期权

订阅

今日更新 999+

主题:279050 排名:2关注 / 发布

期权论坛 - 国内最专业的期权社区»论坛 › 期权论坛› 期权

2022年11月07日交易系统数据

 2022-11-14   期权匿名问答  5756  0

[*] 未打码的票是当天交易完成 [*] 有打码的票是还在交易ing 杰瑞爆发V1 杰瑞爆发V2 杰瑞蓄势V ...

☆ 展开评论(0条)★ 收起评论

期货市场里那些敢于重仓进场的人是怎么做到的？

 2022-11-14   期权匿名问答  4603  0

这样的人一般都有自己的交易系统，就成几率用的是均线系统突破模式，也就是类似海龟法则那样的操作系统。 ...

☆ 展开评论(0条)★ 收起评论

网格交易：网格参数与收益率和最大回撤

 2022-11-14   期权匿名问答  8393  0

网格交易的原理文章很多，在这里就不做太多论述，有兴趣的可以自行搜索。本文主要讨论等资金等比例网格模型 ...

☆ 展开评论(0条)★ 收起评论

ETF支持T+0的交易品种有哪些？

 2022-11-14   期权匿名问答  6402  0

一、什么是ETF基金 ETF是交易型开放式指数基金，通常又被称为交易所交易基金（Exchange Traded Funds，简称 ...

☆ 展开评论(0条)★ 收起评论

盘点中国期货市场的十大风云人物，每一个都身价过 …

 2022-11-14   期权匿名问答  6899  0

期货市场有涨有跌，价格围绕价值上下波动，价格波动推动市场前行。在价格波动过程中肯定要受到诸多因素的影 ...

☆ 展开评论(0条)★ 收起评论

中证1000股指期货和沪深300、中证500在历史表现和波动率 ...

 2022-11-14   期权匿名问答  5544  0

大家好，我是一位期货从业者，借用知乎的平台，在这里详细讲解一下即将开展的中证1000股指期货和期权，分享 ...

☆ 展开评论(0条)★ 收起评论

在不确定的市场里存在确定性机会吗？

 2022-11-14   期权匿名问答  7131  0

经常读到“在不确定性市场里寻找确定性机会”这类的文章，主要指向如何在变幻莫测的资本市场找到确定 ...

☆ 展开评论(0条)★ 收起评论

北京购房攻略第一篇基础知识（从小白到专家）

 2022-11-14   期权匿名问答  9661  20

万字长文吐血推荐点赞收藏一直想写一篇完整的北京购房科普文，提高大家购房效率，避免踩到各种坑，今天花 ...

2022-11-14

期权匿名回答

看你写的是链家的，真懂假懂啊？回复
2022-11-14

期权匿名回答

你不是主贷人，你征信里名下无住房贷款记录，你离婚满一年，就可以按首套回复
2022-11-14

期权匿名回答

你太棒了回复
2022-11-14

期权匿名回答

算首套回复
2022-11-14

期权匿名回答

请问，父母离婚协议里约定老家某处房产归子女（已成年），房产已办理过户在子女名下（该房产无贷款）。之后子女来北京工作拿到北京户口。想在北京买房的话，算首套房吗？回复
2022-11-14

期权匿名回答

一般来说是需要重新打网签的，毕竟缴税提交的材料里显示已婚和网签里的单身不一致。但是这个也有例外的情况，之前有个单子，客户在外地领的结婚证，户口本没有变更婚姻状态，北京地税没查到记录，最后就按首套缴税了。回复
2022-11-14

期权匿名回答

网签的时候首套，然后结婚，对方已有房，家庭两套房。结婚后缴纳契税，那网签的首套房，交契税按1%还是3%。回复
2022-11-14

期权匿名回答

总有一段路，你会一边哭着一边走完回复
2022-11-14

期权匿名回答

私信回复
2022-11-14

期权匿名回答

最近打算买房，方便留个联系方式吗？回复

参与评论全部评论

☆ 展开评论(20条)★ 收起评论

BARRA USE4模型中，对因子波动率的Newey-West调整是 ...

 2022-11-14   期权匿名问答  7541  2

在BARRA USE4模型中，将Factor Covariance Matrix的估计分为了因子相关系数矩阵和因子波动率两部分分别计算 ...

2022-11-14

期权匿名回答

我自己又想了下，感觉有可能是先在方差上进行Newey-West调整以后，再开根号从而得到波动率的Newey-West调整回复
2022-11-14

期权匿名回答

上一篇说到，给定一个由n只股票构成的投资组合，用 https://www.zhihu.com/equation?tex=W+%3D+%28w_1%2Cw_2%2C...w_n%29%5E%7B%27%7D 表示股票在组合里的权重，那么组合在K个因子上的暴露为 W‘X，其中X是一个n*K维的因子暴露矩阵，里面每一行表示个股在K个因子上的暴露。对组合的风险估计为https://www.zhihu.com/equation?tex=W%27%28XFX%27%2B%5Ctriangle%29W ，其中F表示对因子收益率的风险(方差-协方差矩阵)估计， https://www.zhihu.com/equation?tex=%5Ctriangle 表示对股票特质收益率的风险(方差)估计。本篇着重于阐述Barra在对F和 https://www.zhihu.com/equation?tex=%5Ctriangle 上是如何估计的以及实证结果是怎么样的。数据还是和上一篇一样：用的从聚宽上下载的从09/01-22/03的风格因子数据以及行业数据，每天在横截面上做带约束的WLS回归得到因子收益率和特质收益率序列。一. 估计F ewma+newey_west调整 ewma调整没啥好说的，就是让近期的数据权重更大，权重的构造方式我在上一篇写了。重点说一下nw调整的步骤： 1. 首先对每个因子的收益率序列做demean处理，demean时减去的均值是ewma后的均值。计算ewma调整后的协方差矩阵 https://www.zhihu.com/equation?tex=F_0 : https://www.zhihu.com/equation?tex=F_0+%3D++%5Cbegin%7Bpmatrix%7D+%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7B1t%7D%5E2%26%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7B1t%7D%2Af_%7B2t%7D+%26...%26+%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7B1t%7D%2Af_%7BKt%7D+++++++++++++++++++%5C%5C+%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7B2t%7D%2Af_%7B1t%7D%26%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7B2t%7D%5E2%26...%26+%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7B2t%7D%2Af_%7BKt%7D%5C%5C+...%26...%26...%26...%5C%5C+%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7BKt%7D%2Af_%7B1t%7D%26%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7BKt%7D%2Af_%7B2t%7D+%26...%26+%5Csum%5Climits_%7Bt%3D0%7D%5ETw_tf_%7BKt%7D%5E2+%5Cend%7Bpmatrix%7D ，其中 https://www.zhihu.com/equation?tex=w_t 表示t时刻的ewma权重， https://www.zhihu.com/equation?tex=f_%7Bkt%7D 表示因子k在t时刻的收益率。 2. 如果因子收益率满足q阶自相关(MA(q))的话，则 https://www.zhihu.com/equation?tex=F_%7Bnw%7D+%3D+F_0+%2B+%5Csum%5Climits_%7Bi%3D1%7D%5Eq%28F_i%2BF_i%27%29 是协方差矩阵的一个最简单的consistent estimator，其中 https://www.zhihu.com/equation?tex=F_i+%3D++%5Cbegin%7Bpmatrix%7D+%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7B1t%7D%2Af_%7B1t%2Bi%7D%26%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7B1t%7D%2Af_%7B2t%2B1%7D+%26...%26+%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7B1t%7D%2Af_%7BKt%2Bi%7D+++++++++++++++++++%5C%5C+%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7B2t%7D%2Af_%7B1t%2Bi%7D%26%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7B2t%7D%2Af_%7B2t%2Bi%7D%26...%26+%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7B2t%7D%2Af_%7BKt%2Bi%7D%5C%5C+...%26...%26...%26...%5C%5C+%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7BKt%7D%2Af_%7B1t%2Bi%7D%26%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7BKt%7D%2Af_%7B2t%2Bi%7D+%26...%26+%5Csum%5Climits_%7Bt%3D0%7D%5E%7BT-i%7Dw_tf_%7BKt%2Bi%7D+%5Cend%7Bpmatrix%7D ，由于 https://www.zhihu.com/equation?tex=F_i 不是对称的，所以要加上 https://www.zhihu.com/equation?tex=F_i%27 使调整后的协方差矩阵保持对称性。 3. 这一步才是nw调整的意义：用上一步的方法计算出来的协方差矩阵不一定是半正定矩阵，但是在(https://www.zhihu.com/equation?tex=F_i%2BF_i%27)前面乘上一个Bartlett权重矩阵后得到的FF就是一个半正定矩阵了。所以 https://www.zhihu.com/equation?tex=F_%7Bnw%7D 最终的形式为： https://www.zhihu.com/equation?tex=F_0+%2B+%5Csum%5Climits_%7BI%3D1%7D%5Eqbartlett_i%2A%28F_i%2BF_i%27%29 ，其中 https://www.zhihu.com/equation?tex=bartlett_i+%3D+1+-+%5Cfrac%7Bi%7D%7B1%2Bq%7D 。特征值调整 [*]把上一步得到的 https://www.zhihu.com/equation?tex=F_%7Bnw%7D 矩阵进行特征值分解即可得到 https://www.zhihu.com/equation?tex=D_0+%3D+U_0%5E%7B-1%7DF_%7Bnw%7DU_0 ，其中 https://www.zhihu.com/equation?tex=D_0 (K*K维)为特征值组成的对角矩阵， https://www.zhihu.com/equation?tex=U_0 (K*K维)为特征向量矩阵， https://www.zhihu.com/equation?tex=U_0 的第k列即为 https://www.zhihu.com/equation?tex=F_%7Bnw%7D 的第k个特征组合。 2. 把 https://www.zhihu.com/equation?tex=U_0 里的每一列当成一个由K个因子组成的投资组合(由于因子收益率对应着由n只股票构成的纯因子组合的收益率，所以因子组合有点像是股票的复合组合)，称之为eigenfactor portfolio，这些组合的方差就是https://www.zhihu.com/equation?tex=D_0 的对角线。Barra采用偏差统计量B来衡量风险预测的偏差情况，具体来说https://www.zhihu.com/equation?tex=B+%3D+%5Csqrt%7B%5Cfrac%7B1%7D%7BT-1%7D%5Csum%5Climits_%7Bt%3D1%7D%5ET%28b_t-%5Cbar%7Bb_t%7D%29%5E2%7D ，其中 https://www.zhihu.com/equation?tex=b_t+%3D+%5Cfrac%7Br_t%7D%7B%5Csigma_t%7D ， https://www.zhihu.com/equation?tex=r_t 表式资产在t期的收益率， https://www.zhihu.com/equation?tex=%5Csigma_t 表示在t期初对因子的预测波动率。我是这么理解这个B的：假设 https://www.zhihu.com/equation?tex=r_t+%5Csim+N%28%5Cmu%2C%5Csigma%29 ，那么 https://www.zhihu.com/equation?tex=%5Cfrac%7Br_t%7D%7B%5Csigma%7D+%5Csim+N%280%2C1%29 ，如果每一期都完美预测的话(即 https://www.zhihu.com/equation?tex=%5Csigma_t+%3D+%5Csigma%EF%BC%8C%5Cforall+t )，则B会等于1。说回到eigenfactor portfolio上来：Barra里说这些eigenfactor portfolio的偏差统计量有一个特点：方差越小的eigenfactor portfolio的bias statistic越大，这说明 https://www.zhihu.com/equation?tex=F_%7Bnw%7D 估计并不准。不过这些组合的方差估计准确与否重要么？Barra说方差最小的eigenfactor portfolio等价于以最小化组合方差为优化目标构建的投资组合，这些eigenfactor portfolios和我们最终使用个股构造的投资组合有着很大的关系，所以要对 https://www.zhihu.com/equation?tex=F_%7Bnw%7D 做eigenfactor risk调整使得对这些eigenfactor portfolios的风险预测更加准确从而对由个股构造的投资组合风险预测更准。 3. eigenfactor risk调整基于 https://www.zhihu.com/equation?tex=F_%7Bnw%7D 用monte carlo模拟生成每个eigenfactor portfolio的真实方差从而对这些组合的原始方差 https://www.zhihu.com/equation?tex=D_0 “去偏”，最后通过正交旋转用去偏后的 https://www.zhihu.com/equation?tex=D_0 得到一个“去偏”的因子协方差矩阵 https://www.zhihu.com/equation?tex=F_%7Beigen%7D 。具体做法是：先模拟生成一个 https://www.zhihu.com/equation?tex=K%2AT 维符合 https://www.zhihu.com/equation?tex=N%280%2CD_0%29 分布的eigenfactor portfolios的收益率矩阵 https://www.zhihu.com/equation?tex=b_1 从而得到一个 https://www.zhihu.com/equation?tex=K%2AT 维的因子收益率矩阵： https://www.zhihu.com/equation?tex=f_1%5E%7Bmc%7D+%3D+U_0b_1 ，计算出 https://www.zhihu.com/equation?tex=f_1%5E%7Bmc%7D 的协方差矩阵 https://www.zhihu.com/equation?tex=F_1%5E%7Bmc%7D 然后对 https://www.zhihu.com/equation?tex=F_1%5E%7Bmc%7D 进行特征值分解得到 https://www.zhihu.com/equation?tex=D_1+%3D+U_1%5E%7B-1%7DF_1%5E%7Bmc%7DU_1 ，计算 https://www.zhihu.com/equation?tex=U_1 里的K个eigenfactor portfolios的真实方差 https://www.zhihu.com/equation?tex=D_1%5E%7Breal%7D+%3D+U_1%5E%7B-1%7DF_%7Bnw%7DU_1 ， https://www.zhihu.com/equation?tex=U_1 里每个eigenfactor portfolio的风险偏差则为 https://www.zhihu.com/equation?tex=%5Cfrac%7BD_1%5E%7Breal%7D%28k%29%7D%7BD_1%28k%29%7D 。总共进行M次模型，第k个eigefactor portfolio的模拟风险偏差为： https://www.zhihu.com/equation?tex=%5Clambda_k+%3D+%5Csqrt%7B%5Cfrac%7B1%7D%7BM%7D%5Csum%5Climits_%7Bm%3D1%7D%5EM%5Cfrac%7BD_m%5E%7Breal%7D%28k%29%7D%7BD_m%28k%29%7D%7D 。最终 https://www.zhihu.com/equation?tex=D_0%5E%7Breal%7D%28k%29+%3D+%5Clambda_k%5E2D_0 ， https://www.zhihu.com/equation?tex=F_%7Beigen%7D+%3D+U_0D_0%5E%7Breal%7DU_0%5E%7B-1%7D 。波动率偏误调整首先定义K个因子的横截面偏误： https://www.zhihu.com/equation?tex=B_t%5E%7BK%7D+%3D+%5Csqrt%7B%5Cfrac%7B1%7D%7BK%7D%5Csum%5Climits_k%28%5Cfrac%7Bf_%7Bkt%7D%7D%7B%5Csigma_%7Bkt%7D%7D%29%5E2%7D ， https://www.zhihu.com/equation?tex=%5Cfrac%7Bf_%7Bkt%7D%7D%7B%5Csigma_%7Bkt%7D%7D 衡量的是因子风险预测的即时偏差，若某日所有因子的预测均低于实际风险，那么 https://www.zhihu.com/equation?tex=B_%7Bt%7D%5EK 会>1。通过ewma计算出过一段时间的平均偏误系数 https://www.zhihu.com/equation?tex=%5Clambda+_F 即可得到经过波动率偏误调整后的最终的因子协方差矩阵 https://www.zhihu.com/equation?tex=F_%7Bvra%7D+%3D+%5Clambda_F%5E2F_%7Beigen%7D 。二. 估计 https://www.zhihu.com/equation?tex=%5Ctriangle 第一步同样是ewma和newey-west调整，第二步的结构化调整的目的在于解决在估计特质收益率的方差时数据缺失和特质收益率异常的问题，这个部分就不细说了，感兴趣的可以去看看方正证券《星火多因子系列(二)：Barra模型进阶，多因子模型风险预测》这篇文章。第三步是贝叶斯收缩调整，其主要思想是将单只股票的特质风险向其所在的市值分组的市值加权平均风险压缩，具体算法也可以参考上面上面推荐的研报。最后一步仍然是波动率偏误调整，算法和因子协方差矩阵的波动率偏误调整一样，只不过是换成在截面上n只股票上去做。三. 实证 [*]我在上证50,沪深300,中证500,中证800和上测了测，以未来一个月的日波动率作为真实风险计算真实风险和预测风险从15年1月到22年三月的相关性，发现因子收益率的协方差矩阵里的每一步调整确实能给预测带来更好的效果。具体结果如下：(备注：我这里使用的个股特质风险是只做了ewma和nw调整的，其他三步我测了一下，效果并不是很好，所以就舍弃了） http://pica.zhimg.com/50/v2-0c8474cdb085490da2302251c72bdc0b_720w.jpg?source=1940ef5c 不同指数上对F做不同调整后的预测结果 2. 在各指数上的预测表现： http://picd.zhimg.com/v2-d980e3d793adda2a1991afc229d1ace3_r.jpg?source=1940ef5c 上证50的风险预测效果 http://pic1.zhimg.com/v2-86221941180767e66737fee5bdea030c_r.jpg?source=1940ef5c 沪深300的风险预测效果 http://picd.zhimg.com/v2-f6c4407795c6dd02d2da30ac8edeb872_r.jpg?source=1940ef5c zz500的预测效果思考和后续 [*]之前用barra更多的是在做组合归因以及研究如何在barra的这些因子上构造一些简单的风格轮动策略，这次终于把barra的风险预测部分从头到尾做了一遍，不得不说barra这套做下来还是挺耗时的。。。看了一些金工团队的研报，协方差矩阵的估计方法其实有挺多种的，比如Ledoit&Wolf压缩估计效果也不错，以后有时间也许可以试试。 [*]结合风险估计和凸优化就可以构造出可投资的纯因子投资组合了，然后就是研究如何配置因子的事情了。我初步做了一下，在全市场的股票上纯因子组合的构造效果还不错收益率也挺高的，但是在中证500上构造的纯因子组合的收益率就一般，后续需要进一步研究一下是为啥，到底是因为特质收益率的侵蚀还是因为在目标因子上的暴露不够。参考文献 [*]方正星火多因子系列(二)：Barra模型进阶，多因子模型风险预测 [*]石川---协方差矩阵的Newey-West调整 [*]石川---Barra模型的填坑，讨论帖回复

参与评论全部评论

☆ 展开评论(2条)★ 收起评论

【漫画解读网格交易】西蒙斯和它的大奖章基金的核心机密 ...

 2022-11-14   期权匿名问答  7058  0

《股票智能交易方案》（点击阅读）注：可转债和ETF是可以做网格交易的，目前来说，券商APP智能化程度高 ...

☆ 展开评论(0条)★ 收起评论

2022年双十一已结束，全网交易额为5571亿，较去年减少4080 ...

 2022-11-14   期权匿名问答  13282  0

2022年双十一业已结束，根据已公布数据得知，全网交易额为5571亿。而2021年双十一销售额是多少？9651亿。在 ...

☆ 展开评论(0条)★ 收起评论

傲慢——LTCM

 2022-11-14   期权匿名问答  5285  0

对冲基金——长期资本管理公司曾经在美国资本市场叱咤风云，可是短短的四年时间就从光辉陨落至破产倒闭。这 ...

☆ 展开评论(0条)★ 收起评论

10个月从估值2200亿到破产，币圈第二大交易所完了，创始 ...

 2022-11-14   期权匿名问答  5175  0

丰色发自凹非寺量子位 | 公众号 QbitAI年初还估值约2275亿，如今却宣告破产—— 币圈第二大交易所FTX， ...

☆ 展开评论(0条)★ 收起评论

民锋期货与民锋国际期货招商

 2022-11-14   期权匿名问答  6476  0

期货交易制度一、保证金制度 (一)保证金制度的内涵和特点 1、在期货交易中,期货买卖双方按其所买卖期货合 ...

☆ 展开评论(0条)★ 收起评论

天猫运营总裁表示今年「双11」整体稳中向好，交易规模与 ...

 2022-11-14   期权匿名问答  9340  5

11 月 12 日消息，第 14 届天猫双 11 已于今天零点收官。天猫表示，今年天猫双 11 稳中向好，交易规模与去 ...

2022-11-14

期权匿名回答

这，尽管国际国内形势发生了深刻复杂变化，但我国经济稳中向好、长期向好的基本面没有变，我国经济潜力足、韧性大、活力强、回旋空间大、政策工具多的基本特点没有变，我国发展具有的多方面优势和条件没有变。回复
2022-11-14

期权匿名回答

我们店铺仅退款率约40%，就是凑单拍下秒退的那种，问了几个同行，也是差不多这个水平，以前没有这么高。另外希望买家凑单能尽快退款，不要等卖家打了单或者发出了再退，贴了单在一堆快递里找出来很麻烦，如果揽件了就得拦截，货物退回需要时间还损失运费，另外很恶心的一点，只要打了单点了发货，就算快递没有揽件，运费险就扣费了，退款了也不退费。还有一些店铺玩套路，平销设置大额优惠券，活动时取消优惠券，实际成交价跟平时差不多，希捷天猫店就是这样，16t氦气盘平时卖2399，平时搞个400优惠券，再叠加优惠1849拿下，这次满减消费券拉满，1859买的，曰了了回复
2022-11-14

期权匿名回答

不用藏着掖着，就是见顶了，来看看历年双11数据（2009-2021，单位-亿）： 0.52；9；33；191；362；571；912；1207；1682；2135；2684；4982；5403。注意，最后的5403亿是去年的数据，今年的数据没有以阿拉伯数字公布，而是取了个新名词： “稳中向好，与去年持平” 过去电商爆发性增长的十几年，逻辑很多，比如电商拉低价格、移动互联网的兴起、花里胡哨的营销（盖楼刚出来的时候还是很火的）、预售的概念、甚至是时间概念的偷换（统计数据从1天拉长到半个月）... 现在已经到头了，哪怕有直播电商这个玩意儿，也是左手倒右手，再加上一些大背景原因，数字就到这里了，无论淘宝、京东，还是PDD抖音快手，都是迟早的事，过去习惯性的50%，100%的增长，不会再有了。但某种程度上说，这个看似悲观的事实，对从业者还是消费者而言，也都有好处。互联网企业的人都懂，但凡有5%的增长，PPT里一定会写成50%，数据统计游戏嘛，大盘不行，总能找到一些亮点，实在不行就拿细分领域说事，再不行就说包裹数量、物流速度体验、退货率，再不行，就说某某新消费趋势增长显著，反正年前都在OKR里把牛吹出来了，就看怎么圆，现在好了，不用去圆了，接受现状，反而心情舒畅一些，压力恐怕还小一些。对消费者而言，也是好事，平台有更多精力去博细节体验了，以前花里胡哨的满减高等数学，盖楼啥的痛苦游戏，这些年都简化了不少。加上消费主义批判学的兴起，大家都尽量买自己真正需要的东西，理性消费才可以持续。谁说数据一直50%的增长才叫健康嘛。 http://picd.zhimg.com/v2-4bafd68a2c98468efc99a2ff3203f250_r.jpg?source=1940ef5c 回复
2022-11-14

期权匿名回答

其实这个成绩已经很不错了。今年的情况大家也都知道，相比去年更加复杂艰难，在这样的大环境下能保持交易规模和去年持平已经很好了。虽然现在很多人都减少一些不必要的消费，但是一些生活必需品还是要买的，而且双十一电商平台给的一些优惠券啥的实际花费还是能比平时省不少。昨天我学到一个词叫“学术性网购”，就是买一个东西之前要查攻略、比价格、看评测、搜文献等向写论文一样网购，这也反映出了当下消费者消费越来越理性，冲动消费正在减少。希望明年双十一的交易规模能大幅增长，那意味着冰雪融化、春暖花开。回复
2022-11-14

期权匿名回答

都是中国人就不要装外宾了。 “稳中向好”的意思就是说，增速同去年相比已经彻底拉胯。形象点的解释就是本来以前都是直线向上，现在是横盘了。按照官方说法销售额同去年持平，那么可以说增速基本开始倒数了，因为每年还要考虑到通货膨胀GDP增长，刷单、退货、满减的因素，持平就是下降。当然，看这些平台自己吹的数据永远都不知道真实情况是什么样，我建议各位直接去看物流上市公司到时候发布的四季度报表就可以倒退知道真实销售情况了。淘宝作为销售平台其实压力是很大的，一方面淘宝赚钱的来源是各大开店的商家，等于是一种“收租金”的模式，但是一方面作为平台又要照顾消费者的权益。但是商家和消费者天生就有矛盾存在，所以淘宝可能会不自觉地把天平倾斜至商家，商誉是一定会逐年递减。而且淘宝的开店收租模式本质上没啥护城河吧，都是先发优势让自己领先了这么多年，这两年PDD的流量明显起来了，淘宝估计内部也头疼的要死，一方面是已经运行多年的盈利模式根深蒂固，一方面是天然的缺陷导致商誉受损。先发优势在慢慢被后来者追赶，PDD虎视眈眈，同时学习京东搞得天猫店又和自己曾经的立足之本起到了冲突，把大量的C店赶走了，但是天猫本质上也是高级版的收租罢了，也不是淘宝自营，所以并没有实质性的改变什么。京东作为直接自营面对消费者，他只需要对消费者负责就够了，自己把控好货源品质和服务，商誉天然的要比淘宝和PDD要高多了，所以大部分人买电器贵重物品肯定首选京东，只要想到价格便宜的时候才回去考虑淘宝和PDD。所以经济下行是肯定的了，与其无脑消费，不如多买点实质性的生活用品吧，来电方便面吧关注我的公众号：废话手册听一些上不了台面的真实“废话” 回复

参与评论全部评论

☆ 展开评论(5条)★ 收起评论

北京哪些单位可以解决户口？附落户北京渠道

 2022-11-14   期权匿名问答  5062  5

近年来联网是各大应届生都抢着进入的主打行业，奋斗、年轻、改变、创新、高薪……这个行业的生命力和前景对 ...

☆ 展开评论(5条)★ 收起评论

棉纱期货简介

 2022-11-14   期权匿名问答  4963  0

一、棉纱概况 1、棉纱的分类和用途棉纱是棉纤维经纺纱工艺加工而成的纱,经合股加工后称为棉线。棉纱的种 ...

☆ 展开评论(0条)★ 收起评论

交易心得

 2022-11-14   期权匿名问答  8125  0

从微观到宏观。这是一个老美交易员嘴边经常挂着的口头禅。以前我不理解，以为是量化交易的某个专业术语。与 ...

☆ 展开评论(0条)★ 收起评论

★重要★两个必须克服的交易心理boss现身（3万目标5年上亿 ...

 2022-11-14   期权匿名问答  7033  4

这段时间打了一场大仗，横竖一算，等于没做，但是感悟很深，下面把这5天的很多感悟总结下来，给交易系统来 ...

2022-11-14

期权匿名回答

同意，底部没法猜。我觉得买ht这个事情，完全没有什么对错，参考人品还不如参考行情，市场才能给答案，说不该买的这个观点是基于结果去推导因。这次的利润回撤不是孙割人品差不差的问题，只是最近这段时间发生的事情实在超出理解，没有利润保护的计划或者超出计划，下次规划一下就好了。时间很长，市场还没关门，加油。回复
2022-11-14

期权匿名回答

作手我已经翻到烂了就不放出来了。底或者不是底不是我们散户可以判断的，人品不人品的也不是我认为可以拿来判断行情的依据，深挖金融圈币圈没有人是干净的。ht我这次的失误还是老失误，杠杆重仓和止损位没走，不是的话6.6-8.28一共25%的利润是稳稳的。还有我不认为市场上有所谓的完全确定的机会，尤其是空，ftx中间cz一句收购就从14.5弹回23，谁也不知道乱局下最终会如何，都是事后诸葛亮。我这次反思还是老问题，而不是你说的这些问题。回复
2022-11-14

期权匿名回答

先就看一本比较好:股票大作手回忆录雷没暴完现在还不是底，不知你为何看好ht 孙割人品这么差从他身上赚到钱不大可能回复
2022-11-14

期权匿名回答

你交易太频繁了，ftx破产新闻出来时空是对的空那一波吃这种确定性就够了，时间长了肯定会有人抄底然后回调回复

参与评论全部评论

☆ 展开评论(4条)★ 收起评论

智慧树收到异常行为提醒会有什么影响，学校会知道吗，会 ...

 2022-11-14   期权匿名问答  12471  5

☆ 展开评论(5条)★ 收起评论

1 ... 367 368 369 370371372 373 374 ... 13953 / 1000 页下一页

快速发帖

热门推荐

1 【期权套利实时测算工具】一张Excel让你学

2 棉花期权和橡胶期权已经进入征求意见阶段

3 标的一上涨，50ETF期权波动率指数就下跌

4 郑商所就棉花期权合约向市场公开征求意见

5 请问解压密码

本版活跃汽油

关注我们

了解我们>>

苹果下载仅次
于上交所APP

期权网络科技版权所有: 关于我们; 联系我们; 加入我们; 反馈问题; 免责声明; 积分充值

统一社会信用代码: 积分规则; 网站地图; 爱文库; 下属网站

官方: 新浪微博; 微信公众号
◆

下载: 表情包; App下载

期权论坛

期权论坛

QQ咨询|关于我们|Archiver|手机版|小黑屋|( 辽ICP备15012455号-4 ) Powered by 期权论坛 X3.2 © 2001-2016 期权工具网&期权论坛 Inc.