Ⅰ 股票圖表分析的優缺點有哪些
技術分析（所有的好的，壞的消息最終都會發映到圖表上），圖表包容消
化一切，
優點就是不需要太多的關心基本面，看對趨勢就行
缺點就是趨勢在開始階段一般都會錯過。
Ⅱ 股票的技術分析優缺點是啥啊
優點如下：
簡單性：價格走勢圖把各種變數之間的關系及其相互作用的結果清晰地表現出來,把復雜的因果關系變成簡單的價格歷史地圖。以圖看勢,很容易把握其變化的趨勢。
客觀性：基本面分析的材料和數據雖然是客觀的,但預測者在進行價格走勢分析時往往帶有個人的感情色彩,比如做了多頭就會考慮一些利市的因素,甚至把一些不利因素也當作有利因素。而技術分析則不同,不管圖表出現的是買入信號還是賣出信號,都是客觀的,不以交易者的意志為轉移。
明確性：在圖表上往往會出現一些較為明顯的雙底形態、頭肩頂形態等,它們的出現,表明股票走勢可能在此轉勢,提示交易者應該做好交易的准備；同樣,一些主要的支撐位或均線位被突破,往往也意味著巨大的機會或風險的來臨。這些就是技術分析的明確性,但明確性不等於准確性。
靈活性：技術分析可以適用於任何交易媒介和任何時間尺度,不管是做外匯還是股票、期貨等交易,不管是分析上百年的走勢還是幾個小時的走勢,其基本技術分析原理都是相同的。只用調出任何一個交易產品的走勢圖,我們就可以獲取有關價格的信息並進行預測。
技術分析的缺點也挺多的：
對於長期走勢無效
：技術分析只是分析外股票短期走勢的價格變化,決定股價長期走勢的還是國家政局政策、經濟運行環境、資本市場動態等因素,單純運用技術分析法來准確預測長期價格走勢較為困難。
買賣信號的不確定
：在技術分析中,買、賣信號的出現與最高價或最低價之間往往有段距離,甚至會出現反向走勢,這種買賣信號的不確定性,往往使交易者不敢貿然從事,否則就可能作出錯誤的決策。
價位和時間不確定
：技術分析只是預測將來一段時期內總的價格走勢,不可能指出該時期內的最高價在何處,也不可能告訴該時期內的最低價在哪裡,更不可能指示出每一次上升或下跌的持續時間。
總的來說,技術分析再好其主宰者還是人。如果不懂心理控制、資金管理、投資技巧、市場特性等,單憑技術分析也並不牢靠。由於技術分析的理論基礎是人們的心理預期所形成的約定俗成的規則,而這種規則是可以不斷變化的,具有諸多的變異性,所以在一個不可確定的交易市場中,保持正確的操作理念和良好的操作心態比技術分析更為重要。就像平時我們經常提到的沒有誰知道圖的右側會是什麼樣，我們只能憑借一系例分析，去盡量避免或減少失敗的機率與風險罷了。
Ⅲ Python 有什麼缺點
python的整個系統，我其實有非常多的不滿。但是用任何一門語言都是取捨問題，如果有一門語言，庫夠多，已讀，易用，性能高，我毫不猶豫立刻轉過去。python的強處在於龐大的庫，還有非常好的易讀和易用性。但是相比來說，性能一直是個問題。python的實現性能大約和C相差五倍上下。如果是大規模計算問題，大約能差10倍以上。當然，我們可以寫C擴展，但是這就不是使用python了。我們也可以說，很多時候我們不需要這么快的速度。這是個事實，但是不改變python性能差的事實。 python不但性能差，還有GIL這個玩意。以至於我現在對高並發計算都採取多進程的模式。多進程模式的通訊效率肯定比多線程低，而且麻煩。
另外，python在底層設計上，也表現出很強的實用主義傾向。這是比較外交術語的詞彙，更加直白的說法應當是，混亂，不知所謂。在閉包設計上採用free variable設計，而不是lisp中的environs設計。區別？你試試看在外層閉包中from lib import *。由於引入不定個數名稱，free variable無法處理。類似的問題還有LEGB規則，新手往往要花很長時間研究這個例子究竟是怎麼錯的： a = 1 def f(): print a a = 2 我勒個去，這種反直觀反人類的事情都有，還敢說自己易讀。
Ⅳ Python的優缺點
優點
Python就為我們提供了非常完善的基礎代碼庫，覆蓋了網路、文件、GUI、資料庫、文本等大量內容，被形象地稱作「內置電池（batteries included）」。用Python開發，許多功能不必從零編寫，直接使用現成的即可。
除了內置的庫外，Python還有大量的第三方庫，也就是別人開發的，供你直接使用的東西。當然，如果你開發的代碼通過很好的封裝，也可以作為第三方庫給別人使用。
缺點:
第一個缺點就是運行速度慢，和C程序相比非常慢，因為Python是解釋型語言，你的代碼在執行時會一行一行地翻譯成CPU能理解的機器碼，這個翻譯過程非常耗時，所以很慢。而C程序是運行前直接編譯成CPU能執行的機器碼，所以非常快。
這個缺點僅限於你要編寫的軟體需要賣給別人的時候。好消息是目前的互聯網時代，靠賣軟體授權的商業模式越來越少了，靠網站和移動應用賣服務的模式越來越多了，後一種模式不需要把源碼給別人。
再說了，現在如火如荼的開源運動和互聯網自由開放的精神是一致的，互聯網上有無數非常優秀的像Linux一樣的開源代碼，我們千萬不要高估自己寫的代碼真的有非常大的「商業價值」。那些大公司的代碼不願意開放的更重要的原因是代碼寫得太爛了，一旦開源，就沒人敢用他們的產品了。
Ⅳ 股票的基本分析與技術分析的優缺點是什麼實際如何運用
基本分析保證你選的股票不至於跌得一千不值，屬於戰略性問題；技術分析是把握股價的波動規律，屬於戰術性問題。戰略的正確，決定整體的結果，但無法保證獲得最大利潤；戰術的正確，決定局部的結果，但無法找到全局。
實際應用就太復雜了，歡迎加入QQ群293，我們分技術派和基本派兩派共同討論。基本派找好股票，技術派研判波動的范圍。
Ⅵ python的優缺點是什麼
優點：
Python的定位是「優雅」、「明確」、「簡單」，所以Python程序看上去總是簡單易懂，初學者學Python，不但入門容易，而且將來深入下去，可以編寫那些非常非常復雜的程序。
開發效率非常高，Python有非常強大的第三方庫，基本上你想通過計算機實現任何功能，Python官方庫里都有相應的模塊進行支持，直接下載調用後，在基礎庫的基礎上再進行開發，大大降低開發周期，避免重復造輪子。
高級語言————當你用Python語言編寫程序的時候，你無需考慮諸如如何管理你的程序使用的內存一類的底層細節
可移植性————由於它的開源本質，Python已經被移植在許多平台上（經過改動使它能夠工 作在不同平台上）。如果你小心地避免使用依賴於系統的特性，那麼你的所有Python程序無需修改就幾乎可以在市場上所有的系統平台上運行
可擴展性————如果你需要你的一段關鍵代碼運行得更快或者希望某些演算法不公開，你可以把你的部分程序用C或C++編寫，然後在你的Python程序中使用它們。
可嵌入性————你可以把Python嵌入你的C/C++程序，從而向你的程序用戶提供腳本功能
速度慢，Python 的運行速度相比C語言確實慢很多，跟JAVA相比也要慢一些，因此這也是很多所謂的大牛不屑於使用Python的主要原因，但其實這里所指的運行速度慢在大多數情況下用戶是無法直接感知到的，必須藉助測試工具才能體現出來，比如你用C運一個程序花了0.01s,用Python是0.1s,這樣C語言直接比Python快了10倍,算是非常誇張了，但是你是無法直接通過肉眼感知的，因為一個正常人所能感知的時間最小單位是0.15-0.4s左右，哈哈。其實在大多數情況下Python已經完全可以滿足你對程序速度的要求，除非你要寫對速度要求極高的搜索引擎等，這種情況下，當然還是建議你用C去實現的。
代碼不能加密，因為PYTHON是解釋性語言，它的源碼都是以名文形式存放的，不過我不認為這算是一個缺點，如果你的項目要求源代碼必須是加密的，那你一開始就不應該用Python來去實現。
線程不能利用多CPU問題，這是Python被人詬病最多的一個缺點，GIL即全局解釋器鎖（Global Interpreter Lock），是計算機程序設計語言解釋器用於同步線程的工具，使得任何時刻僅有一個線程在執行，Python的線程是操作系統的原生線程。在Linux上為pthread，在Windows上為Win thread，完全由操作系統調度線程的執行。一個python解釋器進程內有一條主線程，以及多條用戶程序的執行線程。即使在多核CPU平台上，由於GIL的存在，所以禁止多線程的並行執行。關於這個問題的折衷解決方法，我們在以後線程和進程章節里再進行詳細探討。
缺點：
Python目前主要應用領域：
雲計算: 雲計算最火的語言， 典型應用OpenStack
WEB開發: 眾多優秀的WEB框架，眾多大型網站均為Python開發，Youtube, Dropbox, 豆瓣。。。， 典型WEB框架有Django
科學運算、人工智慧: 典型庫NumPy, SciPy, Matplotlib, Enthought librarys,pandas
系統運維: 運維人員必備語言
金融：量化交易，金融分析，在金融工程領域，Python不但在用，且用的最多，而且重要性逐年提高。原因：作為動態語言的Python，語言結構清晰簡單，庫豐富，成熟穩定，科學計算和統計分析都很牛逼，生產效率遠遠高於c,c++,java,尤其擅長策略回測
圖形GUI: PyQT, WxPython,TkInter
Python在一些公司的應用：
谷歌：Google App Engine 、code.google.com 、Google earth 、谷歌爬蟲、Google廣告等項目都在大量使用Python開發
CIA: 美國中情局網站就是用Python開發的
NASA: 美國航天局(NASA)大量使用Python進行數據分析和運算
YouTube:世界上最大的視頻網站YouTube就是用Python開發的
Dropbox:美國最大的在線雲存儲網站，全部用Python實現，每天網站處理10億個文件的上傳和下載
Instagram:美國最大的圖片分享社交網站，每天超過3千萬張照片被分享，全部用python開發
Facebook:大量的基礎庫均通過Python實現的
Redhat: 世界上最流行的Linux發行版本中的yum包管理工具就是用python開發的
豆瓣: 公司幾乎所有的業務均是通過Python開發的
知乎: 國內最大的問答社區，通過Python開發(國外Quora)
春雨醫生：國內知名的在線醫療網站是用Python開發的
除上面之外，還有搜狐、金山、騰訊、盛大、網易、網路、阿里、淘寶 、土豆、新浪、果殼等公司都在使用Python完成各種各樣的任務。
1989年，為了打發聖誕節假期，Guido開始寫Python語言的編譯器。Python這個名字，來自Guido所摯愛的電視劇Monty Python』s Flying Circus。他希望這個新的叫做Python的語言，能符合他的理想：創造一種C和shell之間，功能全面，易學易用，可拓展的語言。
1991年，第一個Python編譯器誕生。它是用C語言實現的，並能夠調用C語言的庫文件。從一出生，Python已經具有了：類，函數，異常處理，包含表和詞典在內的核心數據類型，以及模塊為基礎的拓展系統。
Granddaddy of Python web frameworks, Zope 1 was released in 1999
Python 1.0 - January 1994 增加了lambda,map,filterandrece.
Python 2.0 - October 16, 2000，加入了內存回收機制，構成了現在Python語言框架的基礎
Python 2.4 - November 30, 2004, 同年目前最流行的WEB框架Django 誕生
Python 2.5 - September 19, 2006
Python 2.6 - October 1, 2008
Python 2.7 - July 3, 2010
In November 2014, it was announced that Python 2.7 would be supported until 2020, and reaffirmed that there would be no 2.8 release as users were expected to move to Python 3.4+ as soon as possible
Python 3.0 - December 3, 2008
Python 3.1 - June 27, 2009
Python 3.2 - February 20, 2011
Python 3.3 - September 29, 2012
Python 3.4 - March 16, 2014
Python 3.5 - September 13, 2015
Python 3.6 - December 16,2016
python發展史
摘自我的博客，禁止所有形式的轉載
Ⅶ Python有什麼缺點呢
python的整個系統，我其實有非常多的不滿。但是用任何一門語言都是取捨問題，如果有一門語言，庫夠多，已讀，易用，性能高，我毫不猶豫立刻轉過去。python的強處在於龐大的庫，還有非常好的易讀和易用性。但是相比來說，性能一直是個問題。python的實現性能大約和C相差五倍上下。如果是大規模計算問題，大約能差10倍以上。當然，我們可以寫C擴展，但是這就不是使用python了。我們也可以說，很多時候我們不需要這么快的速度。這是個事實，但是不改變python性能差的事實。 python不但性能差，還有GIL這個玩意。以至於我現在對高並發計算都採取多進程的模式。多進程模式的通訊效率肯定比多線程低，而且麻煩。
另外，python在底層設計上，也表現出很強的實用主義傾向。這是比較外交術語的詞彙，更加直白的說法應當是，混亂，不知所謂。在閉包設計上採用free variable設計，而不是lisp中的environs設計。區別？你試試看在外層閉包中from lib import *。由於引入不定個數名稱，free variable無法處理。類似的問題還有LEGB規則，新手往往要花很長時間研究這個例子究竟是怎麼錯的： a = 1 def f(): print a a = 2 我勒個去，這種反直觀反人類的事情都有，還敢說自己易讀。
還有坑爹的元編程，這東西根本是坑爹中的坑爹貨。如果你用過多重繼承，大概就知道python的整個OO系統看起來根本是大型的模擬，到處都是亂糟糟的。C++怎麼解決多重繼承的？你最好別用（真心說，這可比python更加坑爹）。java怎麼解決多重繼承的，只能繼承Interface。其實這是變相的變成了Interface-Implement模式。python怎麼解決的？MRO！為什麽一個類加個__metaclass__就會改變性質啊，為什麽一個類去生成另一個類的寫法是——我基本不記得了，反正web.py裡面有用到，需要的話去炒栗子吧。為什麽方法要隱藏居然要改名字加__啊。你到底是在做OO還是在看起來像OO的東西上狂打補丁啊魂淡。
lambda表達式弱智。我和人討論過，lambda是否是圖靈完備的。結論還是完備的，不過需要藉助Y combinator。何必呢？由於強調lambda的快速特性，因此將lambda強制在一行以內（沒有結束標記），導致python其實是沒有匿名函數的。一個callback數組寫的難過死。
語法糖太多了點，當然，這是純粹的個人感覺。語法糖是把雙刃劍，用的好，可以簡化編寫和閱讀，但是太多，往往容易引入語法混亂和額外的約束。
另外，語言的自構建特性混亂。雖說不是每門語言都強調自構建特性，但是通常而言，都是使用C實現一個內核，由內核實現一些基礎操作。再由基礎操作實現更復雜的操作。每層的邊界都是比較清晰的。誰來告訴我，python中有多少庫在移植時是由純python實現的？庫的相互依賴層級是？
python的沙盒化也是個問題，如果沙盒做的夠好，我完全可以把python作為一個客戶級別的平台。用C寫一個很簡單的類似瀏覽器的東西，下載一個URL的python包回去運行（或者僅僅檢查更新）。從而保證本地效果/跨平台/安全性。現在？一個都保證不了。我連把一個python包轉移到另一台同構設備上都很麻煩（如果兩者不是嚴格匹配，例如系統差異，系統版本差異）無論是web開發還是移動終端開發都必須走傳統模式。
Ⅷ 股票技術分析的優缺點*
前提：精通技術分析
優點：能指導操作（特別對中、短期）
缺點：有時有盲區（一般對長期）
Ⅸ 分析excel和python在處理數據時各自的優劣點
兩者都是數據分析處理工具，excel上手簡單，操作界面人性化，小批量數據處理神器；
python需要點編程基礎，安裝步驟、導入庫、編譯器、語法讓很多人不懂了，但它在擴展性強，存在大量外部擴展庫，什麼批量合並excel工作簿、批量發送郵件、自動化生成報表之類，雖然這些excel都可以，但涉及到VB語言，遠不及python語法簡單；但是如果一份幾百條數據，需要統計一個結果，excel插入透視表，分類匯總兩步搞定，你非要用python，先是導入pandas/numpy,又是xlrd，接著又是groupby，一頓操作猛如虎，看著十分高大上，人家excel2秒鍾早已搞定；
數據處理：兩者都很熟練的情況下，不考慮數據數量，基本平分秋色，excel成熟體系的快捷鍵、功能；python豐富的各類外部庫；
數據分析：這個的話excel雖然有規劃求解、方差分析、T檢驗之類的工具，但是你要搞個k-mean聚類、決策樹之類的，excel是不行的，還有就是處理數據級與運行效率的問題，excel單表100W，能處理得差不多就二三十萬，多了就卡死了，python就不存在這個問題。
總而言之，公司日常報表，財務類、考勤類、部門小組業績類，這些基本excel就可以搞定，但你要搞大數據分析，隨隨便便幾百萬條數據，excel表示心有餘而力不足。
Ⅹ 選股策略回測用matlab好還是用python好
我沒錢，支持免費開源
拋開版權不說，初期入手策略測試、數據分析用matlab非常方便
但是策略測試方法、框架弄清楚後，要做正規的回測，還是Python方便，這里的正規是指嚴格的事件流驅動，雖然速度慢，但是避免未來函數影響、接近實盤的邏輯。
Python在這方面已經有很多庫了，quantopian的zipline應該算鼻祖了，國內的優礦網和ricequant都跟zipline很像，另外還有知乎大神的zn.py，PyAlgoTrade等