Bias and Variance of Rotation-based Ensembles

Bias and Variance of Rotation-based Ensembles

Juan Jos′e Rodr′?guez1,Carlos J.Alonso2,and Oscar J.Prieto2

1Lenguajes y Sistemas Inform′a ticos

Universidad de Burgos,Spain

jjrodriguez@ubu.es

2Grupo de Sistemas Inteligentes

Departamento de Inform′a tica

Universidad de Valladolid,Spain

calonso@infor.uva.es

Abstract.In Machine Learning,ensembles are combination of classi-

?ers.Their objective is to improve the accuracy.In previous works,

we have presented a method for the generation of ensembles,named

rotation-based.It transforms the training data set;it groups,randomly,

the attributes in di?erent subgroups,and applies,for each group,an axis

rotation.If the used method for the induction of the classi?ers is not in-

variant to rotations in the data set,the generated classi?ers can be very

di?erent.In this way,di?erent classi?ers can be obtained(and combined)

using the same induction method.

The bias-variance decomposition of the error is used to get some insight

into the behaviour of a classi?er.It has been used to explain the success

of ensemble learning techniques.In this work the bias and variance for

the presented and other ensemble methods are calculated and used for

comparison purposes.

1Introduction

One of the research areas in Machine Learning is the generation of ensembles. The basic idea is to use more than one classi?er,in the hope that the accuracy will be better.It is possible to combine heterogeneous classi?ers,where each of the classi?ers is obtained with a di?erent method.Nevertheless,it is also possible to combine homogeneous classi?ers.In this case all the classi?ers have been obtained with the same method.In order to avoid identical classi?ers,it is necessary to change something,at least the random seed.

There are methods that alter the data set.Bagging[3]obtains a new data set by resampling the original data set.An instance can be selected several times,so some instances will not be present in the new data set.The Random Subspaces[8] method obtains a new data set deleting some attributes.Boosting[14]is a fam-ily of methods.The most prominent member is AdaBoost.In this case the data set is modi?ed depending on the classi?cation errors of the previously generated base classi?er.The bad classi?ed examples are assigned a greater weight,so the This work has been supported by the Spanish MCyT project DPI2001-01809.

next classi?er will give more importance to those examples.Another possibil-ity,instead of modifying the data set,is to modify the base learning method. For instance,in the Random Forest method[4],decision trees are constructed in a way such as the selected decision for a node is,to some extent,random. Comparatives among ensemble generation methods are presented in[1,5,9].

These method share the idea that it is necessary to modify the data set in a way that some information is lost(e.g.,instances,attributes),or the learning method does not use all the information(i.e.,random forest).None of the modi-?cations would be considered if it was desired to obtain a unique classi?er.They are used ensemble methods need diverse base classi?ers.

Rotation-based ensembles[13]transform the data set,but in a way that all the present information is preserved(although is is transformed).The idea is to group the attributes,and for each group to apply an axis rotation.Hence,all the available information(instance and attributes)in the data set is still available. Although there are a lot of learning methods that are invariant to rotations,one of the most used with ensembles,decision trees,are very sensitive to this kind of variations,because the generated decision surfaces are formed by parallels to the axis.

When the method was presented[13]it was compared with other ensemble methods using only the error.It is well known that the error of a classi?er can be divided in bias and variance.In this work we calculate these measures for di?erent ensemble methods and use them for comparison purposes.

The rest of the work is organized as follow.The proposed method is described in Sect.2.The bias-variance decomposition of the error is presented in Sect.3. Section4includes the experimental validation.Finally,section5concludes.

2Rotation-based Ensembles

This method is introduced in[13].It is based on transforming the data set,in a di?erent way for each member of the ensemble.Then,the base learning method is used with the transformed data set.The results of the di?erent classi?ers are combined using majority vote.

The transformation process is based on Principal Component Analysis(PCA) [7].These components are linear combinations of attributes.Normally,this tech-nique is used for reducing the dimensionality of the data set,because the com-ponents are ordered according to their importance,so the last ones can be dis-carded.Nevertheless,we are going to consider all the components.In this case, the transformed data set has exactly the same information than the original one, with the only di?erence of axis rotation.This technique works with numeric at-tributes.If the data set has discrete attributes,they must be transformed to numeric.

One of the objectives in ensemble methods is that the combined classi?ers were diverse,because nothing is gained if they are equal.Another objective, somewhat contradictory to the previous one,is that the combined classi?ers were accurate.PCA is an adequate transformation for ensemble generation because,

?rst,no information is loss,so the accuracy of the base classi?ers should not be worsened,as happens with other ensemble methods.And second,because the model generated by the base classi?er can be rather di?erent,given that the method was not invariant to rotations.

Nevertheless,for a given data set,the result of PCA is unique.For generating di?erent classi?ers it is necessary to obtain several transformed data sets.The possibilities are:

–To apply PCA to a subset of the instances.Unless the number of instances were rather small,the results will be rather similar.

–To apply PCA to a subsets of the classes.In fact,this is a variant of the previous possibility,because when classes are selected,their instances are being selected.Nevertheless,the hope is that the results of the analysis will be more diverse.

–To apply PCA to a subset of the attributes.In this case only the selected at-tributes would be rotated.In order to modify all the attributes,it is possible to group the attributes in groups,and to apply PCA for each group.

The previous strategies are considered for the application of PCA,but once that the analysis has been obtained,then all the data set if reformulated using the components.If the previous strategies are combined,it is possible,except for very small data sets,to obtain a lot of di?erent data sets.

The application of PCA to groups of attributes is another mechanism for diversi?cation,but it also provides additional advantages.First,the execution time of the analysis depends mainly on the number of attributes,so is much quicker to do the analysis in groups that doing it with all the attributes.

An algorithmic description of the method is presented in[13].

3Bias-variance decomposition of the error.

The bias-variance decomposition of the error is a useful tool for analyzing learn-ing algorithms.Originally it was proposed for regression,but there are several variants for classi?cation[10,6].It decomposes the error in three terms[16],de-rived with reference to the performance of a learner when trained with di?erent trained sets drawn from some distribution of training sets:

–Squared bias:a measure of the error of the central tendency of the learner.–Variance:a measure of the degree to which the learner’s predictions as it is applied to learn models from di?erent training sets.

–Intrinsic noise:a measure of the degree to which the target quantity is in-herently unpredictable.

Given that it is infeasible to estimate the intrinsic noise from sample data, this term is usually aggregated to the bias term.

One of the possible explanations for the success of bagging and boosting uses this decomposition[11].Although there is no general theory on the e?ects

of bagging and boosting on bias and variance,Bagging is assumed to reduce variance without changing the bias.Boosting in the early iterations primarily reduces bias and in the later iterations reduces mainly variance.

4Experimental Validation

4.1Data Sets

The used data sets appear in table1.They are the ones available in the format of the WEKA library.All of them are form the UCI repository[2].Some of the data sets were slightly modi?ed.First,for the data sets“splice”and“zoo”an attribute was eliminated.They were instance identi?ers.This kind of attributes are not useful for learning,and in the current implementation,they cause a considerably overhead,because continuous attributes are converted to numeric.Second,for the data set“vowel”,there was an attribute indicating if the instance was for training or for testing.This attribute was eliminated.Moreover,this data set includes information of the speakers and their sex.We consider two versions,“vowel-c”and“vowel-n”using and not using this context information,because there are works that use and not use this information.

4.2Settings

The used method for constructing decision trees is one of the available in the WEKA library[17],named J48.It is a reimplementation of C4.5[12].The im-plementations of Bagging and AdaBoost.M1are also from that library.

The parameters of the di?erent methods were the default ones.The number of classi?ers to combine was10.For rotation-based ensembles,the number of attributes is each group was3.

PCA is de?ned for numeric attributes.For the presented method,discrete attributes were converted to numeric ones,with as many attributes as possible values.This transformation was not applied for the methods used for comparison (bagging,boosting...)because they can deal directly with discrete attributes.

The bias and variance are calculated with the method proposed in[16].It is available in WEKA.The default parameters were used.The exception was the number of times each instance is classi?ed,that was set to50(the default value is10).With these settings,it runs50×2-fold cross validation.

4.3Results

Table2shows the error,bias and variance results.It also includes,for each method,the mean for all the data sets,although it is a very gross measure of relative performance.Rotation-based ensembles have the minimum mean for the error and the variance.The minimum mean for the bias is obtained with boosting,although the result for rotation-based is very close.

data set classes examples discrete continuous anneal6898326 audiology24226690 autos72051016 balance-scale362504 breast-cancer2286100 breast-w269909 colic2368167 credit-a269096 credit-g2******* diabetes276808 glass721409 heart-c530776 heart-h529476 heart-statlog2270013 hepatitis2155136 hypothyroid43772227 ionosphere2351034 iris315004 labor25788 letter2620000016 lymphography4148153 primary-tumor22239170 segment72310019 sonar2208060 soybean19683350 splice33190600 vehicle4846018 vote2435160 vowel-c11990210 vowel-n11990010 waveform35000040 zoo7101162 Table1.Characteristics of the used data sets.

The table also includes the geometric mean ratio[15].For each data set,the ratio is the value for the alternative method divided by the value for rotation-based ensembles.Then,the geometric mean of the ratios is calculated.A ge-ometric mean ratio greater than1.0represents an advantage of rotation-based and a lower value represents an advantage to the alternative algorithm.In the table,all the geometric rates are greater than1.0.

Finally,the table also shows for each method and measure the number of times that the result is better and worst than the result for rotation-based.The only case that is not favourable to the presented method is the bias for boosting, that is better for18of32data sets.This is consistent with previous results,that indicate that boosting with few iterations reduces mainly the bias[11].

5Conclusions and Future Work

Rotation-based ensembles is a novel approach for the generation of ensembles of classi?ers.The method compares favorably to Bagging,Random Forest and AdaBoost.M1,when using decision trees as base classi?ers.The proposed method has smaller mean values,favourable geometric mean rations,and is more times better than worst when compared with the other methods.The only exception is that the bias is better for boosting than for rotation-based ensembles.

It is somewhat surprising that the results of the method were better than the results for boosting,because it appears to be rather more elaborated,and with a most solid theoretical basis.Nevertheless,one of the features of boosting, not present in neither our method nor Bagging is the ability of obtaining strong classi?ers from weak ones,such as decision stumps.On the other hand,Bagging and our method allow the construction of the base classi?ers in parallel.

Currently,only decision trees have been considered as base classi?ers.Other methods that are not rotation-invariant can be considered.On the other hand, rotation-invariant methods can also be used if the number of attributes in the transformed data set is di?erent than the number for the original data set.

The experimental validation has been limited to classi?cation problems.Ap-parently,the method can be also used for regression problems,if the base re-gression method is not invariant to rotations,as is the case for regression trees.

The presented method is compatible with another ensemble methods.First, the base classi?er for an ensemble method can be another ensemble method.For instance,it could be possible to use the presented method using bagging as base classi?er.In this way,it could be possible to combine100decision trees,but applying the PCA procedure only10times.This can be useful because the PCA procedure is slower than resampling,the used strategy for Bagging.

Second,it is possible to apply several transformations to the original data set.For instance,resample and then the presented method.In this way,the two ensemble methods are not used hierarchically,but simultaneously.Hence,it is necessary to study the possible usefulness of some of these combinations.

J 48

B a g g i n g J 48B o o s t i n g J 48R a n d o m F o r e s t R o t a t i o n s J 48E r r o r B i a s V a r i a n c e E r r o r B i a s V a r i a n c e E r r o r B i a s V a r i a n c e E r r o r B i a s V a r i a n c e E r r o r B i a s V a r i a n c e a n n e a l 0.02020.00980.01040.01950.00990.00960.01230.00510.00720.01410.00500.00910.01590.00820.0077a u d i o l o g y 0.29250.15730.13520.26740.14620.12120.23720.10320.13400.33710.12190.21520.26650.13060.1359a u t o s 0.33850.14230.19620.28940.12650.16290.26170.09320.16850.28540.10300.18240.28220.13210.1501b a l a n c e -s c a l e 0.22000.08260.13740.18130.07100.11030.20140.08620.11520.19270.08900.10370.11300.05130.0617b r e a s t -c a n c e r 0.29330.22420.06910.28600.22900.05700.34490.21260.13230.32640.21600.11040.28700.21330.0737b r e a s t -w 0.05720.02990.02730.04450.03100.01350.04180.02630.01550.04370.02860.01510.03120.02580.0054c o l i c 0.15050.13670.01380.15160.13530.01630.19320.12260.07060.16700.12800.03900.17010.12610.0440c r e d i t -a 0.15270.11020.04250.14340.11200.03140.16450.09840.06610.15500.10760.04740.14150.10920.0323c r e d i t -g 0.29100.19690.09410.27130.19230.07900.29520.16980.12540.27310.18820.08490.26750.18380.0837d i a b e t e s 0.27300.17920.09380.25550.18520.07030.27710.17340.10370.25890.18900.06990.24340.19490.0485g l a s s 0.35500.16410.19090.31570.17760.13810.30480.15530.14950.28940.14730.14210.29890.17110.1278h e a r t -h 0.23900.13830.10070.21350.13720.07630.21390.11990.09400.20900.13550.07350.19060.12590.0647h e a r t -c 0.20670.15220.05450.19880.14780.05100.20990.14280.06710.20760.15630.05130.19750.14430.0532h e a r t -s t a t l o g 0.23690.13340.10350.21310.13000.08310.21810.13740.08070.21040.13310.07730.19270.12760.0651h e p a t i t i s 0.20740.14480.06260.18880.14150.04730.19140.12550.06590.18090.12430.05660.17640.12640.0500h y p o t h y r o i d 0.00580.00420.00160.00560.00430.00130.00520.00250.00270.01240.00460.00780.00660.00300.0036i o n o s p h e r e 0.11570.05830.05740.09290.05640.03650.08870.05000.03870.07830.05290.02540.07250.04500.0275i r i s 0.06470.04730.01740.06170.05270.00900.06680.04930.01750.05480.04470.01010.05270.03630.0164l a b o r 0.23090.12740.10350.21930.11790.10140.16950.06670.10280.18210.08140.10070.12910.04840.0807l e t t e r 0.15510.03250.12260.10130.03730.06400.06620.01820.04800.07980.02200.05780.06650.01760.0489l y m p h o g r a p h y 0.25530.13630.11900.22490.12360.10130.20120.10550.09570.20910.12760.08150.19450.10780.0867p r i m a r y -t u m o r 0.62710.30230.32480.60670.38270.22400.62670.30160.32510.61940.30990.30950.58380.31680.2670s e g m e n t 0.04770.01630.03140.04010.02020.01990.02790.01110.01680.03130.01420.01710.02720.01380.0134s o n a r 0.29140.12150.16990.26250.15100.11150.23960.10560.13400.23520.10250.13270.20720.10440.1028s o y b e a n 0.12860.05580.07280.10420.05160.05260.08700.04750.03950.11640.04830.06810.07180.04170.0301s p l i c e 0.07400.04720.02680.06660.04660.02000.06030.03340.02690.11470.02230.09240.05060.03450.0161v e h i c l e 0.30130.15510.14620.27600.16830.10770.25960.14870.11090.26890.15840.11050.23850.14280.0957v o t e 0.04740.03870.00870.04400.03760.00640.05270.03170.02100.04630.03000.01630.04450.03140.0131v o w e l -c 0.30360.05570.24790.19380.05550.13830.15850.03420.12430.14600.01010.13590.10570.01070.0950v o w e l -n 0.29840.05040.24800.19680.05600.14080.15640.03390.12250.15110.02880.12230.10970.01470.0950w a v e f o r m 0.25340.10610.14730.18970.11870.07100.19000.09960.09040.18610.10550.08060.16250.09730.0652z o o 0.10460.04500.05960.10530.04100.06430.07450.02950.04500.06670.02040.04630.09640.03430.0621M e a n 0,20750,10630,10120,18220,10920,07300,17810,09190,08620,17970,09550,08420,15920,09280,0663

G e o .m e a n r a t i o 1,35971,30651,43181,19041,32901,05771,11681,04411,32341,17081,04861,3061W i n -L o s s 2-30

3-296-264-282-3011-216-2618-145-274-2813-156-26

T a b l e 2.E r r o r ,b i a s a n d v a r i a n c e r e s u l t s

References

1.Eric Bauer and Ron Kohavi.An empirical comparison of voting classi?cation

algorithms:Bagging,boosting,and variants.Machine Learning,36(1–2):105–139, 1999.

2. C.L.Blake and C.J.Merz.UCI repository of machine learning databases,1998.

https://www.wendangku.net/doc/8814861441.html,/~mlearn/MLRepository.html.

3.Leo Breiman.Bagging predictors.Machine Learning,24(2):123–140,1996.

4.Leo Breiman.Random forests.Machine Learning,45(1):5–32,2001.

5.Thomas G.Dietterich.Ensemble methods in machine learning.In Multiple Clas-

si?er Systems2000,pages1–15,2000.

6.P.Domingos.A uni?ed bias-variance decomposition and its applications.In17th

International Conference on Machine Learning,pages231–238,2000.

7.Jiawei Han and Micheline Kamber.Data Mining:Concepts and Techniques.Mor-

gan Kaufmann,2001.

8.Tin Kam Ho.The random subspace method for constructing decision forests.IEEE

Transactions on Pattern Analysis and Machine Intelligence,20(8):832–844,1998.

9.Tin Kam Ho.A data complexity analysis of comparative advantages of decision

forest constructors.Pattern Analysis and Applications,5:102–112,2002.

10.R.Kohavi and D.Wolpert.Bias plus variance decomposition for zero-one loss

functions.In13th International Machine Learning Conference(ICML96),1996.

11.Ludmila https://www.wendangku.net/doc/8814861441.html,bining Pattern Classi?ers:Methods and Algorithms.

Wiley-Interscience,2004.

12.J.Ross Quinlan.C4.5:programs for machine learning.Machine Learning.Morgan

Kaufmann,San Mateo,California,1993.

13.Juan Jos′e Rodr′?guez and Carlos J.Alonso.Rotation-based ensembles.In urrent

Topics in Arti?cial Intelligence:10th Conference of the Spanish Association for Arti?cial Intelligence,pages498–506.Springer,2004.

14.Robert E.Schapire.The boosting approach to machine learning:An overview.In

MSRI Workshop on Nonlinear Estimation and Classi?cation,2002.http://www.

https://www.wendangku.net/doc/8814861441.html,/~schapire/papers/msri.ps.gz.

15.Geo?rey I.Webb,Janice R.Boughton,and Zhihai Wang.Not so naive bayes.

Machine Learning,58:5–24,2005.

16.Geo?rey I.Webb and Paul Conilione.Estimating bias and variance from data,

2004.https://www.wendangku.net/doc/8814861441.html,.au/~webb/Files/WebbConilione03.pdf. 17.Ian H.Witten and Eibe Frank.Data Mining:Practical Machine Learning Tools

and Techniques with Java Implementations.Morgan Kaufmann,1999.http:// https://www.wendangku.net/doc/8814861441.html,/ml/weka.

乖离率Bias经典使用方法.

乖离率Bias经典使用方法 2011-5-10 14:33:02 来源：不详佚名 一、什么是BIAS指标 判断原则 这里的乖离，具体是指收盘价格（或指数，下略）与某一移动平均价格的差距，而乖离率则用以表征这种差距的程度。将各BIAS值连成线，则得到一条以零值为中轴波动伸延的乖离率曲线。N日BIAS 的N值通常取6、10、30、72及以上，分别用以研判短期、中期、中长期以及长期的市势。一般而言，当BIAS过高或由高位向下时为卖出信号, 当BIAS过低或由低位向上时为买入信号。在中长期多方市场里, BIAS在0上方波动,0是多方市场调整回档的支持线, BIAS在0附近掉头向上为买入信号。在中长期空方市场里, BIAS在0下方波动, 0是空方市场调整.反弹的压力线，BIAS在0附近掉头向下为卖出信号。BIAS若有效上穿或下穿0，则是中长线投资者入场或离场的信号。采用N值小的快速线与N值大的慢速线作比较观察，若两线同向上, 升势较强；若两线同向下，跌势较强；若快速线上穿慢速线为买入信号；若快速线下穿慢速线为卖出信号。 乖离率指标是根据葛蓝碧移动平均线八原则推演而来，其原则提到，当股价突然暴跌或是暴涨，距离移动平均线很远，乘离过大时，就是买进或卖出的时机。BIAS也是移动平均线的使用功能的具体量化表现，同时也是对移动平均线的不足之处起到弥补的作用。股市从大致的方面而言是始终在两个领域中循环反复往来的，这两个区域，一个是大多数人赚钱的时期，另一个是大多数人赔钱的时期。所以，股市投资中最简明的策略就是：在大多数人赔钱的时候买入，（文章由捜股中国收藏整理）在大多数人赚钱的时候卖出。而BIAS的设计正是建立在这种战略思想基础上的，它假设某一周期的移动平均线是该段时间内多空双方的盈亏平衡点，再以现价距离平衡点的远近判定目前处于哪个区域。然后根据偏离程度，做出买卖决定。其计算公式为： BIAS=(当日指数或收盘价-N日平均指数或收盘价)÷N日平均指数或收盘价×100％ N的参数一般确定为6日、12日、24日，并且同时设置成三条线。

乖离率 详解

乖离率 编辑 股票术语 乖离率（BIAS）是测量股价偏离均线大小程度的指标。 当股价偏离市场平均成本太大时，都有一个回归的过 程，即所谓的“物极必反”。 乖离率是指股价与平均移动线之间的偏离程度，通过百 分比的形式来表示股价与平均移动线之间的差距。如果 股价在均线之上，则为正值；如果股价在均线之下，则 为负值。乖离率最早来源于葛兰维的平均线定律，它的 理论基础主要从投资者心理角度来分析。因为均线可以 代表平均持仓成本，利好利空的刺激，造成股价出现暴 涨暴跌。 乖离率是一种简单而又有效的分析工具，但在使用过程 中基期的选择十分重要。如果基期太短，反应过于敏感， 如果基期太长，反应过于迟钝。 中文名 乖离率 外文名

词条1定义 2应用范围 3根据 4计算公式 5应用分析 6应用法则

7运用原则 8心理分析 9大盘研判 10指标运用 定义编辑 在乖离率的应用时，应该结合不同情况灵活运用才能提高盈利机会。第一，对于风险不同的股票应区别对待。有业绩保证且估值水平合理的个股，在下跌情况下乖离率通常较低时就开始反弹。这是由于持有人心态稳定不愿低价抛售，同时空仓投资者担心错过时机而及时买入的结果。反之，对绩差股而言，其乖离率通常在跌至绝对值较大时，才开始反弹。 第二，要考虑流通市值的影响。流通市值较大的股票，不容易被操纵，走势符合一般的市场规律，适宜用乖离率进行分析。而流通市值较小的个股或庄股由于容易被控盘，因此在使用该指标时应谨慎。第三，在股价的低位密集成交区，由于筹码分散，运用乖离率指导操作时成功率较高，而在股价经过大幅攀升后，在机构的操纵下容易暴涨暴跌，此时成功率则相对较低。

BIAS指标详解及运用

BIAS指标详解及运用 简介：１、乖离率是移动平均原理派生的一项技术指标，它的功能在于测算股价在波动过程中与移动平均线出现的偏离程度，从而得出股价在剧烈波动时因偏离移动平均趋势而造成可能的回档与反弹。乖离率分为正值和负值，当股价在移动平均线之上时，为正值；当股价在移动平均线之下时，为负值；当股价与移动平均线一致时，为零。 ２、乖离率的基本研判原理是：如果股价离移动平均线太远，都不会持续太长时间，而会很快再次趋近平均线： （１）一般说来，在弱势市场５日乖离率＞６为超买现象，是卖出时机。当其达到－６以下时为超卖现象，是买入时机。 （２）在强势市场，５日乖离率＞８时为超买现象，当其到达－３时为超卖现象，是买入时机。 （３）在大势上升时，会出现多次高价，可于先前高价的正乖离点出现时抛出。在大势下跌时，也会出现多次低价，可于前次低价的负乖离点买进。 （４）盘局中正负乖离不易判断，应和其它技术指标综合分析研判。 （５）大势上升时如遇负乖离率，可以趁跌势买进。 （６）大势下跌时如遇正乖离率，可以趁回升高价抛出。 乖离率（BIAS）又称为ｙ值，是反映股价在波动过程中与移动平均线偏离程度的技术指标。它的理论基础是：不论股价在移动平均线之上或之下，只要偏离距离过远，就会向移动平均线趋近，据此计算股价偏离移动平均线百分比的大小来判断买卖时机。对于大多数散户而言，如果对各种指标不能熟练运用，要么离开要么就必须运用各种短线选股软件与庄共舞！目前，最有效的有两种选股软件：1、涨停王盘中预警软件（适合速战速决）2、【短线操盘王】智能选股软件（适合波段操作) 判断原则这里的乖离，具体是指收盘价格（或指数，下略）与某一移动平均价格的差距，而乖离率则用以表征这种差距的程度。将各BIAS值连成线，则得到一条以零值为中轴波动伸延的乖离率曲线。N日BIAS的N值通常取6、10、30、72及以上，分别用以研判短期、中期、中长期以及长期的市势。一般而言，当BIAS过高或由高位向下时为卖出信号, 当BIAS过低或由低位向上时为买入信号。在中长期多方市场里, BIAS在0上方波动,0是多方市场调整回档的支持线, BIAS在0附近掉头向上为买入信号。在中长期空方市场里, BIAS在0下方波动, 0是空方市场调整.反弹的压力线，BIAS在0附近掉头向下为卖出信号。BIAS若有效上穿或下穿0，则是中长线投资者入场或离场的信号。采用N值小的快速线与N值大的慢速线作比较观察，若两线同向上, 升势较强；若两线同向下，跌势较强；若快速线上穿慢速线为买入信号；若快速线下穿慢速线为卖出信号。 乖离率指标是根据葛蓝碧移动平均线八原则推演而来，其原则提到，当股价突然暴跌或是暴涨，距离移动平均线很远，乘离过大时，就是买进或卖出的时机。BIAS也是移动平均线的使用功能的具体量化表现，同时也是对移动平均线的不足之处起到弥补的作用。股市从大致的方面而言是始终在两个领域中循环反复往来的，这两个区域，一个是大多数人赚钱的时期，另一个是大多数人赔钱的时期。所以，股市投资中最简明的策略就是：在大多数人赔钱的时候买入，在大多数人赚钱的时候卖出。而BIAS的设计正是建立在这种战略思想基础上的，它假设某一周期的移动平均线是该段时间内多空双方的盈亏平衡点，再以现价距离平衡点

(完整word版)乖离率指标(BIAS)的原理及用法

乖离率指标(BIAS)的原理及用法 乖离率指标(BIAS)是从移动平均线指标(MA)中派生、分离出来的一个单独使用的指标。乖离率实际上反映的是股价在波动过程中与移动平均线偏离远近程度大小的常规技术指标。它的理论基础是:不论股价在移动平均线之卜或之下，只要偏离均线过远，成本的向心力作用就会将股价往移动平均线附近回拉根据此原理，我们就可以计算股价偏离移动平均线百分比的大小来判断买进与卖出的时机。 其计算公式如下: 乖离率二(当日收盘价一N日内移动平均价)/N日内移动平均价x 100%。 5日乖离率二(当日收盘价一5日内移动平均价)巧日内移动平均价x 100%。 公式中的N日按照选定的移动平均线周期参数来确定，实战中将分析软件中的原有参数改为5、10、30、60日即可。 从上面的计算公式可以看出，当股价在移动平均线之上波动时，其BIAS数值为正数，称为正乖离率，反之称为负乖离率;当股价与移动平均线重合，乖离率为零。在股价的升降过程中，乖离率反复在零点两侧变化，数值的大小对未来股价的走势分析具有一定的预测功能。正乖离率超过一定数值时，显示短期内多头获利较大，获利回吐的可能性也大，

呈卖出信号;负乖离率超过一定数值时，说明空头回补的可能性较大，呈买入信号。 乖离率指标的常规应用法则: 乖离率究竟达到何种程度才是买卖时机?这并没有统一的原则，而月股价与各种短中期移动平均线的乖离率都有不同的乖离程度，根据不同品种的波动特性，使用者只能靠自己的经验判断一段行情的强势或弱势，作为买卖股票的依据，下面列举的常规应用法则仅提供参考: (1)5日乖离率小于－4%是买进时机，大于4.5%卖出时机; (2)10日乖离率小于－5.5%是买进时机，大于6%卖出时机; (3)30日乖离率小于－8%是买进时机，大于9%卖出时机; (4)60日乖离率小于－12%是买进时机，大于13%卖出时机 二、单根BIAS曲线的分析 在任何股市分析软件上，我们都可以把一根BIAS曲线设为主要研判曲线，其它BIAS曲线的参数都设为0，这样我们也可以用这一根曲线的形态对行情进行分析判断。以12日BIAS指标为例，具体分析如下：1、BIAS曲线的形态

乖离率：简单有效的分析工具

乖离率：简单有效的分析工具 今天给大家带来一个简单有效的大盘分析工具。绝大多数投资者在买卖股票时都会参考大盘走势，大盘走势差，强势股也会调整，大盘走势好，滞涨股也会上涨。如能对大盘走势做一个精准的预判，各股操作成功率也会相应增加，而乖离率指标就是最常见也最实用的大盘走势预判工具。 乖离率指标的定义 1、乖离率是指“股价”与“平均移动线”之间的偏离程度，通过百分比的形式来 表示它们之间的差距（例：今日大盘3060点，6日均线3000点，则乖离率=(3060-3000)/3000=2%，即乖离率值为2）。 2、它的理论基础主要从投资者心理角度来分析，当股价偏离市场平均成本太大时， 都有一个回归的过程，即所谓的“物极必反”，因为均线可以代表平均持仓成本。 3、从上文可以得出乖离率也有正负之分，如果股价在均线之上，则乖离率为正值， 大盘短线有回调倾向。如果股价在均线之下，则乖离率为负值，大盘短线有上涨动力。 乖离率指标的设置 1、在软件中调出乖离率指标就像打股票代码一样，直接输入BIAS（有些软件会有 多种乖离率指标，大家注意选择只有文字“乖离率”的这个名称，它是由三条线组成的）。

2、软件下方会显示出BIAS这个指标的三根线条，常用的为六天乖离率（结合实际 经验，6日乖离率相对短线最为准确，它的含义为指数相对于6日移动平均线的偏离程度） 3、大家在使用乖离率的过程中也可以将均线系统的5日均线设为6日均线，则看 盘时更能与乖离率统一 4、乖离率指标适合把握大盘短线或小波段行情，尤其以震荡行情最为适用，极端 情况，如股灾期间或熔断期间，指标会失效（几乎所有的技术指标都失效）。乖离率指标的实战应用： 大盘乖离一般以0轴为中心，正2%到负2%之间波动。大盘的正乖离率一旦超过2%的时候，也就意味着短线大盘的获利会吐的压力比较大，即大盘是有调整需求的，应该卖出股票。相反乖离率达到负2%的时候，也就意味着短线大盘的反弹需求比较大，往往是一个非常好的抄底机会。

bias乖离率的应用

乖离率（BIAS）的应用 一、概念 乖离率（BIAS）：也称为Y值，是用股价指数与移动平均线的比值关系，来描述股票价格与移动平均线之间的偏离程度。 二、公式 * BIAS(n)=（当日股市收盘价－n日移动平均值）÷n日移动平均值 * N为特定天数，我现在使用的“大智慧”软件中系统默认n值为6、12、24，应该是用以研判短期、中期、中长期的市势。 三、BIAS分析要领 正乖离率值越大，说明股价向上偏离移动平均线的程度越大，有可能回档下调；反之负乖离值越小，表明股价向下偏离移动平均线的程度越大，随时可能反弹。 一般而言: 当BIAS过高或由高位向下时为卖出信号; 当BIAS过低或由低位向上时为买入信号。 在中长期多方市场里: BIAS在0上方波动,0是多方市场调整回档的支持线,BIAS在0附近掉头向上为买入信号。 在中长期空方市场里: BIAS在0下方波动, 0是空方市场调整反弹的压力线,BIAS在0附近掉头向下为卖出信号。 BIAS若有效上穿或下穿0，则是中长线投资者入场或离场的信号。 采用N值小的快速线与N值大的慢速线作比较观察: 若两线同向上, 升势较强； 若两线同向下，跌势较强； 若快速线上穿慢速线为买入信号； 若快速线下穿慢速线为卖出信号。 四、BIAS的应用法则

BIAS的原理是离得太远了就该回头，因为股价天生就有向心的趋向，这主要是人们心理的因素造成的。另外，经济学中价格与需求的关系也是产生这种向心作用的原因。股价低需求就大，需求一大，供不应求，股价就会上升。反之，股价高需求就小，供过于求，股价就会下降，最后达到平衡，平衡位置就是中心。 BIAS的应用法则主要是从两个方面考虑： (1) 从BIAS的取值大小方面考虑 这个方面是产生的BIAS的最初的想法。找到一个正数或负数，只要BIAS 一超过这个正数，我们就应该感到危险而考虑抛出；只要BIAS一低于这个负数，我们就感到机会可能来了而考虑买入。这样看来问题的关键就成了如何找到这个正数或负数，它们是采取行动与保持沉默的分界线。 应该说明的是这条分界线与三个因素有关。 a. BIAS选择的参数和大小。 b. 选择的具体是那支股票。 c. 不同的时期，分界线的高低也可能不同。 一般说来，参数越大，采取行动的分界线就越大。股票越活跃，选择的分界线也越大。 在一些介绍BIAS的书籍中，给出了这些分界线选择的参考数字。注意，仅仅是参考，我们应该根据具体情况对它们进行适当的调整。下面仅举一例： a. BIAS(5)>3.5%、BIAS(10)>5%、BIAS(20)>8%以及BIAS(60)>10%是卖出时机。 b. BIAS(5)>-3%、BIAS(10)<-4.5%、BIAS(20)<-7%以及BIAS(60)<-10%是买入时机。 从上面的数字中可看出，正数和负数的选择不是对称的，一般说来，正数的绝对值要比负数的绝对值大一些。例如3.5>3和5>4.5等。这种正数的绝对值偏大是进行分界线选择的一般规律。 如果遇到由于突发的利多或利空消息产生的暴涨暴跌的情况，以上的那些参考数字肯定不管用，应该考虑别的应急措施。按作者的经验，暴涨暴跌时： a. 对于综合指数， BIAS (10)>30%为抛出时机， BIAS (10)<-10%为买入时机。

乖离率BIAS指标使用详解(熊市抄底绝技)

乖离率BIAS指标使用详解(熊市抄底绝技) 乖离率BIAS指标使用详解 1、乖离率的由来 乖离率（Bias）是依附在移动平均在线的指标，无移动平均线，则无乖离率，可算是移动平均线衍生的指标。移动平均线只能用来判断趋势，无法预测股价高低点，而乖离率（Bias）即可用来测试高低点。尤其对于短线进出，有相当高的准确性。 葛南维（jogepsb ganvle）教授八大法则中，提到：股价若离移动平均线（MA）太远，则未来股价会朝移动平均线靠近，此为「磁线」效应；而股价与移动平均线的距离即为乖离。 公式：P - （T）MA （T）MA T：代表天数，也就是几日的移动平均线 P：当天收盘价

P-（T）MA：为股价与移动平均线的距离，即为乖离。 若为涨势，乖离是正数，因股价必在移动平均线之上，是为正乖离；同理，若为跌势，乖离是负数，是为负乖离。 2、乖离率的特性 区间性：预测股价波段的高低点 趋势性：Bias加上一移动平均线，可看出股价趋势 领先性：把Bias看成k线与移动平均的关系，可领先k线出现买 卖讯号 强弱性：依Bias之背离，可测多空力道的强弱 3、如何发挥Bias的特性 区间性 （1）。由于股价是由人类行为所创造，既是人类的行为，就会

不断重复一定的模式。表现于股价上，即是涨越高，追高买盘越少，而持股者已有一定的获利水准，会有卖出的动作；跌越深，持股者杀低意愿降低，卖压减轻，而逢低买盘渐增。而Bias即在测此临界点， 也就是股价反转点。 （2）。而Bias自移动平均线而来，而移动平均线葛兰碧八大法 则中，有四法则与Bias有关： A. 股价涨高，会朝移动平均线拉回。 B. 股价跌深，会朝移动平均线靠近。 C. 当涨势中，拉回触及上升的移动平均线，是买点。 D. 当跌势中，反弹触及下跌的移动平均线，是卖点。 上述四点，即是「磁线」效应，而A.B.二点即是乖离率的应用； C.点于“拉回触及移动平均线”和 D.点“反弹触及移动平均线”表现在公式中，即分子部分为P-（T）MA = 0，可得乖离率为零，Bias触及零轴。即C.涨势中，拉回至零轴是买点；D.跌势中，反弹至零轴是 卖点。

BIAS指标使用详解

BIAS指标使用详解（附图） 2008-09-11 BIAS 的判断与应用 乖离率（BIAS） 乖离率，简称Y值，是移动平均原理派生的一项技术指标，其功能主要是通过测算股价在波动过程中与移动平均线出现偏离的程度，从而得出股价在剧烈波动时因偏离移动平均趋势而造成可能的回档或反弹，以及股价在正常波动范围内移动而形成继续原有势的可信度。 乖离度的测市原理是建立在：如果股价偏离移动平均线太远，不管股份在移动平均线之上或之下，都有可能趋向平均线的这一条原理上。而乖离率则表示股价偏离趋向指标斩百分比值。 一．计算公式 Y值＝（当日收市价－N日内移动平均收市价）/N日内移动平均收市价×100％ 其中，N日为设立参数，可按自己选用移动平均线日数设立，一般分定为6日，12日，24日和72日，亦可按10日，30日，75日设定。 二．运用原则 乖离率分正乖离和负乖离。当股价在移动平均线之上时，其乖离率为正，反之则为负，当股价与移动平均线一致时，乖离率为0。随着股价走势的强弱和升跌，乖离率周而复始地穿梭于0点的上方和下方，其值的高低对未来走势有一定的测市功能。一般而言，正乘离率涨至某一百分比时，表示短期间多头获利回吐可能性也越大，呈卖出讯号；负乘离率降到某一百分比时，表示空头回补的可能性也越大，呈买入讯号。对于乘离率达到何种程度方为正确之买入点或卖出点，目前并没有统一原则，使用者可赁观图经验力对行情强弱的判断得出综合结论。一般来说，在大势上升市场，如遇负乘离率，可以行为顺跌价买进，因为进场风险小；在大势下跌的走势中如遇正乖离，可以待回升高价时，出脱持股。 由于股价相对于不同日数的移动平均线有不同的乖离率，除去暴涨或暴跌会使乖离率瞬间达到高百分比外，短、中、长线的乖离率一般均有规律可循。下面是国外不同日数移动平均线达到买卖讯事号要求的参考数据： 6日平均值乖离：－3％是买进时机，＋3．5是卖出时机； 12日平均值乖离：－4．5％是买进时机，＋5％是卖出时机； 24日平均值乖离：－7％是买进时机，＋8％是卖出时机； 72日平均值乖离：－11％是买进时机，＋11％是卖出时机；

乖离率BIAS指标使用详解

乖离率BIAS指标使用详解 2007年04月20日星期五 18:20 1、乖离率的由来 乖离率(Bias)是依附在移动平均在线的指标，无移动平均线，则无乖离率，可算是移动平均线衍生的指标。移动平均线只能用来判断趋势，无法预测股价高低点，而乖离率(Bias)即可用来测试高低点。 葛南维（jogepsb ganvle）教授八大法则中，提到：股价若离移动平均线（ＭＡ）太远，则未来股价会朝移动平均线靠近，此为「磁线」效应；而股价与移动平均线的距离即为乖离。 公式： P - (T)MA (T)MA T：代表天数，也就是几日的移动平均线 P：当天收盘价 P-(T)MA：为股价与移动平均线的距离，即为乖离。 若为涨势，乖离是正数，因股价必在移动平均线之上，是为正乖离；同理，若为跌势，乖离是负数，是为负乖离。 2、乖离率的特性 区间性：预测股价波段的高低点 趋势性：Bias加上一移动平均线，可看出股价趋势 领先性：把Bias看成ｋ线与移动平均的关系，可领先ｋ线出现买卖讯号 强弱性：依Bias之背离，可测多空力道的强弱 3、如何发挥Bias的特性 区间性 （1）. 由于股价是由人类行为所创造，既是人类的行为，就会不断重复一定的模式。表现于股价上，即是涨越高，追高买盘越少，而持股者已有一定的获利水准，会有卖出的动作；跌越深，持股者杀低意愿降低，卖压减轻，而逢低买盘渐增。而Bias即在测此临界点，也就是股价反转点。 （2）. 而Bias自移动平均线而来，而移动平均线葛兰碧八大法则中，有四法则与Bias有关： A. 股价涨高，会朝移动平均线拉回。 B. 股价跌深，会朝移动平均线靠近。 C. 当涨势中，拉回触及上升的移动平均线，是买点。 D. 当跌势中，反弹触及下跌的移动平均线，是卖点。 上述四点，即是「磁线」效应，而A.B.二点即是乖离率的应用；C.点于“拉回触及移动平均线”和D.点“反弹触及移动平均线”表现在公式中，即分子部分为P-(T)MA = 0，可得乖离率为零，Bias触及零轴。即C.涨势中，拉回至零轴是买点；D.跌势中，反弹至零轴是卖点。 （3）. 依过去的Bias的极大值、极小值来预测股价未来之高低点，也就是源于过去的历史轨迹来做高低点的预测，而这历史的轨迹即是该股的乖离区间。

BIAS 乖离率指标的应用

BIAS 乖离率指标的应用 2009-07-11 11:15 BIAS 乖离率 乖离率（BIAS）又称为ｙ值，是反映股价在波动过程中与移动平均线偏离程度的技术指标。它的理论基础是：不论股价在移动平均线之上或之下，只要偏离距离过远，就会向移动平均线趋近，据此计算股价偏离移动平均线百分比的大小来判断买卖时机。 [编辑本段]判断原则 这里的乖离，具体是指收盘价格（或指数，下略）与某一移动平均价格的差距，而乖离率则用以表征这种差距的程度。将各BIAS值连成线，则得到一条以零值为中轴波动伸延的乖离率曲线。N日BIAS的N值通常取6、10、30、72及以上，分别用以研判短期、中期、中长期以及长期的市势。一般而言，当BIAS过高或由高位向下时为卖出信号, 当BIAS过低或由低位向上时为买入信号。在中长期多方市场里, BIAS在0上方波动,0是多方市场调整回档的支持线, BIAS在0附近掉头向上为买入信号。在中长期空方市场里, BIAS在0下方波动, 0是空方市场调整.反弹的压力线，BIAS在0附近掉头向下为卖出信号。BIAS若有效上穿或下穿0，则是中长线投资者入场或离场的信号。采用N值小的快速线与N值大的慢速线作比较观察，若两线同向上, 升势较强；若两线同向下，跌势较强；若快速线上穿慢速线为买入信号；若快速线下穿慢速线为卖出信号。 乖离率指标是根据葛蓝碧移动平均线八原则推演而来，其原则提到，当股价突然暴跌或是暴涨，距离移动平均线很远，乘离过大时，就是买进或卖出的时机。BIAS也是移动平均线的使用功能的具体量化表现，同时也是对移动平均线的不足之处起到弥补的作用。股市从大致的方面而言是始终在两个领域中循环反复往来的，这两个区域，一个是大多数人赚钱的时期，另一个是大多数人赔钱的时期。所以，股市投资中最简明的策略就是：在大多数人赔钱的时候买入，在大多数人赚钱的时候卖出。而BIAS的设计正是建立在这种战略思想基础上的，它假设某一周期的移动平均线是该段时间内多空双方的盈亏平衡点，再以现价距离平衡点的远近判定目前处于哪个区域。然后根据偏离程度，做出买卖决定。其计算公式为：BIAS=(当日指数或收盘价-N日平均指数或收盘价)÷N日平均指数或收盘价×100％ N的参数一般确定为6日、12日、24日，并且同时设置成三条线。 1、乖离率可分为正乖离率与负乖离率，若股价大于平均线，则为正乖离；股价小于平均线，则为负乖离；当股价与平均线相等时，则乖离率为零。正的乖离率越大，表示短期超买越大，则越有可能见到阶段性顶部；负的乖离率越大，表示短期超卖越大，则越有可能见到阶段性底部； 2、股价与6日平均线乖离率达＋5％以上为超买现象，是卖出时机；当其达-5％以下时为超卖现象，为买入时机。 3、股价与12日平均线乖离率达＋7％以上为超买现象，是卖出时机；当其达-7％以下时为超卖现象，为买入时机。 4、股价与24日平均线乖离率达＋11％以上为超买现象，是卖出时机；当其达－11％以下为超卖现象，为买入时机。 5、指数和股价因受重大突发事件的影响产生瞬间暴涨与暴跌，股价与各种平均线的乖离率有时会出奇的过高或过低，但发生概率极少，仅能视为特例，不能做为日常研判标准。 6、每当股价与平均线之间的乖离率达到最大百分比时，就会向零值靠拢，这是葛兰碧八大法则中第四条和第五条法则所揭示的股价运行规律。 7、在趋势上升阶段股价如出现负乖离，正是逢低买入的有利时机。

乖离率使用技巧

乖离率的基本应用原则 1、乖离率可分为正乖离率与负乖离率，若股价大于平均线，则为正乖离；股价 小于平均线，则为负乖离；当股价与平均线相等时，则乖离率为零。正的乖离率越大，表示短期超买越大，则越有可能见到阶段性顶部；负的乖离率越大，表示短期超卖越大，则越有可能见到阶段性底部； 2、股价与6日平均线乖离率达＋5％以上为超买现象，是卖出时机；当其达-5％ 以下时为超卖现象，为买入时机。 3、股价与12日平均线乖离率达＋7％以上为超买现象，是卖出时机；当其达-7％以下时为超卖现象，为买入时机。 4、股价与24日平均线乖离率达＋11％以上为超买现象，是卖出时机；当其达－11％以下为超卖现象，为买入时机。 5、指数和股价因受重大突发事件的影响产生瞬间暴涨与暴跌，股价与各种平均 线的乖离率有时会出奇的过高或过低，但发生概率极少，仅能视为特例，不能做为日 常研判标准。 6、每当股价与平均线之间的乖离率达到最大百分比时，就会向零值靠拢，这是 葛兰碧八大法则中第四条和第五条法则所揭示的股价运行规律。 7、在趋势上升阶段股价如出现负乖离，正是逢低买入的有利时机。 8、在趋势下降阶段股价如出现正乖离，正是逢反弹出货的最佳时机。 乖离率的缺陷是买卖信号过于频繁，如果使用普通的指标和应用原则，不仅不能 铲到底，甚至连股价跌幅的半山腰也铲不到。因此，必须做出适当改进，具体优化方 案如下： 在原来三条线的基础上再增加设置第四条线：BIAS4。计算公式相同，参数设置 为60日，具体的应用原则如下： 1、当BIAS4小于-12时，可以轻仓做试探性买入，做反弹行情。 2、当BIAS4小于-18时，可以半仓做波段行情。 3、当BIAS4小于-24时，可以重仓坚决买入，做牛市行情。 使用乖离率指标中的注意要点 1、BIAS4非常适合于做买入决策时参考，但在卖出信号的研判上存在一定的滞后性。所以，在做卖出决策时要更多的参考上面三种常用的乖离率指标。 2、对于上市不足半年的新股，BIAS4的研判失误率偏高。而且，由于BIAS4的 参数是60日，因此，新股上市三个月内是无法显示BIAS4数据的。

乖离率选股的运用技巧

乖离率选股的运用技巧 乖离率是指股价与平均移动线之间的偏离程度，通过百分比的形式来表示股价与平均移动线之间的差距。如果股价在均线之上，则为正值；如果股价在均线之下，则为负值。 这里主要从投资者心理角度来分析。因为均线可以代表平均持仓成本，利好利空的刺激，造成股价暴涨暴跌。股价离均线太远，就会随时有短期反转的可能，乖离率的绝对值越大，股价向均线靠近的可能性就越大，这就是乖离率提供的买卖依据形成的原因。从市场经验看，10日平均移动线作为基期效果较好。以下跌为例，10日乖离率通常在-7%至-8%时开始反弹。考虑到这个数值的安全系数不高，一般情况下，更为安全的进场时机应选择在-10%至-11%之间。同样出于稳健，短线在上涨时可以在+8%附近卖出 乖离率应用时应区别看待 1、对于风险不同的股票应区别对待。有业绩保证且估值水平合理的个股，在下跌时乖离率通常较低时就开始反弹。反之，对绩差股而言，其乖离率通常在跌至绝对值较大时，才 开始反弹。 2、要考虑流通市值的影响。流通市值较大的股票，不容易被操纵，走势符合一般的市场规律，适宜用乖离率进行分析。而流通市值较小的个股或庄股由于容易被控盘，因此在使 用该指标时应谨慎。 3、要注意股票所处价格区域。在股价的低位密集成交区，由于筹码分散，运用乖离率指导操作时成功率较高，而在股价经过大幅攀升后，在机构的操纵下容易暴涨暴跌，此时成 功率则相对较低。 止损参考指标---宝塔线 宝塔线指标能较真实地反映个股走强或走弱的信号,红色柱状表示个股上升,绿色柱状 代表下跌。 宝塔线最为准确的图形是连续出现三至五个小红色柱状,而股价却无力上攻,此时只要宝塔线转绿,往往预示调整开始,不管是以很短的绿色柱状还是以很长的绿色柱状表示,都是个股回调或走弱的转势信号,此时及时止损,不管盈利与否,总有一定的倒差价可以拾回。 宝塔线用以判断顶部比底部要准确得多,特别是在股价有不小涨幅,或从底部有较大级别反弹至一定位置,在顶部呈现连续红色小柱状实体,而股价在几天内再也无法创出新高,红

技术分析指标：乖离率

技术分析指标：乖离率 移动平均线的原理已经告诉我们，股价距平均线太远时，会重新向平均线靠拢，这是所谓的分久必合原理。但到底需要多久才会向其靠拢？有没有一个数字来供以研判呢？这就要运用乖离率这个技术指标了。 乖离率英文名BIAS，简称Y值。它是以当日移动平均数为基准，实际价格与移动平均数之间的差距，被称为乖离程度，用乖离程度除以移动平均数得到的百分比便是乖离率。也就是说，乖离率是表示当日实际价格（或指数）与平均价格之间的差距，从而也就可以用数字来表示股价线与移动平均线的距离了。与移动平均线--对应，乖离率也有长中短期之分。一般我们选用十日乖离率，理由是十日移动平均线使用较多（注意：使用移动平均线采样多少天，乖离率便应采用其对应的一种），公式如下（以指数为例）： 10日乖离率=当日指数-10日移动平均数/10日移动平均数×100% 若采样日子改变，如5日、25日，依上述公式，换为你所需要的数字即可。 由于上海股市投机气氛较浓，时有暴跌现象发生，股价若离平均线太远，随时都会掉头，因此使用乖离率来研判，不失为一种简单且较正确的方法。 乖离率有正负之分，股价在移动平均线之上的，必是正乖离率，反之则是负乖离率。随着股价的上下波动，乖离率也会从正到负从负到正地循环。而当暴涨或狂跌时，乖离率之绝对值将放大，当放大到一定程度时，乖离率就有用武之地了。 乖离率究竟达到怎样的数值股价才会掉头呢？由于各个股市的股情不同，因而亦无定论。香港的技术分析者们认为，当正乖离率值达到13%--15%时，股价是暴涨了，这时应卖出股票，而负乖离率达到-13--15%时，应乘低吸入该股。台湾的投资者们则认为，10日负乖离率达-4.5%，是买进时机，正值达5%应卖出；25日负乖离达-7%是买进时机，正值达8%应卖出；73日负乖离达-11%应买时，正乖离达14%应卖出。而上海股市一般倾向于港派，但沪市的暴涨暴跌实在惊人，有时乖离率绝对值达30%时，仍可居高不下，跌的还要再跌，涨的还要再涨。不过话说回来，这样的涨跌终究是有个度的。 总之，乖离率的数值研判可以根据个人经验而定，当然也得有长期的统计资料为基础。手头有了这样一个工具，应付暴涨暴跌就容易得多了。 另外，需要指出的是，在争夺股权时，乖离率通常将失去其意义。读者若有兴趣的话，可以算一下宝安收购延中时，延中的乖离率，虽然不小，却也不见股价回落，在牛市中，若某个股分红方案好，也会出现这种情况。

各种技术指标的应用讲解(非常详细)

各种技术指标的应用讲解（非常详细） 波浪理论图解教程(图) 如何分析趋势线(图) 乖离率买卖股票原则(图) 相对强弱指数RSI使用入门(图) DMI指标使用入门(图) 能量潮(OBV)使用入门(图) 操盘高手谈技术指标乖离率BIAS指标详解(图) 趋势线6种买入信号(图解) 如何根据趋势线买卖股票(图) 上升趋势线和下降趋势线(图解) 什么是趋势?如何画趋势线?(图) 江恩角度线与江恩箱(图解) 用SAR指标寻找买卖点(图解) 布林线BOLL指标介绍及应用(图解) 什么是趋势线,如何运用趋势线(图解) BOLL 线的使用方法(图解) CCI指标顶背离卖出信号(图解) PSY心理线选股技巧(图解) OBV指标分析庄家出货(图解) 三死叉见顶技术形态(图解) 三金叉见底技术形态(图解) BIAS指标趋势线买入信号(图解) CCI指标背离抄底(图解) DMI指标捕捉股票买点(图解) 三线合一技术形态(图解) 如何应用布林线买卖股票(图解) 主流股票软件技术分析能力对比(图) DMI指标的特点与应用CR指标的特点与应用OBV指标的特点,应用与注意事项SAR指标的特点与应用布林线的特点与应用江恩理论图解教程(图) 趋势线分析图解教程(图) BIAS基本图形一览表(图解) 乖离率BIAS入门知识(图) 趋势线基本图形表(图解) RSI指标周线的应用江恩角度线图解教程(图) 趋势分析入门与实战(图)

几个常用股票技术指标介绍主要股票技术指标分析方法 1 主要股票技术指标分析方法2 如何分析技术指标的背离RSI指标入门与分析技巧改进W％R指标捕捉波段黑马股票ＯＸ图介绍(图) 价格和时间并重的分析工具SAR指标殷保华江恩八线理论运用RSI指标捕捉黑马(图) DMI指标寻底策略(图解) 宝塔线追踪强势股(图) RSI指标应用图解(图) 职业机构的选股指标-OBV能量潮RSI强势图形分析(图) BIAS图形分析一例(图) RSI使用方法入门(图) RSI指标的应用原则由乖离率判断大盘指数走势(图) 什么是通道线(图) SAR指标使用方法图解(图) 童牧野论宝塔线情绪指标BRAR的综合应用OBV线（成交量净额法）运用原则SAR 与CR的职业应用ADR与藤落指标的职业应用布林线在股票投资中的应用BRAR 人气指标使用方法中长线怎么运用布林线？主力控盘指标CYW抄底逃顶利器威廉指标W%R主要使用原则PSY心理线和OBV人气指标盘口运用技巧TRIX指标原理及分析股价走势应用方法体味布林线活用动向指标TRIX：研判拉升的利器RSI实战选择中线黑马判断量价配合关系的OBV线MIKE指标简介宝塔线指标TOW使用入门动向指数(DMI)原理 相对强弱指数(RSI)简介布林通道实战应用BRAR人气指标实战应用BRAR买卖人气从中来指标谈之DMI 量比排行榜—异动个股的监测器DMI,反应较其他指标更敏感的动

乖离率指标

第一节. 乖离率指标的原理和算法 乖离率指标是测量股价偏离均线大小程度的指标，当股价偏离市场平均成本过大，都有一个回归的过程，即“物极必反”。 乖离率指标BIAS是移动平均线衍生的指标。没有移动平均线，就没有乖离率。 移动平均线只能又来判断趋势，无法预测股价的高低，而乖离率指标BIAS 可以用来测试股价的高与低。 一．乖离率具有五大分析理论 1.区间原理 乖离率指标BIAS可预测股价波段的高低点 2.趋势原理 乖离率指标BIAS加上一条移动平均线，可看出股价趋势。 3.领先原理 将乖离率指标BIAS看成K线与移动平均的关系，先于K线出现买卖信号。4.背离原理 依照BIAS的背离，可测多空力道的强弱 5.共振原理 通过不同周期的乖离率BIAS组合使用，可以研判中长线的顶底行情。 二．乖离率指标的计算方法 1.计算公式： BIAS = ( 收盘价—收盘价的N日简单移动平均) / 收盘价的N日简单移动平均* 100 2.参数设置： BIAS指标有三条指标线，因此N的参数也有三种：6，12，24. 第二节. 乖离率指标的基础应用法则 1.乖离率表现个股当日收盘价与移动平均线之间的差距： （1）当股价的正乖离扩大到一定极限时，表示短期获利较大，获利回吐的可能性较高。 （2）当股价的负乖离扩大到一定极限时，则空头回补的可能性较高。 2.股价与乖离率达到何种程度才是买进卖出的机会，不同的市场，不同的时期， 不同的周期和移动平均线的算法，所得出的乖离率不同，要具体对待。（1）在多头行情中，会出现很多高价，可于前期高价的正乖离率点卖出。（2）在空头行情中，会使负乖离率加大，可于前次低价的负乖离时买进。 3.依乖离率买进股票的法则，可大致参考 （1）6日乖离率小于—4%是买进时机，大于+4.5%是卖出时机 （2）12日乖离率小于—5.5%是买进时机，大于+6%是卖出时机 （3）24日乖离率小于—8%是买进时机，大于+9%是卖出时机 注：由于个股特性不同，需要进一步测算出适合个股行情的最佳极限买卖值。第三节. 区间原理的应用法则 核心原则: 股票和指数的历史区间性是不完全相同的。 1.由于股价是由投资者的行为造成的，会在某种程度上不断重复一定的模式：（1）股价涨得越高，追高的买盘就越少，而持股获利者就会有卖出。 （2）股价跌得越深，持股者杀跌意愿降低，卖盘压力减轻，逢低买进增加。注：而BIAS就是在预测这个临界点，也就是股价“物极必反”的特性

乖离率指标(BIAS)的原理及用法

乖离率指标(BIAS)的原理及用法 其计算公式如下: 乖离率二(当日收盘价一N日内移动平均价)/N日内移动平均价x100%。 5日乖离率二(当日收盘价一5日内移动平均价)巧日内移动平均价x100%。 公式中的N日按照选定的移动平均线周期参数来确定，实战中将分析软件中的原有参数改为 5、 10、 30、60日即可。 从上面的计算公式可以看出，当股价在移动平均线之上波动时，其BIAS数值为正数，称为正乖离率，反之称为负乖离率;当股价与移动平均线重合，乖离率为零。在股价的升降过程中，乖离率反复在零点两侧变化，数值的大小对未来股价的走势分析具有一定的预测功能。正乖离率超过一定数值时，显示短期内多头获利较大，获利回吐的可能性也大，呈卖出信号;负乖离率超过一定数值时，说明空头回补的可能性较大，呈买入信号。 乖离率指标的常规应用法则: 乖离率究竟达到何种程度才是买卖时机?这并没有统一的原则，而月股价与各种短中期移动平均线的乖离率都有不同的乖离程度，根据不同品种的波动特性，使用者只能靠自己的经验判断一段行情的强势或弱势，作为买卖股

票的依据，下面列举的常规应用法则仅提供参考: (1)5日乖离率小于－4%是买进时机，大于4、5%卖出时机; (2)10日乖离率小于－5、5%是买进时机，大于6%卖出时机; (3)30日乖离率小于－8%是买进时机，大于9%卖出时机; (4)60日乖离率小于－12%是买进时机，大于13%卖出时机 二、单根BIAS曲线的分析在任何股市分析软件上，我们都可以把一根BIAS曲线设为主要研判曲线，其它BIAS曲线的参数都设为0，这样我们也可以用这一根曲线的形态对行情进行分析判断。以12日BIAS指标为例，具体分析如下： 1、BIAS曲线的形态BIAS曲线出现的各种形态也是判断行情走势、决定买卖时机的一种分析方法。（1）当BIAS曲线在高位形成M头或三重顶等顶部反转形态时，可能预示着股价由强势转为弱势，股价即将大跌，应及时卖出股票。如果股价的曲线也出现同样形态则更可确认，其跌幅可以用M头或三重顶等形态理论来研判。（2）当BIAS曲线在低位出现W底或三重底等底部反转形态时，可能预示着股价由弱势转为强势，股价即将反弹向上，可以逢低少量吸纳股票。如果股价曲线也出现同样形态更可确认，其涨幅可以用W底或三重底形态理论来研判。（3）BIAS曲线的形态中M头和三重顶形态的准确性要大于W底和三重底 2、BIAS曲线与股价运行曲线的配合使用（1）当股价曲线与BIAS曲线从低位同步上升，表示短期内股价有望触底反弹或继续上涨趋势。此时，投资者可逢低买入或持股待涨。（2）当BIAS

乖离率指标

乖离率指标 乖离率BIAS[?ba??s]指标是依据葛兰威移动均线八大法则而派生出来的技术分析指标，它是通过一定的数学公式，来计算和总结出当价格偏离移动平均线的程度，指出买卖时机。该指标是目前股市技术分析中一种短、中、长期皆可的技术分析工具。 第一节BIAS指标的原理和计算方法 一、乖离率指标原理 乖离率（BIAS）是测量股价偏离均线大小程度的指标。它是对移动平均线理论的重要补充。它的功能在于测算股价在变动过程中与移动平均线的偏离程度，从而得出股价在剧烈变动时，因偏离移动趋势过远而可能造成得回挡和反弹。因此，该指标认为如果股价离移动平均线太远，不管是股价在移动平均线之上，还是在移动平均线之下，都不会保持太长的时间，而且随时会有反转现象发生，使股价再次趋向移动平均线。 乖离率（BIAS）简称Y值也叫偏离率，是反映一定时期内股价与其移动平均数偏离程度的指标。其值是通过百分比的形式来表示股价与平均移动线之间的差距。如果股价在均线之上，则为正值；如果股价在均线之下，则为负值。乘离率指标的理论基础主要从投资者心理角度来分析。因为均线可以代表平均持仓成本，还可以视为某一时期内买卖双方都能接受的均衡价格，利好利空的刺激，造成股价出现暴涨暴跌，但是，股价距离移动平均线太远时会重新向平均线靠拢。 乖离率是一种简单而又有效的分析工具，但在使用过程中周期的选择十分重要。如果基期太短，反应过于敏感，如果基期太长，反应过于迟钝。二、乖离率指标的计算方法 由于选用的计算周期不同，乖离率指标计算包括N日乖离率指标、N周乖离率、N月乖离率和年乖离率以及N分钟乖离率等很多种类型。经常被用于股市研判的是日乖离率和周乖离率。虽然它们计算时取值有所不同，但基本的计算方法一样，也比较简单，其公式如下： 乖离率=[(当日收盘价-N日平均价)/N日平均价]*100% 其中N，一般5、6、10、12、24、30和72。在实际运用中，短线使用6日乖离率较为有效，中线则放大为10日或12日。 无论在上涨行情中，还是在下跌行情中，只要趋势稳定，乖离率都将在

乖离率BIAS指标使用详解图文稿

乖离率B I A S指标使用 详解 集团文件发布号：（9816-UATWW-MWUB-WUNN-INNUL-DQQTY-

1、乖离率的由来 乖离率(Bias)是依附在移动平均在线的指标，无移动平均线，则无乖离率，可算是移动平均线衍生的指标。移动平均线只能用来判断趋势，无法预测股价高低点，而乖离率(Bias)即可用来测试高低点。 葛南维（jogepsb ganvle）教授八大法则中，提到：股价若离移动平均线（ＭＡ）太远，则未来股价会朝移动平均线靠近，此为「磁线」效应；而股价与移动平均线的距离即为乖离。 公式： P - (T)MA (T)MA T：代表天数，也就是几日的移动平均线 P：当天收盘价 P-(T)MA：为股价与移动平均线的距离，即为乖离。 若为涨势，乖离是正数，因股价必在移动平均线之上，是为正乖离；同理，若为跌势，乖离是负数，是为负乖离。 2、乖离率的特性 区间性：预测股价波段的高低点 趋势性：Bias加上一移动平均线，可看出股价趋势 领先性：把Bias看成ｋ线与移动平均的关系，可领先ｋ线出现买卖讯号 强弱性：依Bias之背离，可测多空力道的强弱 3、如何发挥Bias的特性 区间性 （1）. 由于股价是由人类行为所创造，既是人类的行为，就会不断重复一定的模式。表现于股价上，即是涨越高，追高买盘越少，而持股者已有一定的获利水准，会有卖出的动作；跌越深，持股者杀低意愿降低，卖压减轻，而逢低买盘渐增。而Bias即在测此临界点，也就是股价反转点。 （2）. 而Bias自移动平均线而来，而移动平均线葛兰碧八大法则中，有四法则与Bias有关： A. 股价涨高，会朝移动平均线拉回。 B. 股价跌深，会朝移动平均线靠近。 C. 当涨势中，拉回触及上升的移动平均线，是买点。 D. 当跌势中，反弹触及下跌的移动平均线，是卖点。 上述四点，即是「磁线」效应，而A.B.二点即是乖离率的应用；C.点于“拉回触及移动平均线”和D.点“反弹触及移动平均线”表现在公式中，即分子部分为P-(T)MA = 0，可得乖离率为零，Bias触及零轴。即C.涨势中，拉回至零轴是买点；D.跌势中，反弹至零轴是卖点。