kdj的指標公式
如下：rsv:=(close-llv(low,n))/ hhv(high,n)-llv(low,n))*100;
k:**a(rsv,m1,1);
d:**a(k,m2,1);
j:3*k-2*d
公式中的常用引數 n m1 m2 9 3 3
以中文表述公式的意思：（**價減去9天內的最低價）除以（9天內的最**減去9天內的最低價）。這是整個公式的出發點，以下的k、d、j都只是將這個結果平滑計算一下，j值只不過將k與d的差異擴大化而矣。
讓我們先來說明一下這個公式：
這個公式求的就是a點處箱體空間的位置。
這個原理是將股價首先假設在以箱體執行的條件下，當股價達到箱體上方時，視之為超買；當股價達到箱體下方時，則視之為超賣。
那麼我們從上圖可以看到，這個距形就是kdj指標的生存空間，a處於超買點，b點處於常態點，c點就處於超賣點，d與e是kdj指標失效的點位。
以上講的就是kdj指標的基本原理，但是kdj的計算中還加上多重的加權移動平均（**a），這就在時間上對kdj核心進行了延伸，這也就是d值移動速度最慢原因，因為d值是對k值的平滑。
接下來讓我們再深入的來解析一下kdj指標的時間平滑演算法，首先我們來考慮一下資料引用的週期，在基本核心中，n基本值為9，第乙個**a引數是3，也就是說要引用最rsv的週期為3，包括本身的乙個，那麼向前移動兩個，即9+2=11，第一次的**a週期為11，第二次則相同再加上2，11+2=13，週期數為13。也就是說，kdj以9、3、3為引數設定的話，那麼引用時間週期是13天。也就是說考慮的是13天箱體。
由於演算法中使用的加權移動平均（**a），這是一種對計算資料時間作用進行特殊考慮的演算法，即對最近的資料加大權重，幾乎不考慮以前資料的重要性，我們來看一下**a的計算公式：
演算法: 若y=**a(x,n,m)
則 y=[m*x+(n-m)*y']/n,其中y'表示上一週期y值,n必須大於m
從這個演算法中可以看出，公式中引用的常數只有兩個：x（當前值）、y』（第乙個y』值為前乙個x值）。這與簡單數術平均算不同，簡單算術平均必須保證週期中所有資料的到位才可以運算，而移動加權平均則只要求當前值x與前y』值。也就是同樣的9天移動加權平均（**a）與9天算術移動平均（ma），**a從第2天就可以進行運算，而ma則必須要等到第9天才可以開始運算。
這就是為什麼kdj指針對當天漲跌的反映如此敏感的原因了，下面我們還將就實際應用的kdj指標進行解析。
前兩點在圖中都作了比較明確的示例，第三點中關於當天漲跌對於指標的影響則可以說是隨處可見了，這是由**a的演算法所致，這與移動平**演算法有極大的不同。這個演算法對指標的影響也是非常大的，它加重了當天及上一日資料的重要，同時也假定了以前資料變化是按照最近兩日資料變化的條件來進行的。
而上下影線對指標的影響主要體現在，這個上下影線為週期中創出新高點，或新低點的影線，並不是空間中的任何影線都能起作用的，因為公式是**價與週期內最大振幅的比較。當日收出創新高長上影線的**，這段上影線的長度就會加到分母中去，使得公式中的分母額外的增加，這就是到一定時候，明明在**但kdj卻向**，或明明**而kdj卻向上公升的原因所在。
kdj指標一般的書名稱之為隨機指標，但根據演算法來看，這個名稱並不合適，確切的講kdj指標應該稱之為週期空間定位加權移動平均指標。kdj指標並不是隨機，它是通過加權平均計算股價在週期空間所處的位置來判斷股價目前所執行的狀態。這就是市場行為理論提煉出來的東西，在市場行為理論中，我稱之為空間定位判斷法。這在市場行為理論的整體中只屬於外延技戰術中的一部份，包含了兩個應用上的層次：
這就是kdj指標核心的合理性，但其演算法的簡單與侷限無法將這個合理核心全面清晰的表達出來，在實用中非常的含糊與模稜兩可，因此在專業研究及投資**的高層次領域這個指標就沒有什麼價值，變得無足輕重了。探尋**規律的高階者則可以通過對指標核心的揣摩來突破指針對技術分析的侷限，這樣才是邁入技術分析殿堂的第一步。其實在我看來，基本分析與技術分析並沒有本質上的區別，兩者在理論核心上是完全相通，只是所選用的處延技戰術上的專業不同。
空間是研究**規律中的乙個重要研究因素，但也僅僅是規律其中的乙個內容，對於**規律來說，這個在指標核心中討論的問題在**規律中可能就只能成為乙個外延部分，kdj指標連這個基本因素都表述不清，其實在我看來所謂技術分析就是指標分析的說法真是對技術分析研究的一種莫大誤解，也可見現在技術分析研究水平之低，希望藉此文章拋磚引玉，共同追尋**研究的終極之道。
職業定位解析
職業定位有什麼好處？職業定位有兩層含義 一 確定自己你是誰，你適合做什麼工作 二 告訴別人你是誰，你擅長做什麼工作。定位準確，你就會持久地發展自己。很多人事業上發展不順利不是因為能力不夠，而是選擇了並不適合自己的工作，很多人並沒有認真地思考一下 我是誰 我適合做什麼 也因為不清楚自己要什麼，而無法體...
kd樹劃分空間選擇維度使用方差的好處
最近學習 統計學習方法 裡的kd樹時，雖然演算法的原理比較清晰，但是一直感覺選擇維度的時候使用j i mod k 1的輪替模式會導致空間分的太不均衡，可能導致搜尋kd樹的某些時候效率偏低。在知乎上看到 使用方差來選擇維度，使用中值來作為結點取值，感覺這種做法可能能更好的劃分每個結點的左右子樹所代表的...
pgGAN編碼空間解析
描述一張對於人來說是乙個很簡單的事情。在機器學習中這個任務是乙個通過提取整整進行分類或者回歸的問題，當前有很多的演算法在物體識別和物體檢測領域已經超過了人類。然而從另乙個方面來說，通過描述來生成一張真實的是非常困難的事情，在機器學習領域這是乙個生成任務，這種任務比判別任務更加具有挑戰性，主要是因為，...