起动特殊分析方法有哪些
3.如何评价斯坦福大学提出SGD动量自调节器YellowFin？
求高手编写一个主力监控指标公式
首先要明白指标里不存在主力监控的公式，只是量源指标制作人把名字起的好听点罢了，下面有张截图是码启码一个叫主力监控的公式截图，看截图股票越下跌主力越买进，动量随后拉升时主力越卖越少。标源这一点不神奇，起动答题系统网页源码你要会看源码就知道作者用的量源全是动量类型公式，也就是码启码多空单一一方与多空双方总和的比例关系，典型的动量rsi就是这个原理，这个作者挺聪明他把部分指标显示颠倒了，标源跟股价反向变动，起动大家看到的量源效果就是主力监控了。建议多看看一些技术指标公式大全，码启码基本的动量技术指标就那一百多个，大部分还是标源重复的。
截图的指标源码发在追问追答里了
股市里MTM曲线的特殊分析方法有哪些
MTM动量指标就是通过观察股价波动的速度，衡量股价波动的弹幕 网站 源码动能，从而揭示股价反转的规律，为投资者正确地买卖股价提供重要的参考。
当MTM曲线和MTMMA曲线经过长时间的中低位整理后，一旦MTM曲线开始向上突破MTMMA曲线时，说明股价的上涨动能已经相当充分，股价的中长期向上趋势已经形成，这是MTM 指标发出的中长期买入信号，特别是对于那些股价已经突破中长期均线压力、并且伴随较大的成交量配合的股票，这种买入信号则更可确认。此时，投资者应坚决地全仓买入股票。
2、当MTM曲线和MTMMA曲线都在高位盘整时，一旦MTM曲线向下突破MTMMA曲线，则表明股价上升动能已经衰竭而下降的微启业 源码动能开始积聚，股价的长期上升趋势已经结束，而长期下降趋势开始形成，这是MTM指标发出的中长期卖出信号，特别是对于那些股价已经突破中短期均线的股票，这种信号更加明显。此时，投资者应及时地逢高卖出卖出股票。 PSY指标是研究投资者对股市涨跌产生心理波动的情绪指标。计算公式1.PSY=N日内上涨天数/N* 2.PSYMA=PSY的M日简单移动平均 。.当PSY曲线和PSYMA曲线同时向上运行时，为买入时机；相反，当PSY曲线与PSYMA曲线同时向下运行时，为卖出时机。而当PSY曲线向上突破PSYMA曲线时，为买入时机；相反，当PSY曲线向下跌破PSYMA曲线后，网站克隆 源码为卖出时机。当PSY曲线向上突破PSYMA曲线后，开始向下回调至PSYMA曲线，只要PSY曲线未能跌破PSYMA曲线，都表明股价属于强势整理。一旦PSY曲线再度返身向上时，为买入时机；当PSY曲线和PSYMA曲线同时向上运行一段时间后，PSY曲线远离PSYMA曲线时，一旦PSY曲线掉头向下，说明股价上涨的动能消耗较大，为卖出时机。当PSY曲线和PSYMA曲线再度同时向上延伸时，投资者应持股待涨；当PSY曲线在PSYMA曲线下方运行时，投资者应持币观望。当PSY曲线和PSYMA曲线始终交织在一起，于一个波动幅度不大的media player 源码空间内运动时，预示着股价处于盘整的格局中，投资者应以观望为主。 MCST揭示持股人的平均成本。计算公式 1.公式源代码：MCST:DMA(AMOUNT/(*VOL),VOL/CAPITAL); 2.公式释义：市场成本=以成交量(手)/当前流通股本(手)为权重成交额(元)/(*成交量(手))的动态移动平均。当股价在MCST曲线下方翻红时应关注，若向上突破MCST曲线应买入；.当MCST曲线的下降趋势持续超过日时，若股价在MCST曲线上方翻红应买入。
如何评价斯坦福大学提出SGD动量自调节器YellowFin？
Ranger优化器将两个非常新的开发（radam+lookahead）合并到一个单独的优化器中。为了证明它的有效性，我们的团队最近使用Ranger optimizer在fastai全球排名中获得了个排名记录。Lookahead是Ranger优化器的一半。它是由著名深度学习研究员杰弗里·辛顿（Geoffrey Hinton）在年7月的一篇新论文《前瞻优化：K步进，1步后退》中介绍的。Lookahead受最近神经网络损失面研究的启发，提出了一种新的方法来稳定深度学习的训练和收敛速度。基于radam（corrected Adam）在深度学习方差管理方面的突破，发现将radam+lookahead组合在一起（Ranger）可以产生一个梦想团队，并且可以得到比单个radam更好的优化器。
Ranger optimizer是一个易于使用和高效的单一代码库（在一个循环中加载/保存和更新所有参数）。它被集成到fastai中。Ranger源代码可以直接使用：/lessw/Ranger-Deep-Learning-Optimizer。
Adam、SGD和前瞻+Adam/SGD在LSTM上的比较
为什么radam和lookahead是互补的
可以说，RADAM为优化器开始训练提供了最好的基础。雷达采用动态整流器根据变化调整Adam的自适应动量。对于当前的数据集，它有效地提供了自动热身，以确保坚实的训练开始。
最近对神经网络的深入探索和深入了解，为今后神经网络的深入研究提供了一个灵感。
“快速调整”以减少“团队在实现快速收敛时所需的大量计算开销。”。
因此，两者都在深度学习优化的不同方面提供了突破，两者的结合具有很高的协同性，可以为您的深度学习效果提供两种改进的最佳效果。因此，寻求更稳定和更稳健的优化方法将继续下去。通过结合两个最新突破（radam+lookahead），Ranger集成有望为深度学习提供另一个进步。
Hinton等人。-“我们通过实验证明，即使在Imagenet、cifar-/、神经机器翻译和Penn treebank上设置了默认的超参数设置，lookahead也可以显著提高SGD和Adam的性能。”
因为lookahead具有双向探测设置，所以lookahead可以优化到比SGD更接近最小值的位置。
因此，本文在介绍雷达的基础上，阐述了什么是超前雷达，以及如何将雷达和超前雷达组合成一个单一的优化测距仪，以达到新的高精度。在我测试的前个时代，我获得了一个新的高准确率，比目前的fastai排名高出1%。
我们可以摆脱SGD和Adam，以及新的深度学习优化器Ranger:radam+lookahead
流浪者的第一次测试是%
法塔伊，个时代，%
更重要的是，任何人都可以使用Ranger，看看它是否提高了你的深度学习结果的稳定性和准确性！
因此，让我们仔细看看驱动Ranger的两个组件：radam和lookahead
1什么是拉丹（亚当纠正）
小结：开发radam的研究人员调查了为什么自适应动量优化器（Adam、rmsprop等）都需要预热，否则在训练开始前它们会陷入一个糟糕/可疑的局部最优状态。
我们可以摆脱SGD和Adam，以及新的深度学习优化器Ranger:radam+lookahead
原因是当优化器在训练开始时没有看到足够的数据来做出准确的自适应动量决策，那么数据的方差将非常大。因此，热身可以在训练开始时减小方差，但即使要确定热身的程度，也需要根据数据集的变化进行手动调整。
因此，修正后的Adam通过使用一个修正函数来确定一个“启发式预热”，该函数基于实际遇到的方差。整流器动态地关闭和打开自适应动量，以便在数据方差稳定之前不会全速跳跃。
这样，就避免了手动热身的需要，训练也自动稳定下来。
一旦方差稳定下来，拉丹就变成了亚当，甚至是新元。因此，拉丹的贡献是在训练的开始。
读者注意到
