本文目录一览:
Pyecharts简介
Echarts 是百度基于JavaScript 开源的可视化图表库,而 Pyecharts 相当于是 Python+echarts,即使用 Python 语言调用 echarts 的开源库,可以制作非常精美的图表。实际上 Python 可视化库有很多,包括 Matplotlib、Seaborn、Bokeh 、Pygal、 Plotly 和 Pyecharts等等。其中 Matplotlib 是大家入门数据分析的最基本可视化工具;Seaborn 实际上是 matplotlib 的一个封装,提供了很多统计分析的基本图表;Bokeh、Pygal、Plotly 和 Pyecharts 等功能相似,可以输出非常精美的可视化图表,尤其是 Plotly 和 Pyecharts ,均支持动态可交互效果,但代码相对复杂。这些可视化库基本上都支持主流 Notebook 环境,Jupyter Notebook 和 JupyterLab,可以轻松集成至 Flask,Django 等主流 Web 框架。关于高级可视化库之间的优劣对比在此不做深入探究,读者可根据个人需要和编程习惯选择相应的库进行学习,本文将重点介绍 Pyecharts 及其在金融量化上的应用,代码均在Jupyter notebook上运行。关于Pyechart更详细完整的介绍可以参见其官网:Pyecharts。
01 版本与安装
Pyecharts 分为 v0.5.X(旧版) 和 v1 (新版)两个版本,两个不兼容,v1 是一个全新的版本。直接使用pip安装可获取最新版本:pip install pyecharts,如需使用旧版本,需要指定安装版本号,如:pip install pyecharts=0.5.11。本文使用的是1.9.1版的pyecharts,v0.5版本编程代码可参考公众号历史文章。
#查看电脑系统和库版本#watermark是第三方库需要先安装,#在cmd(如安装的是anaconda,直接打开anaconda prompt)上输入:pip install watermark%load_ext watermark#%watermark 查看电脑版本%watermark -p pyecharts,pandas,numpy,matplotlib,talib,backtrader,jupyter
pyecharts : 1.9.1pandas : 1.3.2numpy : 1.20.3matplotlib: 3.3.4talib : 0.4.19backtrader: 1.9.76.123jupyter : 1.0.0
02 模块导入与调用
图表的类在charts,*表示导入全部,一般不建议这么写,可根据图表类型导入,如柱状图和折线图:from pyecharts.charts import Bar,Line。配置项通过options(缩写为opts),用于修饰图表,进阶还可调用Javascript 的代码,导入JsCode:from pyecharts.commons.utils import JsCode。theme可以定制主题,导入:from pyecharts.globals import ThemeType,一般使用默认的ThemeType.WHITE。导入Faker可以使用自带的数据画图。
from pyecharts.charts import *from pyecharts import options as optsfrom pyecharts.faker import Faker
03 图表配置项
Pyecharts使用 options对图表的配置项进行设置,根据个人需要,为图表添加(减少)元素,美化和修饰图表。配置项非常多,包括全局配置项(set_global_opts)22个大类和系列配置项(结合数据系列进行配置)17个大类,每一个配置类下又有众多的参数设置。配置项为制作精美的图表提供了相当完善的功能选择,但是对新手来说相当不友好,各种类和参数选择让人眼花缭乱和望而生畏(老版本0.5.11在这方面简洁很多)。这里建议大家结合常用的图表类型模板学习几个常用的配置项,其他配置项基本上使用默认参数即可。
https://pyecharts.org/#/zh-cn/global_options
pyecharts 对配置项基本上都采用 XXXOpts/XXXItems 以及 dict 两种数据形式进行调用,下面介绍几个常用的配置项。
(1)全局配置项,通过set_global_opts 方法设置
(2)系列配置项
ItemStyleOpts:图元样式配置项,itemstyle_opts=opts.ItemStyleOpts(color=图形颜色,颜色可以使用 RGB 表示,比如 'rgb(128, 128, 128)',如果想要加上 alpha 通道表示不透明度,可以使用 RGBA,比如 'rgba(128, 128, 128, 0.5)',也可以使用十六进制格式,比如 '#ccc',color0:阴线图形的颜色,border_color=图形的描边颜色,border_color0=阴线图形的描边颜色,opacity=图形透明度,支持从 0 到 1 的数字为 0 时不绘制该图形,area_color=区域的颜色), 参考十六进制颜色转换;LabelOpts:标签配置项, label_opts=opts.LabelOpts(is_show: bool = True是否显示标签,position=标签的位置,可选 ['top','left','right','bottom','inside','insideLeft','insideRight''insideTop','insideBottom', 'insideTopLeft','insideBottomLeft' 'insideTopRight','insideBottomRight'], formatter=模板变量有 {a}, {b},{c},{d},{e},分别表示系列名,数据名,数据值等,折线(区域)图、柱状(条形)图、K线图 : {a}(系列名称),{b}(类目值),{c}(数值), {d}(无)散点图(气泡)图 : {a}(系列名称),{b}(数据名称),{c}(数值数组), {d}(无)地图 : {a}(系列名称),{b}(区域名称),{c}(合并数值), {d}(无)饼图、仪表盘、漏斗图: {a}(系列名称),{b}(数据项名称),{c}(数值), {d}(百分比)示例:formatter: '{b}: {@score}');LineStyleOpts:线样式配置项,linestyle_opts=opts.ItemStyleOpts(is_show= True是否显示,color=线条颜色, width= 1,线宽,curve = 线的弯曲度,0 表示完全不弯曲,type_: str = "solid", 线的类型可选:'solid', 'dashed', 'dotted',);SplitLineOpts:分割线配置项, 在全局配置项中使用.set_global_opts(yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show = True显示分割线)))。可视化实战案例
本文主要介绍直角坐标系图表及其应用案例,其余图表将在下一次推文中介绍。直角坐标系图表继承自 RectChart 拥有一些相同或相似的方法。
新增 X 轴数据.add_xaxis(xaxis_data=list数据)翻转 XY 轴数据,.reversal_axis()扩展 X/Y 轴,.extend_axis(xaxis_data=扩展X坐标数据项,xaxis=扩展 X 坐标轴配置项,yaxis=新增 Y 坐标轴配置项)新增 Y 轴数据.add_yaxis(series_name='',y_axis=序列数据,xaxis_index= 使用的 x 轴的 index,在单个图表实例中存在多个 x 轴的时候有用#导入数据分析和量化常用库import pandas as pdimport numpy as npimport talib as taimport tushare as ts#导入pyechartsfrom pyecharts.charts import *from pyecharts import options as optsfrom pyecharts.commons.utils import JsCode
01 折线图Line
折线图是考察金融时间序列数据趋势最常用的图表之一。下面使用tushare旧接口在线获取股票交易数据进行可视化分析。
#股票数据可视化分析实例#获取A股交易数据def get_price(code='sh',start='2000-01-01',end='2022-03-07'): df=ts.get_k_data(code,start,end) df.index=pd.to_datetime(df.date) #将成交量单位改为10000手并取整数 df['volume']=(df['volume']/10000).apply(int) return df[['open','close','high','low','volume']]sh=get_price()#sh.head()
最基本折线图,全使用默认参数。
g=(Line() .add_xaxis(sh.index.strftime('%Y%m%d').tolist()) .add_yaxis('',sh.close))g.render_notebook()
添加全局和系列配置项。
#不同点位设置不同颜色des=sh.close.describe()v1,v2,v3=np.ceil(des['25%']),np.ceil(des['50%']),np.ceil(des['75%'])pieces=[{"min": v3, "color": "red"}, {"min": v2, "max": v3, "color": "blue"}, {"min": v1, "max": v2, "color": "black"}, {"max": v1, "color": "green"},]#链式调用作用域()g = ( Line({'width':'100%','height':'480px'})#设置画布大小,px像素 .add_xaxis(xaxis_data=sh.index.strftime('%Y%m%d').tolist())#x数据 .add_yaxis( series_name="",#序列名称 y_axis=sh.close.values.tolist(),#添加y数据 is_smooth=True, #平滑曲线 is_symbol_show=False,#不显示折线的小圆圈 label_opts=opts.LabelOpts(is_show=False), linestyle_opts=opts.LineStyleOpts(width=2),#线宽 markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),],symbol_size=[100,30]), markline_opts=opts.MarkLineOpts(#添加均值辅助性 data=[opts.MarkLineItem(type_="average")], )) .set_global_opts(#全局参数设置 title_opts=opts.TitleOpts(title='上证指数走势', subtitle='2000年-2022年',pos_left='center'), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), visualmap_opts=opts.VisualMapOpts(#视觉映射配置 orient = "horizontal",split_number = 4, pos_left='center',is_piecewise=True, pieces=pieces,),) .set_series_opts( markarea_opts=opts.MarkAreaOpts(#标记区域配置项 data=[ opts.MarkAreaItem(name="牛市", x=("20050606", "20071016")), opts.MarkAreaItem(name="牛市", x=("20140312", "20150612")),],)))#使用jupyter notebook显示图形g.render_notebook()
高阶应用:股价收益率与波动率可视化
此处代码较长省略。完整代码见Python金融量化知识星球。
02 柱状图Bar
下面以上证指数和创业板指数2010-2022年的年收益率构建柱状图,比较考察不同指数在各年的收益率情况。
indexs={'上证综指':'sh','创业板':'cyb'}index_price=pd.DataFrame({index:get_price(code).close for index,code in indexs.items()}).dropna()#index_price.head()
#指数年度收益率柱状图index_ret=index_price/index_price.shift(1)-1ss=index_ret.to_period('Y')sss=(ss.groupby(ss.index).apply(lambda x: ((1+x).cumprod()-1).iloc[-1])*100).round(2)
使用全部默认参数下的年收益率柱状图。
g=(Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("", sss['上证综指'].tolist()))g.render_notebook()
添加全局配置项和系列配置项,使图表反映更多细节,同时可以根据时间段进行区域缩放。
g = (Bar() .add_xaxis(sss.index.strftime('%Y').tolist()) .add_yaxis("上证综指", sss['上证综指'].tolist(),gap="0%") .add_yaxis("创业板", sss['创业板'].tolist(),gap="0%") #添加全局配置项 .set_global_opts(title_opts=opts.TitleOpts(title="指数月收益率"), datazoom_opts=opts.DataZoomOpts(),#区域缩放配置项 yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}%"))) .set_series_opts(#添加序列配置项 label_opts=opts.LabelOpts(is_show=True,formatter='{c}%')))g.width = "100%" #设置画布比例g.render_notebook()
高阶应用:2021年全球资产收益率对比分析。
此处代码较长省略。完整代码见Python金融量化知识星球。
03 K线图Kline
K线图是对证券交易行情可视化的最基本图表之一,也是我们股票量化分析的最基本工具。
#计算指标def get_data(code,start='2021-01-01',end=''): df=get_price(code,start,end) df['ma5']=df.close.rolling(5).mean() df['ma20']=df.close.rolling(20).mean() df['macd'],df['macdsignal'],df['macdhist']=ta.MACD(df.close,fastperiod=12,slowperiod=26,signalperiod=9) return df.dropna().round(2)
df=get_data('sh')#df.head()
使用默认参数可以得到最基本的K线图。
g = (Kline() .add_xaxis(df['2022':].index.strftime('%Y%m%d').tolist()) #y轴数据,默认open、close、low、high,转为list格式 .add_yaxis("",y_axis=df[['open', 'close', 'low', 'high']]['2022':].values.tolist()) )g.render_notebook()
添加全局和系列配置项,强化细节展示。
def draw_kline(data): g = (Kline() .add_xaxis(data.index.strftime('%Y%m%d').tolist()) #y轴数据,默认open、close、high、low,转为list格式 .add_yaxis(series_name="", y_axis=data[['open', 'close', 'low', 'high']].values.tolist(), itemstyle_opts=opts.ItemStyleOpts( color="red",#阳线红色 color0="green",#阴线绿色 border_color="red", border_color0="green",), markpoint_opts=opts.MarkPointOpts(data=[#添加标记符 opts.MarkPointItem(type_='max', name='最大值'), opts.MarkPointItem(type_='min', name='最小值'),]), #添加辅助性,如某期间内最大max最小值min均值average markline_opts=opts.MarkLineOpts( data=[opts.MarkLineItem(type_="average", value_dim="close")], ),) .set_global_opts( datazoom_opts=[opts.DataZoomOpts()],#滑动模块选择 title_opts=opts.TitleOpts(title="股票K线图",pos_left='center'),)) return g
draw_kline(df).render_notebook()
高阶应用:K线图叠加成交量和技术指标。
#完整代码见Python金融量化知识星球。def kline_volume_ta(data): pass
kline_volume_ta(df).render_notebook()
04 散点图Scatter
散点图通常用来反映两个变量之间的统计关系。pyecharts还支持展示多变量随着时间的变动趋势。
#创业板和上证综指历年收益率数据#sss.head()
g = ( Scatter() .add_xaxis([str(d) for d in sss.index.year]) .add_yaxis("上证综指(%)",sss['上证综指'].tolist()) .add_yaxis("创业板(%)", sss['创业板'].tolist()) .set_global_opts( title_opts=opts.TitleOpts(title="指数历年收益率"), visualmap_opts=opts.VisualMapOpts(type_="size", is_show=False), xaxis_opts=opts.AxisOpts(type_="category", axisline_opts=opts.AxisLineOpts(is_on_zero=False), ), yaxis_opts=opts.AxisOpts(is_show=False,)) )g.width = "100%"g.render_notebook()
g = (
Scatter()
.add_xaxis(sss['上证综指'].tolist())
.add_yaxis("", sss['创业板'].tolist(),
symbol_size=20,
label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts('上证综指 VS 创业板'),
tooltip_opts=opts.TooltipOpts(is_show=False),
xaxis_opts=opts.AxisOpts(name='上证综指',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%')),
yaxis_opts=opts.AxisOpts(name='创业板',
type_="value",
splitline_opts=opts.SplitLineOpts(is_show=True),
axislabel_opts=opts.LabelOpts(formatter='{value}%'),)))
g.width = "100%"
g.render_notebook()
05 热力图HeatMap
热力图实际上是个三维结构,考察两个特征维度下值的变动趋势。热力图可以应用在指数周期变化和热点板块轮动分析等。下面以指数近10年来月收益率的涨跌幅为例构建热力图。
heat_data=(index_price/index_price.shift(1)-1).to_period('M')heat_data=heat_data.groupby(heat_data.index).apply(lambda x: ((((1+x).cumprod()-1).iloc[-1])*100).round(2))heat_data=heat_data['2011':'2021']#heat_data.tail()
构建热力图的难点在于数据项value的值。
value = [[i,j,heat_data['上证综指'][str(2011+i)+'-'+str(1+j)]] for i in range(11) for j in range(12)]year=[str(i) for i in range(2011,2022)]month=[str(i)+'月' for i in range(1,13)]g = (HeatMap() .add_xaxis(year) .add_yaxis("", month, value, label_opts=opts.LabelOpts(is_show=True, position="inside"),) .set_global_opts( title_opts=opts.TitleOpts(title="上证综指月收益率(%)"), visualmap_opts=opts.VisualMapOpts(is_show=False,min_=-30,max_=30,)))g.render_notebook()
高阶应用:根据涨跌幅范围设置不同显示颜色
#不同点位设置不同颜色代码省略。完整代码见Python金融量化知识星球。
结语
本文简单介绍了 Pyecharts (V1)基本情况、安装、模块调用和参数设置,并以股票交易数据为例,为大家展示了使用 Pyehcarts 构建直角坐标系下常用的图表,包括折线图、柱状图、K线图和热力图等。下一篇推文将进一步介绍Pyecharts其他图表的构建方法,包括日历图、仪表盘、地图、关系图等等,同时分享这些常见的图表在金融量化上的应用实例。
1 财经观察站 作者 翘楚 正式官宣:蚂蚁高管被阿里“踢”出群聊 阿里巴巴在2022财年年报中披露了最新合伙人名单,目前共有29名成员,相比于前一年的38名,减少了9位之多。而在这9位中,除了此前便已宣布退休的3名成员之外,来自蚂蚁集团管理层的相关成员包括井贤栋、倪行军、曾松柏等6人,均将不再担任阿里巴巴的合伙人。 这消息一出,便立即激起了民众们的广泛关注。如此大规模的高层变动,无疑是在变相地“官宣”阿里与蚂蚁的“分手”,怎能不让人抱起一探究竟的念头。莫不是两方真的因为某些原因闹掰了,大股东阿里一气之下将蚂蚁“踢”出了自己的群聊? 据相关媒体报道,从知情人士处获悉,此番“分手”其实是蚂蚁集团持续完善公司治理的又一举措,旨在进一步提升公司治理的透明度和有效性,强化与主要股东阿里巴巴的隔离。“分手”之后,蚂蚁公司的治理架构会变得更加清晰透明,也可以进一步地确保董事会和管理层在经营管理中独立决策。 在阿里与蚂蚁的最新《合伙协定》中也有明确规定,合伙人应由阿里巴巴集团人士担任,自2022年5月31日起,阿里巴巴集团的关联方人士(包括蚂蚁集团在内)不再担任合伙人。 公开资料显示,阿里巴巴的《合伙协议》最早可追溯到2010年7月,创建了此机制的阿里,希望阿里巴巴创始人和高级管理层成员所构成的合伙人团伙,可以始终保障其使命、愿景、价值观的延续。解释的更加直白一些便是,即便蚂蚁之后成为了独立集团,也依旧保留着阿里巴巴合伙人的身份。 在这近一年多的时间以来,蚂蚁集团更是始终都在采取多方面的措施来完善公司的治理体系,包括但不限于持续强化董事会作用,扩大董事履职范围,引入更多外部独立董事等等,如今的管理层变动,也是在与阿里巴巴逐渐地实现分离。所以,此次事件概括为“踢”出群聊其实并不合适,反而更像是“和平分手”。 对此,总部位于上海的投资咨询公司Aquariusx的执行合伙人亚历山大・西拉科夫表示,“与阿里巴巴脱钩虽然不会对蚂蚁集团造成致命打击,但会削弱蚂蚁集团的一些独特性。”这样的担忧也不算全无道理,背后没有了阿里巴巴这棵大树的蚂蚁,是否真的能如愿地开展新业务,实现进一步的独立呢?恐怕也只有时间能给予答案吧。 新的里程碑:阿里申请“双重主要上市” 吃过上面这个和平“分手”的瓜之后,我们再去看一看阿里在当天发布的另一个同样重磅的、足以被视作“里程碑”的消息。 7月26日当日,阿里巴巴集团发布公告:董事会已授权集团管理层向香港联合交易所提交申请,拟将香港新增为主要上市地。在香港联交所完成审核程序后,阿里巴巴将在香港联交所主板及纽约证券交易所两地双重主要上市。公告同时显示,相关流程预期在2022年年底前生效。 此消息一经公布,市场立即反响热烈,截至当日收盘,阿里巴巴港股大涨4.82%,市值达22641.6亿港元,足见市场对其看好的态度。 值得一提的是,此时距离阿里巴巴集团2019年实现香港二次上市还不足3年。当然了,相比起三年前的“二次上市”,此次的“双重主要上市”还是有着本质上的差别的。 “二次上市”所指的是公司已经在其他证券交易所上市之后,通过国际托管行和证券经纪商,实现股份跨市场流通。另外,“二次上市”的公司本身并不需要满足港交所的上市标准;“双重主要上市”则是是指公司所选择的两个资本市场均为主要上市地,公司在两地拥有同等的上市地位,其本身更是需要同时满足纽交所和港交所的监管规则。 而且,“二次上市”虽然要求简单,但一旦被迫在主上市地退市,二次上市地交易的股票也就同样面临退市清算;相比而言,“双重主要上市”则具有更强的风险对冲能力,即上市公司在一个市场退市不会影响在另一个上市地的地位,既可以避免退市风险,又降低了退市成本。 阿里巴巴方面进一步解释称,公司于美国挂牌的存托股及在香港上市的普通股可以互相转换,投资者可继续选择以纽交所上市的美国存托股或者以于香港联交所上市的普通股其中一种形式持有本公司的股份。 对此,阿里巴巴集团董事会主席兼首席执行官张勇也公开表示:“我们申请增加香港为主要上市地,是希望让更广泛多元的投资者,尤其是中国和亚太其他地区的阿里巴巴数字生态参与者,能共享阿里巴巴的成长和未来。香港和纽约同为全球重要的金融中心,开放、多元、高度国际化是两者共同的特质。香港也是阿里巴巴全球化战略的起点,我们对中国的经济和未来充满坚定的信心。” 此番豪言壮语不加掩饰地体现出了阿里对中国的经济和未来的信心满满,不仅为我们勾勒出了阿里巴巴那无比光明的前景,更是为投资者打下了一剂极为有力的强心针,但事实果真如此吗? 未来前景:阿里能引领“双重主要上市”的主流吗 暂且按下CEO所描绘的一番蓝图不表,我们还需要先了解一下当前国外市场的环境。受到美国《外国公司问责法》的影响,自2022年起,便已有超过150家中概股公司被纳入了“确定识别名单”,随时都面临着美股退市风险,其处境几乎可以称得上是风声鹤唳。 在这样的大背景之下,“回港上市”似乎已被默认成了一种规避风险的“不得已而为之”的选择,是顺应当前格局和市场预期、确保投资者利益的最优商业选择。而在选择了“双重主要上市”之后,中概股公司们也可以更好地应对单一市场的不确定性,更好地应对外部环境的种种变化。 所以,“双重主要上市”正在成为越来越多中概股公司的选择,甚至有演变成为中概股回港的主流模式的趋势。 而对于阿里巴巴而言,此次“双重主要上市”,似乎也不仅仅是一种避险的“被动”选择。相关数据显示,在2022财年,阿里巴巴大部分公众流通股已经转至香港。依照交易量及市值计,阿里巴巴已经是港交所持续为首三位股份之一,十分可观。而从技术层面上来看,阿里巴巴寻求“双重主要上市”更是水到渠成的选择。 无论从动机,还是结果,阿里申请香港纽约双重主要上市更像是积极地主动而为。就像张勇在最新的股东信中表达的一般,“越是在不确定性陡增的时代,越要积极寻求真正有价值的变化。” 截止目前,已有知乎、贝壳、小鹏、理想等9家中概股公司实现在美国和中国香港双重主要上市,阿里巴巴公布申请将香港新增为主要上市地之后,7月27日,金山云向港交所递交港股双重主要上市的申请。其中,阿里巴巴作为流通市值超2万亿港元的优质龙头公司,回港双重上市具有极强的标志性意义。 总之,阿里此次宣布的“双重主要上市”的决定,对于其他中概股企业而言,其影响力都是不容小觑的,或将能在未来引领更多的企业随之回归,并为市场带回更多的国际投资者,促进市场的流动性。当然,以上这些也都只是一种可能的假设,阿里此次“双重主要上市”究竟能做到何种程度,我们还需拭目以待。
不少中老年朋友对互联网等新鲜事物了解不足,分辨能力较差,手里又有存款,很容易被骗子当做下手目标。7月13日,新京报
股票投资群中的信息,让王先生信以为真。 大兴警方供图
“神奇”软件声称能精准预测股票走势
56岁的王先生是一位股民,今年6月初,他在某视频直播平台浏览炒股视频时,无意间进入一个直播间,主播正推荐一款能预测、分析股票走势的软件,声称该软件由专业人士操持,可以帮助股民精准找到一路上涨的股票。
王先生付费下载了该软件,作为附加福利,他还被邀请加入了一个股票投资群。在群中,一名“专家”不断传授着自己的交易技巧,还用各种方式鼓动大家往软件内投钱,甚至忽悠大家借钱来投资。软件推荐的某些股票确实在涨,每天也都有股民晒图分享自己赚钱的喜悦,王先生逐渐相信,平台的确能精准预判股市的走向。
“专家”还表示,软件利用“金叉银叉”技战法,可以辅助追涨停板,盈利后,软件需收取百分之二十的“手续费”。王先生觉得,这听起来合情合理,软件界面看起来与其他炒股软件也没什么不同,在持续观望多日后,王先生打算借此机会多挣点钱。
在股票投资群中,每天都有大量“受益者”分享成果。 大兴警方供图
绑定银行卡,300余万元险些被骗
正当王先生使用该软件时,他突然接到了96110的电话。原来,大兴警方接到一条诈骗预警信息,立即电话联系进行劝阻。一番沟通之后,王先生对自己是否被骗仍心存怀疑,于是民警决定上门劝阻。了解了王先生下载软件加入投资群的经过,并查看该软件后,民警断定这是一起电信网络诈骗案件,随即向王先生详细讲明情况,介绍了网络投资类诈骗的方式及手段。
在民警的耐心劝阻下,王先生终于相信自己被骗了。经核实,王先生已在这款诈骗软件中绑定了两张银行卡,内含300余万元,民警立即指导其对银行卡进行解绑、冻结。好在操作及时,王先生卡内的余额得以保全。为了帮助王先生远离电信诈骗,民警还引导他下载了全民反诈APP,并开启劝阻拦截预警功能。
大兴警方提醒中老年朋友,平时要多关注反诈视频和案例,熟知网络诈骗套路。不要轻易将家庭信息透露给陌生人。接到96110拨打的电话时,一定要及时接听,耐心听取劝阻员的劝阻,避免上当受骗。遇到可疑的情况,多询问子女和家属,也可以拨打96110,或者到就近的公安机关进行询问。
新京报
编辑 彭冲 校对 李立军
网友分享头条问答,转载需注明。这是一篇文不对题的股票文章。
先来个投票:
首先解答标题:股票行情软件大同小异,只要你真的会分析股票,用什么软件其实没多大区别。
对于一些软件控,我个人是极度表示鄙视的,因为我自己曾经就是一个追随软件的人,在这上面花了不知多少精力,但到头来还是一无所获,因为我一直幻想着用到一款好的软件,就能够买到低点卖到高点,就能够赚更多钱!
事实告诉我,这是绝对错误的。因为我在用了同花顺、通达信、金融街,还有一系列大大小小的软件后,发现没有提高我半点收益率,反而越亏越多!
所以,我就开始调整自己的思路,不从软件入手,而重新疏理自己的分析方法。
https://www.toutiao.com/i6514860221733536270/
实战演练——手把手教你分析一只股票(以双箭股份为例)
上面这篇股票分析的思路,就是这些年的实战经验总结下来的。
其实股市投资,相对期货、外汇来说,还是小很多的。
因为我暴过仓——在2011年操作外汇时,没有风险控制,前面操作正确了7次,但第8次遇到风险事件,导致暴仓。
没有暴过仓的人,是永远不懂得风险是有多么恐怖!
我在很多问题下的关于股票的解答,都会有一两个人说“说了这么多,亮下你的成绩呀”、“才赚了11%来吹什么牛X”之类的话。(因为我在2017年10-12月操作了一波比亚迪,赚了11%,然后清仓退出股市)
对于这些人,我认为他们不是TM赌徒,就是TM天才!说真的,我真没有什么亮瞎眼的成绩,最近5、6年也只操作过4只股票而已(东华能源,科林环保、理工环科、比亚迪),因为我不以投资为职业,投资只是我的兴趣之一。
我建立自己分析思路的目的更多是为了降低投资中的风险,减少犯错的概率。因为在期货这种零和市场中,比的就是犯错率,你犯的错越多,亏的就越多。
关注我,能让你学到不一样的股票分析方法,建立一套不同的股票分析体系!
下篇文章预告:《手把手教你分析K线——案例》
今天的内容先分享到这里了,读完本文《股票分析软件哪个好》之后,是否是您想找的答案呢?想要了解更多股票分析软件哪个好、蚂蚁集团香港IPO获得批准相关的财经新闻请继续关注本站,是给小编最大的鼓励。
提取失败财务正在清算,解决方法步骤件事就是冷静下来,保持心...
本文目录一览:1、邮政银行2、东吴基金管理有限公司3、邮政...
本文目录一览:1、联发科前十大股东2、中国经济改革研究基金会...
申万菱信新动力5.23净值1、申万菱信新动力股票型证券投...
本文目录一览:1、2000年至2020年黄金价格表2、3002...