>股票书籍 >金融王国的自由之路>正文内容 商业基本面分析

商业基本面分析

专题:

 

7.3.5 综合数据

如果市场含有一定数量的其他项目,那么只要弄明白它们的走向就可以得到一些有价值的信息。例如,在股票市场中,了解市场作为一个整体的行为与了解市场各个部分的行为相比就大不相同而且很有价值。多少股票是在上涨?上涨股票的成交量与下跌股票的成交量相比如何?

如果你交易的是市场指数,则可以看一下各个股票的行为。一般说来,想交易类似于标准普尔这样的市场指数,若只看指数价格而不关心其他方面,那么,与那些考虑综合数据的专家们相比,这些人就处在了一个非常不利的位置。

与每个市场更新一起给出的综合指标的一个例子就是那些记号,它们是纽约股票交易所所有股票的上涨记号和下跌记号之间的差别。下面介绍如何把这些记号作为一种设置来使用。一个末端记号的读数一般都能预测市场的突破点,至少在短期内是可以这样做的。因此记号的末端就是一个测试设置的例子。你只要在这些末端来临时成交发生的这些回调信号就可以了。

7.3.6 波动性

指大盘的活跃程度,通常都以价格的幅度来定义。它一般都是非常有用的信息,与单独的价格很不相同。

几年前我组织了一次有关计算机交易的研讨会,目的是:(1)开始熟悉几种交易软件;(2)以历史测试为基础,开发一些每年回报率为100%或更多的系统,且无需优化。我原来以为大多数人都会通过将好的离市,与一种能使系统发挥到极限的货币管理方法结合起来来开发一个高期望收益的交易系统的途径来实现这个目标。大多数人也确实是这么做的,但有一个人却不是。这个人发现,市场小幅度波动的观测度是对那些造成波动的原动力的潜在预报。若你把一个小幅度波动的设置与适时的离市结合起来,就会得到一次高风险回报率交易的好机会。

出现以下两种情形时都可能是小幅波动的设置:

(1)大盘经任何次指标测度都是在一个走势中,这些指标包括在移动平均值之上或之下、是否有较高的ADX值等。

(2)对比最近5天的幅度和最近5O天的幅度显示大盘移进了一个狭小的范围。这个比例必须是在一些预先确定的值之下,比如最近5天的幅度小于等于最近50天幅度的60%等。

接下来就要用到下一章介绍的人市信号了。这种类型的险期望收益增加10%~15%。

第二个小幅波动设置会有点类似于以下的情形:

(1)市场有一个内部日,即它的价格幅度处于前一天的最高价和最低价之间。

(2)市场在前X天中产生了最小的幅度。

如果你有这么一个内部日,那么不管是哪个方向的突破一般都是一个好的短期交易模式。

7.3.7 商业基本面分析

沃伦.巴菲特使用的大多数设置,以及威廉.欧奈尔使用的一些设置,都是商业基本面分析,我们会在下一节讨论它们。这可能要包括下面一些基本面分析:盈利是多少?收益是多少?销售了多少?利润率是多少?股民的收入如何?有多少股是已公开发行并售出的?每股的账面价值和盈利是多少?交易又是如何增长的?所有这种类型的信息与价格数据都是大不相同的。

7.3.8 管理信息

谁在运作你的潜在投资?该人的跟踪记录如何?沃伦.巴菲特对管理有几个原则。无论你是买了股票还是共同基金,投资背后该人的跟踪记录对该投资的成功与否很关键。

可能存在着其他类型的有用数据,例如,如果你能找到一些可靠的并且其他人还没有访问过的数据.那么就可能为你的交易创建一些非常有价值的设置。

现在你已经知道了有用的设置来自于数据而不是价格数据,你就有了创建自己的设置的基础。这可能就是你的圣杯系统的关键之一。

不要被设置的重要性缚住手脚。它们能够帮你提高盈利交易的可靠性,但是,你仍然可能拥有一个高度可靠的系统却会带来负的期望收益,因为你可能会有几笔非常大的亏损交易。在系统止损和离市上花多少时间,就得在设置和入市上花至少同样的时间。而花在系统的货币管理部分的时间应比花在系统的其他所有部分加在一起的时间还要多。这么做才有机会找到你的圣杯。

7.4 一些著名系统使用的设置

7.4.1 股票市场设置

对于股票市场设置的讨论,并不是想给出股票市场中设置的详尽集合,相反,我认为研究一下可在市场中赚钱的三种不同方法会更有用。每种方法各自都很不相同,通过对比它们使用的设置,可以更好地理解它们从而设计出自己的设置。如果有哪个系统让你感兴趣,我建议你好好研究一下它的原始资料来源。我的所有评论仅仅反映我对各种模型的个人观点。

1、威廉.欧奈尔的CANSLIM模型

威廉.欧奈尔和戴维.瑞安提出的CANSLIM模型是一个很成功且被广泛使用的交易模型。奥尼尔在他的《怎样进行股票投资》这本书中介绍了这个模型,这个模型也通过他的报纸《投资者商报》和他的图表服务《每日图形》进行推广。很多人参加了奥尼尔和瑞安在美国各地举办的专题研讨会。我这里的目的不是要介绍他们的模型或对它进行评价,相反,我要推荐你看一下奥尼尔自己的原始资料,他写得很不错。我这里的目的是要利用这个CANSLIM模型来解释一个普通跟踪模型所包含的设置。