⑴ 股票大数据分析可以吗有推荐吗
在用RC智能云，很不错的
⑵ 大数据分析股票，有什么好的方法
大数据只是做好宏观经济走向，但是落实到具体某只股票，就显得不那么使用了
⑶ 证券行业大数据可以运用在哪些方面
，证券行业数据是指券商还是股票分析。
如果券商行业的话，主要看经纪业务，以及其占比是否在下降，产品销售业务利润是否在上升。此外，其他业务渠道是否在扩宽发展，比如投行业务。
⑷ 如何用大数据炒股
方法/步骤
1
下载，安装app。 网络搜索 网络股市通，并根据手机选择版本安装（安卓的安装安卓的，iphone安装ios版本）
2
安装，app这个不多说了。打开app，界面如图所示。可以看到有自选股、资讯、智能选股、行情、我 五个标签页，自选股、行情和“我"就不多说了，炒股的都知道，我们主要要看的是 资讯和智能选股两个标签页的内容
3
打开“资讯”，里面是根据网络大数据筛选出来的一些可能对股市有比较大影响的新闻。虽然现在新闻到处都能看到，但是对于股市新手来说，分辨哪些新闻比较重要是一件十分困难的事情，我一般是看这里的概念热点，对于追热点非常有用。
4
下面介绍最最有用的“智能选股”，打开，可以看到有“最新热点”、“异动个股”、“优选公告”3项
5
最新热点，这里综合了最近搜索最热的话题新闻，并且列出了相关的股票，非常有价值，可以据此布局；
6
异动个股，这里整理出了盘中资金变化较大，有可能大涨大跌的股票，适合作参考
7
优选公告，这是我最看重的地方了。 新手对于上市公司的公告，看不懂，看懂了也不知道对于股票走势有什么影响。而这里则根据历史数据，统计出了该股票同类公告引起的涨跌，很准的。
⑸ 统计学和大数据分析在股市里哪个更有用
数据分析一般就是统计学里边的，统计就是专门分析数据的！
⑹ 股票数据分析都有哪些
看盘的几个小技巧：
第一：看盘的首要重点是看板块和热点个股的轮动规律，进而推测出行情的大小和持续性时间变化。比如每天应该注意是否有涨停个股开盘，如果有，那么说明主力资金还在努力选择突破口，如果两市都有10只以上的涨停个股开盘，则说明市场处于多头气氛，人气比较旺，少于这个标准则说明市场人气不佳，投资者应该当心大盘继续下跌风险。如果每天盘面都有跌停板，并且是以板块方式出现，那么，应该警惕新一轮的中级调整开始。在热点上，如果前一交易日涨停的个股或是上涨比较好的板块难以维持两天以上的行情，那么，就说明主力资金属于短炒性质，此个股或板块不能成为一波行情的领头羊，同时也意味着这一轮上涨属于单日短线反弹。反过来讲，如果热点板块每天都有2-3个以上，平均涨幅都在2%以上，并相互进行有效轮番上涨，则中期向好行情就值得期待。2010年7月初、中期，有色资源、煤炭资源、稀土资源以及新能源、智能电网等板块交替上涨，从而产生中级行情。
第二：看盘应该注重关注成交量。根据两市目前市值情况看，上海大盘成交量小于1000亿应做震荡整理理解，700亿以下为缩量，小于500亿可以理解为地量，超过1100亿应该理解为放量。地量背后往往意味着反转，例如，2010年6月底和7月初之间，先后多个交易日上海股市成交量低于500亿，这个时候空仓资金应为自己的重新进场做好准备。当大盘摆脱下降趋势，走出一个缓慢的底部构筑的形态下，成交量温和状态下，投资者可以以不超过半仓的水平买股持股。如果，当股票持续上涨，成交量放大，换手率超过15%（中小板、创业板个股特定条件下可以放宽到20%左右，另外新股、次新股、限售股、转赠股、配股上市日不在此列），5-20日线开始死叉转向，那么此类短线题材股和概念股应该考虑逐步抛售。
第三：努力培养盘感，运用技术手段捕捉市场机会。不管是什么品种的股票，如经过短期暴跌，跌幅超过50%，下跌垂直度越大，那么关注价值就越高，当某一天突然缩量，短线买进的机会来了。因为急跌暴跌后，成交量突然萎缩就杀跌盘已经枯竭，肯定会出现反弹，这个时候可以坚决地战胜自己恐慌情绪积极进去抢一把反弹就走人。同样，如果股票价格在接连涨了很多时间，而且高位开始频繁放量，可是价格始终盘旋在某个小区域，连续用小单在尾盘直线拉高制造高位串阳K线，筹码峰密集严重扩散，则说明这个完全是主力在出货！必须坚决清仓。
第四：别小看低位的三连阳，别漠视高位的三连阴。一般讲股票价格在接连下跌一段时间后，突然在某天不那么狂跌，而且，K线上接连出现红三兵，价格波动幅度又不是那样大，通常价格一串上去又被单子砸下来了，请你注意了，这个时候往往就是有主力潜伏着开始收货中；反过来，如果在涨势继续了一段时间，股票价格已经很大幅度地脱离了主力原始成本，这个时候出现了高位几连阴，股票价格重心开始下移，尤其是在一些时候，主力利用快要收盘的时候，突然用几笔单把股票价格迅速买回日均线，在随后的几天里同样的手法经常出现，K线图上收出长下影，那说明主力出货的概率已经达到80%以上，它的这些做法都是为了麻痹经验不足的资金。假如某天连10日、20日、30日线都跌破，不管是赚还是赔，坚决离场。
第五：大涨买龙头，如何发觉龙头，其实在市场大跌气氛里很容易判断龙头股，应密切注意涨幅榜中始终跃居前几位的逆市红盘股，特别是价格处于“三低”范畴，或是股价在15-20元之间，离新多主力拉升底部区域不足50%空间，在大盘大跌的当日或随后几天时间里，果断用长阳反击K线收复前期长阴失地的，则有望成为反弹的龙头。市场的法则永远是“强者恒强，弱者恒弱”。当中级以上行情出现的时候，投资者要善于提早发现谁是龙头，并果断追进，抓稳抓牢，别因一时盘面震荡轻易下马。通常洗得越凶，后期飚涨概率越大。炒股抢占先机概念很重要。有的股票难当龙头最好在行情启动初期果断放弃，不要跟自己过不去。
第六：在涨势中不要轻视冷门股、问题股。 你只要它涨得好，涨得牛就是，“涨时重势，跌时重质”就是这个道理。任何时候，主力和庄家比我们聪明，他们不是傻瓜，当股票一个敢于在大势不好的情况下缩量封出涨停板，肯定有其不被市场大众知道的东西隐藏在后面。熊市里，很多2-5元中小盘个股就是这样无量快速涨停，通常这个时候非常考验短线高手的看盘功力，因为这样的股票往往留给人的思考、判断、下单时间不会超过一分钟，一般此类股很容易出现连续涨停，甚至是一字涨停，像2010年7月27日，很多ST股大跌的时候，ST黑化却震荡走高，上方买盘都被逐步吃掉，并在临近收盘的最后10分钟封上涨停，这说明市场已有嗅觉灵敏的资金闻到了变盘气息在重组前夜下手。
⑺ 如何运用大数据
1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统
计
学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如
果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数
据处理： 自然语言处理(NLP，Natural Language
Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理
解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析：
假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、
卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、
因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数
据挖掘： 分类
（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity
grouping or association rules）、聚类（Clustering）、描述和可视化、Description and
Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。
大数据的处理
1. 大数据处理之一：采集
大
数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的
数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除
此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时
有可能会有成千上万的用户
来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间
进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些
海量数据进行有效的分析，还是应该将这
些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使
用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统
计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通
的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于
MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与
前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数
据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于
统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并
且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
⑻ 股票数据分析方法
股票价格的涨跌，简单来说，供求决定价格，买的人多价格就涨，卖的人多价格就跌。做成买卖不平行的原因是多方面的，影响股市的政策面、基本面、技术面、资金面、消息面等，是利空还是利多，升多了会有所调整，跌多了也会出现反弹，这是不变的规律。
⑼ 用大数据炒股，靠谱吗
因为最近在考察几个量化交易平台，或许正好能够回答你的这个问题。
在国外现在量化交易已经非常非常的普及，但是据说在国内只有不到5%，似乎是国内散户太多的原因。
而量化交易就是能够通过模型预测未来一段时间的走势，从而不断去调整，购买较大胜率的股票、期货或者大宗商品。
某种程度上来说，这些大数据预测相对于国内的赌徒心理还是有更高的成功率的。
当然，也不能太迷信数据，数据是死的，而人性莫测。在国内，即使你个股再好，还是看出现跑不赢大盘的局面，而且有时候还得考虑人的情绪、政策等等。不过，如果能够坚持，大数据还是相对靠谱的。观点仅供参考，投资需谨慎。
⑽ 如何利用数据分析股票走势呢
这么多问题, 我就回答你MACD, 你可以找书看看
MACD指标又叫指数平滑异同移动平均线，是由查拉尔·阿佩尔（Gerald Apple）所创造的,是一种研判股票买卖时机、跟踪股价运行趋势的技术分析工具。
一、MACD指标的原理
MACD指标是根据均线的构造原理，对股票价格的收盘价进行平滑处理，求出算术平均值以后再进行计算，是一种趋向类指标。
运用快速（短期）和慢速（长期）移动平均线及其聚合与分离的征兆，加以双重平滑运算。而根据移动平均线原理发展出来的MACD，一则去除了移动平均线频繁发出假信号的缺陷，二则保留了移动平均线的效果，因此，MACD指标具有均线趋势性、稳重性、安定性等特点，是用来研判买卖股票的时机，预测股票价格涨跌的技术分析指标。
主要是通过EMA、DIF和DEA（或叫MACD、DEM）这三值之间关系的研判，DIF和DEA连接起来的移动平均线的研判以及DIF减去DEM值而绘制成的柱状图（BAR）的研判等来分析判断行情，预测股价中短期趋势的主要的股市技术分析指标。其中，DIF是核心，DEA是辅助。DIF是快速平滑移动平均线（EMA1）和慢速平滑移动平均线（EMA2）的差。BAR柱状图在股市技术软件上是用红柱和绿柱的收缩来研判行情。