分类
外汇交易技术分析

四种基础技术指标简介

为用户指标识别用户的方式

为让 Google Analytics(分析)确定哪些流量归属于哪个用户,系统会随着每次命中一同发送与每个用户关联的唯一标识符。此标识符可以是一个存储 Google Analytics(分析)客户端 ID 的名为“_ga”的第一方 Cookie,或者您可以将 User-ID 功能与客户端 ID 结合使用,从而更准确地在用户用于访问您网站或应用的所有设备上识别用户。如需详细了解标识符,请参阅我们开发者文档中的 Cookie 和用户识别。

2017 年初,Google Analytics(分析)开始更新“用户数”和“活跃用户数”指标的计算方法,以期更高效地计算用户数,从而获得准确度较高且错误率较低(通常低于 2%)的结果。标准报告中提供这两种指标。您可能会注意到用户计数方式与之前的计算方法略有不同(在下文中介绍),但非抽样报告和 BigQuery Export 除外,它们将继续使用之前的计算方法。“新用户数”也仍旧使用之前的计算方法。

新的计算方法适用于 2016 年 9 月起的用户数据。如果报告的日期范围包含 四种基础技术指标简介 2016 年 9 月以前的数据,则会进行抽样。如果您需要包含 2016 年之前数据的非抽样报告,请按照下面的说明操作,停用新的计算方法。

自 2017 年 8 月起,新计算方法适用于自定义表格中的数据。

  1. 点击管理
  2. 在“数据视图”列中,使用菜单选择未经过滤的数据视图。 如果您不确定某个数据视图是否未经过滤,请在列表中选中该数据视图。然后,还是在“数据视图”列下方,点击过滤器。 您将看到应用于该数据视图的一系列过滤器(如果有)。
  3. 选择数据视图后,打开报告以返回到您的报告。

Google Analytics(分析)使用两种不同的方法来针对不同种类的报告请求计算“用户数”。 因此,在不同的报告中,您可能会注意到“用户数”不一致的情况。 本文中的内容也适用于活跃用户数指标。

为了快速在您的报告中显示数据,Google Analytics(分析)创建了一组预先汇总且每天更新的非抽样数据表格。(如需详细了解相关的流程信息,请参阅抽样原理。)预先汇总的数据表格可以轻松处理常见的报告请求,包括标准报告中日期范围的更改。例如,当您请求报告时,Google Analytics(分析)会查找预汇总数据表格中的每个指标,然后将这些指标提供给您的报告。如果您将日期范围从“8 月 1 日 - 8 四种基础技术指标简介 月 31 日”改为“8 月 1 日 - 9 四种基础技术指标简介 月 1 日”,Google Analytics(分析)将查找 9 月 1 日预汇总数据表格中的每个指标,然后将新数据加到现有总数中。

这种方法适用于大多数指标,“网页浏览量”或“屏幕浏览量”等许多指标只是简单地每天加总, 但“用户数”指标是依据更复杂的计算方法来计算的。 Google Analytics(分析)需要为您在报告中选择的每个日期范围重新计算“用户数”,而不是对预汇总表格中的已处理数据做简单的加减法运算。 例如,如果用户在 8 月 31 日和 9 月 1 日都访问了网站,那么 Google Analytics(分析)在这两天的时间范围内只会将该用户识别为一个用户。如果您将日期范围从“8 月 1 日 - 8 月 31 日”改为“8 月 1 日 - 9 月 1 日”,Google Analytics(分析)就无法简单地将差值加到您在报告中看到的“用户数”值,因为此数值是基于复杂的计算方法得出的,不是直接加总到预汇总数据表格的累加值。 每次您在报告中请求此指标时,系统都需要实时计算。

为了解决此难题,Google Analytics(分析)使用两种计算方法来计算“用户数” 。系统会根据您查看的报告来选择最佳计算方法。

计算方法 1:预先计算的数据

这种计算方法仅依赖于指定日期范围内的会话次数和每次会话的时间(取决于设备上的托管技术,例如网络浏览器,通常称为客户端时间)。这种计算的结果可以加到预先汇总的数据表格,因此 Google Analytics(分析)可以参考表格以快速检索并在报告中提供这些数据,包括在您更改日期范围时。 四种基础技术指标简介 这种计算的结果可以加到预先汇总的数据表格,因此 Google Analytics(分析)可以参考表格以快速检索并在报告中提供这些数据,包括在您更改日期范围时。

只有在应用时间范围(即日期、周序号或月份)维度时,才会在报告中使用计算方法 1。也就是说,您只能在未应用细分的“受众群体概览”报告中或者只应用了上述某个日期维度的自定义报告中看到此计算方法。 在您查看非日期维度的“用户数”时,Google Analytics(分析)会使用第二种表格(如下所述)来实时计算“用户数”。

要避免可能出现的不准确问题,您可以使用能在用户的各个会话中保持不变的非日期维度来创建自定义报告(例如,“浏览器”、“操作系统”或“移动设备”)。这就会强迫 Google Analytics(分析)改用第 2 种计算方法。

计算方法 2:实时计算的数据

计算方法 2 基于您分配、收集和存储持续性流量数据的方式。您可通过许多解决方案自定义这种数据的分配和存储方式,但最常见的还是利用通过网络浏览器管理的 Cookie。

计算方法 2 要求对庞大的数据集进行繁重的计算,因此总是会引用原始会话表格(非预汇总表格)中的数据。与计算方法 1 相比,计算方法 2 需要更多的时间来处理数据并将其发送到您的报告中,这是因为数据值都是实时计算的,Google Analytics(分析)无法直接查询并发送已预先处理且存储在预汇总表格中的数据。您每次请求这些数据时,系统都会进行一次计算。请注意,在满足特定条件的情况下,这种计算方法可能会进行抽样,但 Google Analytics 360 帐号用户可以访问非抽样报告。

四种基础技术指标简介

阶段A:阶段A标志着前期向下趋势的停止。 在此之前,供应一直占上风;供应减低的明显证据是初始支撑(PS) 和抛售高潮(SC)。这些事件在K线图上非常明显,表现为价差增大,成交天量;这种情况揭示大量的筹码从大众散户转移到了专业大机构手中。当沉重卖压得以释放之后,来自机构的需求和空头的补仓会自然地把价格推高,形成自动上涨(AR)。成功的二次测试(ST),通常伴有价差缩短和成交量减低,价格停止在抛售高潮(SC)的价位,或稍高的位置,表示这里的卖压比以前减轻了。如果二次测试(ST)跌到抛售高潮(SC)以下,接下来的盘整过程一般会出现新低,或者需要更长时间来进行。抛售高潮(SC)和二次测试(ST)的底部,自动上涨(AR)的顶部,界定了交易区间的边缘。如两个吸筹示意图中所见,画出水平线可以帮助分析市场的行为。

有时候下跌可能没有那么剧烈,在阶段A价差和成交量可能不会突然放大。一般来讲,更希望看到初始支撑(PS), 抛售高潮(SC), 自动上涨(AR)和二次测试(ST),因为这些不但提供了更加突出的图谱特征,更表明了有主力机构正在吸纳筹码。

阶段B:根据威科夫分析法,阶段B的功能是为新的上升趋势“积累原因”(见威科夫第三原理,因果原理),在阶段B,机构和职业大户在相对低位吸筹建仓,为未来的价格拉升做准备。吸筹建仓的时程可能很长(有时一年或多年),包括低位买入,而且为了阻止价格快速上涨,在相对高位卖出。在阶段B通常会有多个二次测试(ST)四种基础技术指标简介 ,而且在区间的上缘可以有多个类似上冲回落的行为。 总体来说,随着交易区间的演化,大机构是净买者,尽可能地吸收浮筹。机构的买卖行为影响了交易区间内价格上下运行的特点。在阶段B的早期,价格的波动幅度大,且有高成交量。随着职业交易机构对浮筹的吸收,成交量逐渐减低。当供应耗竭的时候,就是接近阶段C的时刻了。

阶段C:在阶段C,价格经历对剩余供应的决定性测试;代表聪明钱的操作者借助这次测试判定市场是否已经做好准备,即将拉升。弹簧是价格短暂跌破交易区间(由阶段A和B确立)的支撑线,然后迅速返回交易区间内的行为。 弹簧是一个空头陷阱的典范。在跌破支撑时,会让大众误以为这是下降趋势的继续。事实上,弹簧让空方和晚期卖出的交易员上当受骗而卖出,然后反转,并开启新的上升趋势。在威科夫分析法中,弹簧或震仓代表着对供应的成功测试,预示这是高成功率的做多机会。低成交量的弹簧、或震仓后的低量测试,揭示市场可能已经做好准备,即将进行拉升。所以这是开始建立多仓的好时机,至少应该建立部分多仓。

阶段D:如果我们在前面的分析正确,接下来发生的应该是持续的需求主控。价格特点是,在拉升过程中,阳线呈大价差,成交量增加;向下调整(最后支撑点)时价差缩短,成交量减少。 在阶段D, 价格至少要拉升到交易区间的上缘。几个最后支撑点(LPS)是做多建仓,或者加仓的良好点位。

阶段E:在阶段E,价格离开交易区间,需求占据绝对的主导,拉升的迹象一目了然。回撤,比如震仓或其他类型的调整,通常都历时短暂。在较高价位发生的新的交易区间,在阶段E随时可以形成。这些交易区间被称为再吸筹区间,期间部分机构或交易者获利回吐,同时大机构增加仓位。这些交易区间有时被称为通往更高价位的“四种基础技术指标简介 脚踏石”。

派发区间中的威科夫事件

PSY 初始供应: 经过价格大幅上升后,主力开始大量派发的位置。成交量扩大,价差加宽,预示趋势的改变即将到来。

BC 抢购高潮:通常在抢购高潮中会出现成交量和价差的显著增大。 当价格接近顶点时,购买力达到了最大;专业机构卖出,大众散户急切大量买进。抢购高潮通常在公司公布财务报告、或其他好消息时发生。大机构需要来自公众散户的极高需求来接手他们的筹码,并在卖出时不至于压低股价。

AR 自动下跌:抢购高潮之后,买盘急剧减少,沉重的卖压持续,自动下跌就出现了。这次下跌的最低点协助界定了派发区间的底部。

ST 二次测试:价格再次回到抢购高潮底部的价位,以测试这个区域的供需平衡。如果这个波段的供应超过需求,就代表区间的顶部被确认;成交量和价差会在价格接近抢购高潮界定的阻力价位时缩小。二次测试可能会以上冲回落的形式出现,即价格会“突破”到抢购高潮和其他二次测试所代表的阻力位以上,然后又快速返回交易区间之内。在上冲回落之后,价格通常会下行,去测试交易区间的底部。

SOW 弱势信号:这是下跌到交易区间下缘,或微微跌破下缘的行为。通常弱势信号的下跌会有价差和成交量的增大。自动下跌和弱势信号表示价格的特性改变的开始部分:现在供应占上风了。

LPSY 最后供应点:当弱势信号测试了支撑位后,可能还会有虚弱的拉升。这时的拉升特点可能是价差缩小,显示了拉升的艰难。拉升困难的原因可能有需求减低、供应巨大,或两者都有。最后供应点代表着需求耗竭;是大机构在价格快速下跌前的最后一波(或几波)的派发。

UTAD 派发后上冲回落:派发后上冲回落发生在派发区间,刚好与吸筹区间的弹簧或震仓的定义相反。它发生在交易区间的后部,是对“四种基础技术指标简介 四种基础技术指标简介 突破”阻力线以后出现的新的需求的测试。如同吸筹区间的弹簧和震仓,派发后上冲回落不是派发区间的必要组成部分。在派发区间示意图1中有派发后上冲回落,但在示意图2中则没有。

派发区间中的威科夫阶段

阶段A:上图显示,在派发区间,阶段A标志着上升趋势的停止。直至这一点之前,需求一直占上风;供应进入市场的明显证据是初始供应(PSY)和抢购高潮(BC)。接下来的事件经常是自动下跌(AR)和针对抢购高潮的二次测试(ST),且经常伴有成交量减低。另外一种情况是,没有高潮行为,但需求耗尽,成交量和价差缩小,上升趋势终结;在巨大供应出现之前,通常的表现是每次拉升的突破幅度减小。

阶段B:阶段B的功能是为下跌趋势的产生积累原因。在此期间,机构和职业大户意识到下跌趋势可能要出现了,就大幅减仓,并开始布置空单。在积累原因方面,派发区间的阶段B与吸筹区间的阶段B类似。本质的不同是,在派发区间演化的过程中,大机构是卖出,是清仓,也最大程度地消耗残余需求。这一过程的表现是供需平衡已被打破,重心倾向于供应而不是需求。在弱势信号(SOW)的下行波段中,会出现明显的阴线价差增宽和成交量的增大。

阶段C:在派发区间,阶段C可能会出现上冲回落(UT)或派发后上冲回落(UTAD)。上冲回落(UT)是吸筹区间中弹簧的反向动作。它是价格短暂“突破”交易区间的上缘,然后迅速折返并收盘在区间之内。这是对残余需求的测试。 它同时也是诱多的陷阱。它看似上升趋势延续的信号,但实际却是让没有辨别能力的、做突破的交易者犯错。在价格下跌之前,大机构利用上冲回落和派发后上冲回落,迷惑大众,使散户方向判断错误,并在高位将筹码卖给做突破的交易者或投资者。另外,派发后上冲回落(UTAD)也有扫掉散户空单的作用。大机构做出了这一动作,迫使做空的散户在高位止损。

阶段D:当阶段C显示需求只是最后一波以后,阶段D就到来了。在阶段D,价格将跌到支撑,甚至跌破交易区间的支撑线。当交易区间的支撑线被明显跌破,或在上冲回落或派发后上冲回落出现之后,价格跌破交易区间的中线,就说明供应明显占主导的证据大大增加了。阶段D通常会有几波虚弱的拉升;这些最后供应点都是开空仓,或加空仓的良好机会。任何在阶段D仍然做多的交易者,都是自找麻烦。

阶段E:阶段E展开了下降趋势。 价格跌破交易区间下缘,向下运行,供应占主导。一旦区间的支撑被跌破,出现整体弱势信号,通常会对这个跌破(冰线)进行测试,价格拉升到以前的支撑线附近,或试图接近支撑线。此时是卖空的高胜率时机,因为下跌期间的反弹拉升通常比较虚弱。交易者可以在下降趋势中做空,使用浮动止损,来跟踪整个下降的过程。 在大幅度的下跌后,可能会出现高潮行为,开启再派发区间、或吸筹区间。

Amazon CloudWatch

Amazon CloudWatch 是一种专门为 DevOps 工程师、开发人员、站点可靠性工程师 (SRE)、IT 经理和产品拥有者设计的监控和可观测性服务。CloudWatch 为您提供相关数据和切实洞察,以监控应用程序、响应系统范围的性能变化并优化资源利用率。CloudWatch 以日志、指标和事件的形式收集监控和运营数据。您可以统一查看运行状况,获得在 AWS 和本地运行的 AWS 资源、应用程序和服务的完全可见性。您可以使用 CloudWatch 来检测环境中的异常行为、设置告警、并排显示日志和指标、执行自动化操作、排查问题,以及发现可确保应用程序正常运行的洞察。

免费提供 10 个自定义指标和告警

使用单一平台实现可观测性

现代应用程序(如在微服务架构上运行的应用程序)会以指标、日志和事件的形式生成大量数据。Amazon CloudWatch 允许您在一个平台上,从在 AWS 和本地运行的所有 AWS资源、应用程序和服务收集、访问和关联这些数据,帮助您打破数据孤岛,获得整个系统的可见性并快速解决问题。

收集 AWS 和本地的指标

使用 CloudWatch 可以轻松监控 AWS 资源和应用程序。该服务与 Amazon EC2、Amazon DynamoDB、Amazon S3、Amazon ECS、Amazon EKS 和 AWS Lambda 四种基础技术指标简介 等 70 多种 AWS 服务原生集成。该服务还自动发布详细指标(频率为 1 分钟)和自定义指标(时间间隔为 1 秒),以便您可以深入研究日志,获得其他相关信息。您还可以使用 CloudWatch 四种基础技术指标简介 代理或 API 监控本地资源,以在混合环境中使用 CloudWatch。

改善运营性能和资源优化

根据预定义的阈值或可识别指标中异常行为的机器学习 (ML) 算法设置告警和自动执行操作。例如,您可以自动开启 Amazon EC2 Auto Scaling,或者停止实例以减少超额计费。CloudWatch Events 还适用于无服务器,可使用 AWS Lambda、Amazon SNS 和 AWS CloudFormation 等服务触发工作流。

获取运营可见性和见解

要优化性能和资源利用率,您需要统一的运营视图、实时的精细数据和历史参考内容。CloudWatch 可提供自动化控制面板、时间间隔为 1 秒的数据,并将指标存储和保留长达 15 个月。您还可以对数据执行指标数学运算,以获得运营和利用率洞察;例如,您可以汇总整个 EC2 实例队列的使用数据。

从日志中获取可作为操作依据的洞察

了解、分析和直观显示日志,从而轻松排查运营问题。使用 CloudWatch Logs Insights,仅需为运行的查询付费。它可以根据您的日志数量和查询复杂度进行扩展,从而在几秒钟内提供答案。此外,您还可以发布基于日志的指标、创建告警,在 CloudWatch 控制面板中将日志和指标关联起来,从而获得完全的运营可见性。

金融科技概念鱼龙混杂,七大指标或可厘清界线丨中国金融科技发展论坛前瞻

而在定量角度,可以参考以下指标,一是具有新型技术优势,包括大数据、人工智能、分布式技术、互联技术等。尤其在新技术层面有专利,有基础技术的研发能力。二是技术人员在总雇员中占比较高,起码达到一半。三是在新技术应用场景方面有突破。四是线上业务占绝对比重,全业务链条中应用新技术程度较高。五是收入结构由产品销售型模式逐渐转为提供技术服务、平台服务型外包业务。六是在内部管理、控制、组织架构等方面,自动化与科技化程度较高。七是企业文化,体现出创新性、敏捷性,而又能保障效率、安全、合规的平衡。