一、股票价格真的能预测吗？
谢邀。提供一个我的视角。其中不可避免有很多英文的素材，我尽量不使用公式，用图表阐明观点。相关文献太多，我只选择一个切入点。
首先说，预测股价，跟预测股票的收益率是等价的，因为今天的价格是已知的。理解了这一点以后我想说，目前学术界的主流观点是：
收益率是可以预测的。这跟有效市场假说不矛盾。同时大家都知道这种预测对于投资来说没有多大卵用。
怎么预测收益率？是不是应该先定义什么叫预测？事实上，任何跟收益率相关系数不为零的变量都可以预测收益率。有效市场假说成立等价于股价已经完全反映了所有已知信息，那么任何会影响价格的信息都可以预测股票的收益率。
来我给你上点证据。
上表中使用股息率（Dividend/Price ratio）来对股价收益率进行预测。其中第一行，使用当年的股息率预测接下来一年的收益率，第二行使用当年的股息率预测接下来五年的累计收益率。注意这么两点
- （绿框）随着预测周期的增加而显著上升，股息率对于预测长期收益率有用。
- 预期收益率的波动率（红框）同样随着预测周期的增加而增加。
先说第一点，用一张图来阐明这个观点更直观。看下图，其中蓝线为CRSP股票市值加权指数的股息率，而红线为同一指数的接下来7年的累计收益。看出来两条曲线的相关度有多高了吗？
你可能会说：“我看上去相关系数不是很高啊。”学术界里面具有这种预测功能的变量，我还可以找出一堆，再看下面这张图。其中绿线仍然是股息率，它虽然跟实际收益率（红线）的相关系数高但是未免太过平滑，不算一个好的变量。现在在股息率的基础上再加上宏观上的消费/财富比率（consumpiton wealth ratio）得到蓝线。看出来蓝线跟红线的相关系数更高了吧？不仅如此，蓝线还常常比红线先变化，这算是一个好的预测变量了吧？
到目前为止，我只做了一些任何接受过基础统计训练的人都可以做的事情，我还没有上任何高级的模型，但这已经足够为收益预测的可能性进行佐证了。
好了，在你感叹收益率/股价可以预测的同时，让我们回到第二点，预期收益率的波动率也随着预测周期的增大而增大。 换言之，你如果预测错误需要付出的代价也上升了。如果你预测明天的股价收益率，在我大A股你最多吃一个跌停板，但是如果你预测下周的收益率，你预测错了，你可以吃好几个跌停板，就这么简单。
如果你觉得我举得这个例子太极端，那么我邀请你跟我思考下面这样一个问题。
从1926年1月开始，如果你把1美元一直利滚利投资到美国的国债券里，那么到了2009年12月你将会把1美元变成20美元。同期内，如果你把你的股票一直投资到 S&P 500指数里的话，那么到期你将会获得3126美元。一个合理的预测是，长期内股票的累计收益率将远远高于国债或是存款，那么为什么大家不都把钱都投资到股票里去呢？
如果这能够引发你的思考的话，那么再看下面这张时间序列图。其中绿线为CRSP股票指数的年收益率，蓝线是美国国债券的收益率。股票的长期收益率虽然远高于国债，但是波动也同时远远高于国债，而且你可能一连好几年都是负收益，这些损失需要很多年才能挽回。
这让我足以抛出我的两个核心观点
- 收益率/股价预测本身并不构成一个完整的投资/交易决策
- 不能把收益率当作衡量投资/交易质量的唯一标准
1. 收益率/股价预测本身并不构成一个完整的投资/交易决策
光有对收益的预测本身是不够的，至少还需要对风险的评估和相应的风控手段。这点我曾经在我的专栏中咕哝过两句知乎专栏 。就拿股票和国债的例子来讲吧，虽然你知道长期来看股票的收益率是高于债券的，但是你不知道你入场的时机是对是错，你也不知道这个长期到底是多少年。2008年那波站在山岗上的人现在还没解套呢。同样，你也可以说：“我大A股虽然2016年熊了一年，但是相比2013年底还是涨了50个百分点的。” 再好的预测也一定有失灵的时候，如果你不能承受错误的代价，那么你就不能执行这个策略。
2. 不能把收益率当作衡量投资/交易质量的唯一标准
获得一万块钱的喜悦可能抵消不了丢掉一万块钱的痛苦吧？人类对风险是有厌恶的，对预期是有折现的，对现金/流动性是有需求的。套在高点上的人，为什么很多不愿意站岗，宁愿割肉？衡量投资/交易的质量，需要同时考虑你能不能承受相对应的风险，不要只考虑如果你做对了能赚多少钱，也许你过了十年你证明了你当初的一场豪赌是正确的，但是这十年间你可能一直套牢没钱花，这最后的正确相比你十年的等待到底值得不值得？我想每个人的答案是不一样的吧？那么请不要把收益率当作唯一的衡量标准，这就足以避免很多豪赌行为。
我想Andrew Ang的书开头第一句话可以概括我的观点。
The two most important words in investing are bad times .
投资中最重要的是想想身后身，而不是只看眼前路。如果你能够体会，那么关于股价到底能否预测这个问题，答案其实并不重要。
相关文献
- Ang, Andrew. Asset management: A systematic approach to factor investing. Oxford University Press, 2014.
- Cochrane, J.H., 2011. Presidential address: Discount rates. The Journal of Finance, 66(4), pp.1047-1108.
- Fama, E.F. and French, K.R., 1988. Dividend yields and expected stock returns. Journal of financial economics, 22(1), pp.3-25.
- Lettau, M. and Ludvigson, S., 2001. Consumption, aggregate wealth, and expected stock returns. the Journal of Finance, 56(3), pp.815-849.
- Shiller, R.J., 1980. Do stock prices move too much to be justified by subsequent changes in dividends?.
更多内容请浏览我的专栏 -- Terrier Finance
二、技术分析与预测原理？
您好，技术分析是一种基于市场数据和价格走势的分析方法，旨在预测未来价格趋势。其核心原理是市场价格会反映所有相关的基本面因素，如经济、政治和社会因素。技术分析家相信市场价格会反映这些因素的影响，并且这些影响可以通过图表和指标来分析和预测。
技术分析家使用各种图表和指标来分析价格走势，包括趋势线、移动平均线、相对强弱指数和随机指标等。他们会观察价格走势的历史数据，并尝试找出一些可重复的模式和趋势，以此来预测未来的价格趋势。然而，技术分析家也承认，市场价格的走势受到众多因素的影响，因此他们的预测也存在一定的风险和不确定性。
总之，技术分析是一种基于市场价格走势的分析方法，其核心原理是市场价格反映所有相关的基本面因素。技术分析家使用各种图表和指标来预测未来价格走势，但其预测也存在一定的风险和不确定性。
三、数据预测方法与技术？
你好，数据预测方法与技术包括以下几种：
1. 回归分析：通过建立一个数学模型，将自变量和因变量之间的关系用一条线或曲线表示出来，从而对未来的数据进行预测。
2. 时间序列分析：对于以时间为顺序的数据序列，通过对序列进行分析，建立预测模型，从而预测未来的趋势和变化。
3. 机器学习：通过对历史数据的学习和分析，建立一个预测模型，从而预测未来的数据。
4. 人工神经网络：模拟人脑神经细胞之间的相互作用，通过对历史数据的学习和分析，建立一个预测模型，从而预测未来的数据。
5. 决策树分析：将问题转化为树形结构，通过对历史数据的学习和分析，建立一个决策树模型，从而预测未来的数据。
6. 模糊逻辑分析：通过对数据进行模糊化处理，建立一个模糊逻辑模型，从而预测未来的数据。
7. 贝叶斯分析：通过对历史数据的学习和分析，建立一个贝叶斯模型，从而预测未来的数据。
四、大数据预测需要什么技术？
1、数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
2、数据存取：关系数据库、SQL等。
3、基础架构：云存储、分布式文件存储等。
4、数据处理：自然语言处理是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机"理解"自然语言，所以自然语言处理又叫做自然语言理解，也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
5、统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）等等。
6、数据挖掘：分类 、估计、预测、相关性分组或关联规则、聚类、描述和可视化、复杂数据类型挖掘图形图像，视频，音频等)
7、模型预测：预测模型、机器学习、建模仿真。
8、结果呈现：云计算、标签云、关系图等。
五、有没有人用过付费版的和讯股票价格预测，准不准？
在大盘明显上涨的情况下，大智慧、和讯、新里程等预测的信息还是有很高的准确性。
你可以结合自己的理解，先观察这些软件预测的准确度，然后再做决定。如果有哪位正在使用付费版的，看到这条信息，不妨说一下你的看法。顺便推荐一支下一个交易日的会暴涨股票，用事实证明预测是否准确。其实理性的想，这些预测很难准确，要不然，那些经济学家、炒股专家云集的基金公司，怎么会也有相当一部分盈利很不理想甚至亏损的。还有这些所谓预测股票涨跌的机构，也没必要来靠出售信息来赚钱，直接投身股市岂不来钱更快。只是自己心中的贪念和企图一劳永逸的侥幸心理，总是让我们对明知不靠谱的事情心存幻想。六、人类预测地震技术的进展和计划如何？
近年来，人类预测地震技术的研究和发展取得了一些进展，但目前仍然没有一种有效且可靠的方法可以实现准确预测地震。当前主要采用的是基于观测和分析的预警和预测系统。
一方面，科学家通过收集和分析大量的地震数据和相关物理现象，如地表变形、地下水位、电磁场等来研究地震发生的原因和机理，以期从中发现某些规律和特征，并制定出机器和计算方法来预测地震发生的时间、地点和强度。
另一方面，人们也在研究地震前兆和警告信号，例如动物异常行为、天气变化、水源波动等现象。并开发各种先进技术，如卫星遥感、地下探测、声波探测等手段来监测地震前兆和活动，以便提前预警并采取相应的安全应对措施。
七、csgo预测比赛怎么预测？
不能准确预测 因为CSGO比赛结果由多种因素决定，如选手状态、选手之间的默契程度、地图选择、比赛经验等。这些因素都是难以预测和评估的，因此只能够根据历史比赛数据和分析选手状况来进行预测。 但是需要注意的是，这些预测结果并不是百分之百准确的，因为比赛是变幻无常的，很难完全预测到所有情况。所以在进行预测时需要考虑到随时可能发生变化的情况，保持谨慎和客观的态度。
八、分类预测包括哪些预测？
分类和预测
分类和数值预测是预测问题的两种主要类型。分类是预测分类（离散、无序的）标号，而预测则是建立连续值函数模型。
一、分类问题的步骤：
1、使用训练集建立描述预先定义的数据类或概念集的分类器。
第一步也称之为“学习步”或者“训练模型阶段”，使用特定的分类算法通过分析从训练集中学习来构造相应的分类器或者分类模型。这一步也可以看做是，通过训练样本学习一个映射或者函数，它可以用来预测给定元组X的类标号y。
训练集是由数据元组和与之相关联的类标号组成，数据元组X由n维属性向量组成，表示该元组在第i个属性上的取值。
由于训练集中每个元组都有其对应的类标号，因此分类模型的训练过程也称为监督学习（Supervised Learning），即分类器的学习是在被告知每个训练元组的属于哪个类的监督下进行。
与之对应的是聚类，也称为无监督学习（Unsupervised Learning），在学习的过程中，每个训练元组的类标号是未知的，并且通过学习所形成的类的个数或集合也可能实现不知道。
2、使用第一步建立的分类模型对新的数据进行分类。
建立起相应的分类模型后就可以应用该模型对新数据进行分类。对于一个特定的模型衡量其性能的主要指标是：准确率（Accuracy）
（1）、分类器的准确率度量
准确率Acc(M)，在模式识别文献中也称为分类器的总体识别率（Recognition Rate），是分类器M正确分类的的元组所占的百分比，它反映分类器对各类元组的识别情况。
混淆矩阵（Confusion Matrix）是分析分类器识别不同类元组的一种有效工具。给定m个类，则混淆矩阵是一个m*m的二维表，表示类i用被分类器标记为类别j的元组数量。理想地，对于具有高准确率的分类器，大部分的元组都集中在混淆矩阵的对角线上。
给定两类，可以使用术语正元组（感兴趣的主类元组）和负元组。真正（True Positives）表示分类器正确分类的正元组，真负（True Negatives）是分类器正确标分类的负元组。假正（False Positives）是分类错误的负元组，即实际为负元组预测分类为正元组。假负（False Negatives）是错误标记的正元组，即实际为正元组被分类器分类为负元组。
九、管理预测回归分析预测方法？
回归分析研究一个随机变量Y对另一个(X)或一组(X1，X2，…，Xk)变量的相依关系的统计分析方法。应注意的问题：应用回归预测法时应首先确定变量之间是否存在相关关系。如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。正确应用回归分析预测时应注意：①用定性分析判断现象之间的依存关系； ②避免回归预测的任意外推； ③应用合适的数据资料；拟合所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1,λ2,…,λn)，使得该函数与已知点集的差别(最小二乘意义)最小。如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数，这种情况下叫作样条拟合。 一组观测结果的数字统计与相应数值组的吻合。形象的说,拟合就是把平面上一系列的点,用一条光滑的曲线连接起来.因为这条曲线有无数种可能,从而有各种拟合方法.拟合的曲线一般可以用函数表示.根据这个函数的不同有不同的拟合名字。 在MATLAB中可以用polyfit来拟合多项式。
十、预测2022年后新能源汽车的新技术?
结论先行：当下热门的技术必然是智能汽车的自动驾驶，将驾驶员从人-车-路的交互中进行释放，且代替驾驶员的部分操作功能，在它的带动之下，2022年后的新技术必然是与能源政策下相契合，固态电池就是一项未来走向汽车应用的新技术，毕竟它的优势：高能量密度、高功率密度、结构紧凑、固态电解质高低温稳定性、抑制锂枝晶的生长以避免短路。在未来技术发展下，固态电池的一致性也会逐渐被突破。
当下热门的技术必然是智能汽车的自动驾驶，它在很大程度上是把驾驶员从人-车-路的交互中进行释放，行车过程中智驾系统会代替驾驶员的部分操作功能，由于它更广的感知范围和不知疲倦的优势，最终可以在一定程度上降低交通事故的发生和提升道路通行效率，深入的将道路安全性进行提高，改善乘员的出行体验。那么智能汽车成为可集感知、通信、计算机、控制等技术的综合智能体，它为车载芯片、控制策略、新型传感器、深度学习算法等新兴技术提供应用验证平台，那么对于智能汽车的研究可以带动多行业和多领域的发展。在热门自动驾驶的产业带动趋势之下，预测一下2022年后的新技术，那必然是贴合国家政策下的能源问题，固态电池就是一项未来走向汽车应用的新技术。
关于全固态电池，它是电池内部只有固态电解质，但是没有液态溶剂、液态电解质、液态添加剂的二次电池。按照固态电解质类型差异，通常能分为：氧化物全固态电池、硫化物全固态电池、聚合物全固态电池。
按照电池内部的电解液的含量差异，通常又会区分为：液态电池、混合固液电池、全固态电池。如果混合固液电池内部固态电解质的比例大于液态电解质，通常是固态电池。当下电池发展的趋势之下，液态电池内部的电解液含量逐步减少，从液态电池到混合固液电池，进一步再到全固态电池的流程。
按照电解质类型和含量的差异，当下的液态电池划分为：水系电解液电池、非水系电解液电池、凝胶电解液电池；它们在中短期内将慢慢发展到混合固液电池，它能够分为复合电解质电池、准固态电解质电池；从长远发展趋势下的全固态电池，划分为：固态聚合物电池、无机固态电池、复合固态电池。
那么再深入一下固态锂电池， 液体电解质的优势为高离子电导率、成本低、与电极材料界面有出色的浸润性与相容性，这就促使锂离子电池达到商用化的效果，大量应用在各领域。然而它本身含有大量易爆、易燃、易分解的有机溶剂，易导致有机电解液渗漏和环境的污染；在电池短路下会引发热失控，电解液加速分解下，释放可燃性气体，引发自燃甚至爆炸，安全隐患严重。与液体电解质对比下存在有机溶剂渗漏，不容易燃烧、无液体泄漏挥发、优秀的力学性能、热稳定性的优点的固态锂电池有出色的安全可靠性和商业实用价值。固态锂电池负极运用锂金属或者锂合金做电极材料具有可行性，其储锂的容量大，正极材料能够选择不含锂的材料，比如硫这样的材料，对固态锂电池能量密度进行提高。
未来锂离子电池奔着固态锂电池方向进行发展，固态锂电池的优势如下：
其一，固态电池的规模可调、它的设计弹性大、它的结构紧凑。
其二，固态电解质有高低温稳定性，确保固态电池能在更宽泛的温度范围进行工作；
其三， 固态电解质拥有更宽的电化学窗口，深入拓宽电池的工作电压，固态电池将突破更高的能量密度；
其四，固态电解质无挥发、很难燃烧、无法腐蚀，安全且可靠；
其五，固态电解质有效抑制锂枝晶的生长，会以免短路的问题，达到锂金属的应用；
其六，固态电解质离子迁移数高，浓差极化比较小，固态电池在大电流条件工作，可以提高电池的功率密度；
那么再来深入一下锂离子电池工作原理，液态和固态的原理是一致的。
在1980 年的时候，第一次谈到“摇椅式”的锂离子电池结构，其实就是锂离子电池正负极为可脱嵌锂材料；在充放电的过程中，Li+在正负电极材料结构内嵌入或者脱出的现象，在外电路构建成电流的回路。在充电的过程，Li+在正极活性材料结构中进行脱出，通过电解液溶剂化作用转移并且嵌入至负极材料结构，同时，电子由外电路补偿电荷到负极，在充电的过程是电能向化学能的转化。而放电过程，Li+在负极活性材料结构中进行脱出，在通过电解液溶剂化作用转移且嵌入到正极材料结构中，电子通过外电路补偿电荷到正极，放电过程是化学能向电能进行转化。锂离子电池通过Li+的嵌入和脱出，达到电能与化学能的互相转化，这个是可逆的电化学反应。以层状LiCoO2 正极和石墨负极作为例子，锂离子电池电化学反应方程式如下：
固态锂电池不同于锂液态，它需要机械的稳定性
固态锂电池中的机械稳定性涵盖固体电解质的机械稳定性和电极和电解质界面的机械稳定性。固态电池的关于优势是有希望能凭借它的高强度抑制锂枝晶的生长，最终能匹配金属锂负极，那电解质材料的强度对实现这一设想十分重要。电极和电解质界面机械稳定性意思是在复合电极中，伴随着充放电过程，在复合电极内部能否持续保持良好的电子与离子传输通道的稳定性。
那谈完机械稳定性后，再来深入化学稳定性
固体电解质的化学稳定性是固体电解质在空气中存储、制备、使用过程中的化学稳定性现象。空气中涵盖水蒸气和二氧化碳，此组分易与化学组分反应出现变质，比如硫化物固体电解质在空气中存储后会导致离子电导率降低的问题。这让空气不稳定的材料在存储与使用过程中需在手套箱中进行，增高成本，且影响它的产业化进程。那么研究固体电解质的空气稳定性和提出有效的改性策略对于固态电池的实际应用有关键影响。除了固体电解质自身的化学稳定性外，在电极和电解质界面上有可能发生反应，而且产生界面层，对电池的动力学性能产生一定的影响，这就是界面化学稳定性。
尽管固态电池有这么多优势，但是依然存在一些问题
虽然在前景方面，固态电池在安全性和能量密度比较突出，然而当下固态电池还处在研发阶段，它是在2022年后的新技术，能帮助新能源汽车解决关键的续航里程问题，但是从技术角度仍然存在一些挑战。一方面，它对于碱金属负极，通常被忽略是金属锂的熔点只有 180.54 ℃，金属钠的熔点只有97.72 ℃，碱金属熔化时会引发电池内短路。就算固体电解质的热分解温度一般高达200 ℃甚至大于1000 ℃（如氧化物陶瓷），若将纯碱金属作为负极，那么固态电池的热稳定性不高。除此以外，碱金属的活性高，特别是金属钠，它几乎可以与所有的固体电解质进行化学反应，在电场存在的前提下，它会引发固体电解质的电化学分解。除此以外，固体电解质没有流动性，碱金属负极在电化学循环过程中体积变化达到 100%，引发负极和电解质接触失效。但是碱金属的枝晶问题在固态电池中需要进一步解决，有待2022年后的技术突破
综上所述，2022年后在新能源上其中一个关键新技术就是固态电池，为新能源汽车的续航里程和安全保驾护航，在未来技术发展下，电池的一致性也会逐渐被突破，拭目以待。