⑴ 股票大數據分析可以嗎有推薦嗎
在用RC智能雲，很不錯的
⑵ 大數據分析股票，有什麼好的方法
大數據只是做好宏觀經濟走向，但是落實到具體某隻股票，就顯得不那麼使用了
⑶ 證券行業大數據可以運用在哪些方面
，證券行業數據是指券商還是股票分析。
如果券商行業的話，主要看經紀業務，以及其佔比是否在下降，產品銷售業務利潤是否在上升。此外，其他業務渠道是否在擴寬發展，比如投行業務。
⑷ 如何用大數據炒股
方法/步驟
1
下載，安裝app。 網路搜索 網路股市通，並根據手機選擇版本安裝（安卓的安裝安卓的，iphone安裝ios版本）
2
安裝，app這個不多說了。打開app，界面如圖所示。可以看到有自選股、資訊、智能選股、行情、我 五個標簽頁，自選股、行情和「我"就不多說了，炒股的都知道，我們主要要看的是 資訊和智能選股兩個標簽頁的內容
3
打開「資訊」，裡面是根據網路大數據篩選出來的一些可能對股市有比較大影響的新聞。雖然現在新聞到處都能看到，但是對於股市新手來說，分辨哪些新聞比較重要是一件十分困難的事情，我一般是看這里的概念熱點，對於追熱點非常有用。
4
下面介紹最最有用的「智能選股」，打開，可以看到有「最新熱點」、「異動個股」、「優選公告」3項
5
最新熱點，這里綜合了最近搜索最熱的話題新聞，並且列出了相關的股票，非常有價值，可以據此布局；
6
異動個股，這里整理出了盤中資金變化較大，有可能大漲大跌的股票，適合作參考
7
優選公告，這是我最看重的地方了。 新手對於上市公司的公告，看不懂，看懂了也不知道對於股票走勢有什麼影響。而這里則根據歷史數據，統計出了該股票同類公告引起的漲跌，很準的。
⑸ 統計學和大數據分析在股市裡哪個更有用
數據分析一般就是統計學里邊的，統計就是專門分析數據的！
⑹ 股票數據分析都有哪些
看盤的幾個小技巧：
第一：看盤的首要重點是看板塊和熱點個股的輪動規律，進而推測出行情的大小和持續性時間變化。比如每天應該注意是否有漲停個股開盤，如果有，那麼說明主力資金還在努力選擇突破口，如果兩市都有10隻以上的漲停個股開盤，則說明市場處於多頭氣氛，人氣比較旺，少於這個標准則說明市場人氣不佳，投資者應該當心大盤繼續下跌風險。如果每天盤面都有跌停板，並且是以板塊方式出現，那麼，應該警惕新一輪的中級調整開始。在熱點上，如果前一交易日漲停的個股或是上漲比較好的板塊難以維持兩天以上的行情，那麼，就說明主力資金屬於短炒性質，此個股或板塊不能成為一波行情的領頭羊，同時也意味著這一輪上漲屬於單日短線反彈。反過來講，如果熱點板塊每天都有2-3個以上，平均漲幅都在2%以上，並相互進行有效輪番上漲，則中期向好行情就值得期待。2010年7月初、中期，有色資源、煤炭資源、稀土資源以及新能源、智能電網等板塊交替上漲，從而產生中級行情。
第二：看盤應該注重關注成交量。根據兩市目前市值情況看，上海大盤成交量小於1000億應做震盪整理理解，700億以下為縮量，小於500億可以理解為地量，超過1100億應該理解為放量。地量背後往往意味著反轉，例如，2010年6月底和7月初之間，先後多個交易日上海股市成交量低於500億，這個時候空倉資金應為自己的重新進場做好准備。當大盤擺脫下降趨勢，走出一個緩慢的底部構築的形態下，成交量溫和狀態下，投資者可以以不超過半倉的水平買股持股。如果，當股票持續上漲，成交量放大，換手率超過15%（中小板、創業板個股特定條件下可以放寬到20%左右，另外新股、次新股、限售股、轉贈股、配股上市日不在此列），5-20日線開始死叉轉向，那麼此類短線題材股和概念股應該考慮逐步拋售。
第三：努力培養盤感，運用技術手段捕捉市場機會。不管是什麼品種的股票，如經過短期暴跌，跌幅超過50%，下跌垂直度越大，那麼關注價值就越高，當某一天突然縮量，短線買進的機會來了。因為急跌暴跌後，成交量突然萎縮就殺跌盤已經枯竭，肯定會出現反彈，這個時候可以堅決地戰勝自己恐慌情緒積極進去搶一把反彈就走人。同樣，如果股票價格在接連漲了很多時間，而且高位開始頻繁放量，可是價格始終盤旋在某個小區域，連續用小單在尾盤直線拉高製造高位串陽K線，籌碼峰密集嚴重擴散，則說明這個完全是主力在出貨！必須堅決清倉。
第四：別小看低位的三連陽，別漠視高位的三連陰。一般講股票價格在接連下跌一段時間後，突然在某天不那麼狂跌，而且，K線上接連出現紅三兵，價格波動幅度又不是那樣大，通常價格一串上去又被單子砸下來了，請你注意了，這個時候往往就是有主力潛伏著開始收貨中；反過來，如果在漲勢繼續了一段時間，股票價格已經很大幅度地脫離了主力原始成本，這個時候出現了高位幾連陰，股票價格重心開始下移，尤其是在一些時候，主力利用快要收盤的時候，突然用幾筆單把股票價格迅速買回日均線，在隨後的幾天里同樣的手法經常出現，K線圖上收出長下影，那說明主力出貨的概率已經達到80%以上，它的這些做法都是為了麻痹經驗不足的資金。假如某天連10日、20日、30日線都跌破，不管是賺還是賠，堅決離場。
第五：大漲買龍頭，如何發覺龍頭，其實在市場大跌氣氛里很容易判斷龍頭股，應密切注意漲幅榜中始終躍居前幾位的逆市紅盤股，特別是價格處於「三低」范疇，或是股價在15-20元之間，離新多主力拉升底部區域不足50%空間，在大盤大跌的當日或隨後幾天時間里，果斷用長陽反擊K線收復前期長陰失地的，則有望成為反彈的龍頭。市場的法則永遠是「強者恆強，弱者恆弱」。當中級以上行情出現的時候，投資者要善於提早發現誰是龍頭，並果斷追進，抓穩抓牢，別因一時盤面震盪輕易下馬。通常洗得越凶，後期飈漲概率越大。炒股搶佔先機概念很重要。有的股票難當龍頭最好在行情啟動初期果斷放棄，不要跟自己過不去。
第六：在漲勢中不要輕視冷門股、問題股。 你只要它漲得好，漲得牛就是，「漲時重勢，跌時重質」就是這個道理。任何時候，主力和莊家比我們聰明，他們不是傻瓜，當股票一個敢於在大勢不好的情況下縮量封出漲停板，肯定有其不被市場大眾知道的東西隱藏在後面。熊市裡，很多2-5元中小盤個股就是這樣無量快速漲停，通常這個時候非常考驗短線高手的看盤功力，因為這樣的股票往往留給人的思考、判斷、下單時間不會超過一分鍾，一般此類股很容易出現連續漲停，甚至是一字漲停，像2010年7月27日，很多ST股大跌的時候，ST黑化卻震盪走高，上方買盤都被逐步吃掉，並在臨近收盤的最後10分鍾封上漲停，這說明市場已有嗅覺靈敏的資金聞到了變盤氣息在重組前夜下手。
⑺ 如何運用大數據
1.可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2. 數據挖掘演算法
大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統
計
學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如
果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3. 預測性分析
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。
5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。
大數據的技術
數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取： 關系資料庫、NOSQL、SQL等。
基礎架構： 雲存儲、分布式文件存儲等。
數
據處理： 自然語言處理(NLP，Natural Language
Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理
解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。
統計分析：
假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、
卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、
因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數
據挖掘： 分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity
grouping or association rules）、聚類（Clustering）、描述和可視化、Description and
Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測 ：預測模型、機器學習、建模模擬。
結果呈現： 雲計算、標簽雲、關系圖等。
大數據的處理
1. 大數據處理之一：採集
大
數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的
數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除
此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時
有可能會有成千上萬的用戶
來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間
進行負載均衡和分片的確是需要深入的思考和設計。
2. 大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些
海量數據進行有效的分析，還是應該將這
些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使
用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
3. 大數據處理之三：統計/分析
統
計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通
的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於
MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
4. 大數據處理之四：挖掘
與
前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數
據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於
統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並
且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。
整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。
⑻ 股票數據分析方法
股票價格的漲跌，簡單來說，供求決定價格，買的人多價格就漲，賣的人多價格就跌。做成買賣不平行的原因是多方面的，影響股市的政策面、基本面、技術面、資金面、消息面等，是利空還是利多，升多了會有所調整，跌多了也會出現反彈，這是不變的規律。
⑼ 用大數據炒股，靠譜嗎
因為最近在考察幾個量化交易平台，或許正好能夠回答你的這個問題。
在國外現在量化交易已經非常非常的普及，但是據說在國內只有不到5%，似乎是國內散戶太多的原因。
而量化交易就是能夠通過模型預測未來一段時間的走勢，從而不斷去調整，購買較大勝率的股票、期貨或者大宗商品。
某種程度上來說，這些大數據預測相對於國內的賭徒心理還是有更高的成功率的。
當然，也不能太迷信數據，數據是死的，而人性莫測。在國內，即使你個股再好，還是看出現跑不贏大盤的局面，而且有時候還得考慮人的情緒、政策等等。不過，如果能夠堅持，大數據還是相對靠譜的。觀點僅供參考，投資需謹慎。
⑽ 如何利用數據分析股票走勢呢
這么多問題, 我就回答你MACD, 你可以找書看看
MACD指標又叫指數平滑異同移動平均線，是由查拉爾·阿佩爾（Gerald Apple）所創造的,是一種研判股票買賣時機、跟蹤股價運行趨勢的技術分析工具。
一、MACD指標的原理
MACD指標是根據均線的構造原理，對股票價格的收盤價進行平滑處理，求出算術平均值以後再進行計算，是一種趨向類指標。
運用快速（短期）和慢速（長期）移動平均線及其聚合與分離的徵兆，加以雙重平滑運算。而根據移動平均線原理發展出來的MACD，一則去除了移動平均線頻繁發出假信號的缺陷，二則保留了移動平均線的效果，因此，MACD指標具有均線趨勢性、穩重性、安定性等特點，是用來研判買賣股票的時機，預測股票價格漲跌的技術分析指標。
主要是通過EMA、DIF和DEA（或叫MACD、DEM）這三值之間關系的研判，DIF和DEA連接起來的移動平均線的研判以及DIF減去DEM值而繪製成的柱狀圖（BAR）的研判等來分析判斷行情，預測股價中短期趨勢的主要的股市技術分析指標。其中，DIF是核心，DEA是輔助。DIF是快速平滑移動平均線（EMA1）和慢速平滑移動平均線（EMA2）的差。BAR柱狀圖在股市技術軟體上是用紅柱和綠柱的收縮來研判行情。