怎么分析ROC指标

1. 怎么分析ROC指标

您好，ROC指标主要分析如下：当ROC向下跌破零，卖出信号；ROC向上突破零，买入信号；股价与ROC从高位同时下降，警惕回落。

2. ROC指标?

ROC又称变动率指标，乃以今天的收盘价比较其N天前的收盘价的差除以N天前的收盘，以比率表示之，采用12天及25天周期可达到相当的效果。与MACD、RSI、KDJ等指标一样，ROC也是技术分析最常见的参考指标之一。

3. 如何分析ROC曲线结果

   受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。接受者操作特性曲线就是以虚报概率为横轴，击中概率为纵轴所组成的坐标图，和被试在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线。传统的诊断试验评价方法有一个共同的特点，必须将试验结果分为两类，再进行统计分析。ROC曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况，允许有中间状态，可以把试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。因此，ROC曲线评价方法适用的范围更为广泛。[1] 中文名 受试者工作特征曲线外文名 receiver operating characteristic curve又    称 感受性曲线定    义 根据一系列不同的二分类方式作    用 查出任意界限值分析步骤 ROC曲线绘制，评价统计量计算目录
1.主要作用编辑1.ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。2.选择最佳的诊断界限值。ROC曲线越靠近左上角,试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好阈值，其假阳性和假阴性的总数最少。3.两种或两种以上不同诊断试验对疾病识别能力的比较。在对同一种疾病的两种或两种以上诊断方法进行比较时，可将各试验的ROC曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的ROC曲线下的面积(AUC)进行比较，哪一种试验的 AUC最大，则哪一种试验的诊断价值最佳。[1] 2分析步骤编辑1.ROC曲线绘制。依据专业知识，对疾病组和参照组测定结果进行分析，确定测定值的上下限、组距以及截断点（cut-off point），按选择的组距间隔列出累积频数分布表，分别计算出所有截断点的敏感性、特异性和假阳性率（1-特异性）。以敏感性为纵坐标代表真阳性率，（1-特异性）为横坐标代表假阳性率，作图绘成ROC曲线。2.ROC曲线评价统计量计算。ROC曲线下的面积值在1.0和0.5之间。在AUC>0.5的情况下，AUC越接近于1，说明诊断效果越好。AUC在 0.5～0.7时有较低准确性，AUC在0.7～0.9时有一定准确性，AUC在0.9以上时有较高准确性。AUC=0.5时，说明诊断方法完全不起作用，无诊断价值。AUC<0.5不符合真实情况，在实际中极少出现。3.两种诊断方法的统计学比较。两种诊断方法的比较时，根据不同的试验设计可采用以下两种方法：①当两种诊断方法分别在不同受试者身上进行时，采用成组比较法。②如果两种诊断方法在同一受试者身上进行时，采用配对比较法。[1] 3优点编辑该方法简单、直观，通过图示可观察分析方法的临床准确性，并可用肉眼作出判断。ROC曲线将灵敏度与特异性以图示方法结合在一起，可准确反映某分析方法特异性和敏感性的关系，是试验准确性的综合代表。ROC曲线不固定分类界值，允许中间状态存在，利于使用者结合专业知识，权衡漏诊与误诊的影响，选择一更佳截断点作为诊断参考值。提供不同试验之间在共同标尺下的直观的比较，ROC曲线越凸越近左上角表明其诊断价值越大，利于不同指标间的比较。曲线下面积可评价诊断准确性。[1] 4意义编辑ROC曲线指受试者工作特征曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。5绘制编辑ROC曲线的具体绘制实例：杨治良（1983）曾做过这样一个实验：选图画页500页，分成五个组，每组100张。五组画页的先定概率分别是0.1、0.3、0.5、0.7和0.9。对于每一组画页，主试者使用一种信号的先定概率，然后按此先定概率呈现给被试者一定数量的画页，要求被试者把它们当做“信号”记住。例如，先定概率为0.1时，则当作“信号”的画页为10张；当做“噪音”的画页为90张。作为信号的画页呈现完毕之后，与此组作为噪音的画页混合，然后随机地逐张呈现给被试。这时，每呈现一张画页，即要求被试判断此画页是“信号”还是“噪音”，并要求被试把结果记录在实验纸上。根据五种先定概率得到的实验结果，就可计算击中概率和虚惊概率。最后，根据不同先定概率下的击中概率和虚惊概率，就可在图上确定各点的位置，把五点联接起来就绘成一条 ROC曲线。6例子编辑考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false negative）。列联表如下表所示，1代表正类，0代表负类。　　预测　　10合计实际1True Positive（TP）False Negative（FN）Actual Positive(TP+FN)　　0False Positive（FP)True Negative(TN)Actual Negative(FP+TN)合计　　Predicted Positive(TP+FP)Predicted Negative(FN+TN)TP+FP+FN+TN从列联表引入两个新名词。其一是真正类率(true positive rate ,TPR), 计算公式为TPR=TP/ (TP+ FN)，刻画的是分类器所识别出的 正实例占所有正实例的比例。另外一个是假正类率(false positive rate, FPR),计算公式为FPR= FP / (FP + TN)，计算的是分类器错认为正类的负实例占所有负实例的比例。还有一个真负类率（True Negative Rate，TNR），也称为specificity,计算公式为TNR=TN/ (FP+ TN) = 1 - FPR。在一个二分类模型中，对于所得到的连续结果，假设已确定一个阀值，比如说 0.6，大于这个值的实例划归为正类，小于这个值则划到负类中。如果减小阀值，减到0.5，固然能识别出更多的正类，也就是提高了识别出的正例占所有正例的比例，即TPR，但同时也将更多的负实例当作了正实例，即提高了FPR。为了形象化这一变化，在此引入ROC。Receiver Operating Characteristic,翻译为"接受者操作特性曲线"，够拗口的。曲线由两个变量1-specificity 和 Sensitivity绘制. 1-specificity=FPR，即假正类率。Sensitivity即是真正类率，TPR(True positive rate),反映了正类覆盖程度。这个组合以1-specificity对sensitivity,即是以代价(costs)对收益(benefits)。下表是一个逻辑回归得到的结果。将得到的实数值按大到小划分成10个个数 相同的部分。Percentile实例数正例数1-特异度(%)敏感度(%)10618048792.7334.6420618028049.8054.55306180216518.2269.92406180150628.0180.6250618098738.9087.6260618052950.7491.3870618036562.9393.9780618029475.2696.0690618029787.5998.171006177258100.00100.008ROC分析编辑SPSS 9.0以上版本可进行ROC分析，操作步骤如下：1.定义列变量，并输入数据（1）诊断分类值或检测结果（test）：多个诊断试验则定义test1，test2，...（2）金标准类别（group）：1=病例组，0=对照组（3）分类频数（freq），需要进一步执行第二步2.说明频数变量 路径：Data\Weight Case..., 选项：Weight case by， 填表：Freqency Variable （freq）3.ROC分析：路径：Grahps\Roc Curve... 填表：Test Variable（test）， State Variable （group）， Value of state variable，选项包括：(display) ROC Curve，with diagonal reference line （机会线）， standard error and confidence interval （面积的标准误，及其可信区间）， Coordinate points of the ROC curve （ROC曲线的坐标点）， options：test direction （如果检测值小划归为阳性，则需要选）， cofidence level （%）：需要除95%以外的可信度，可在此定义。如果是连续型测量资料，则不需要第1步的（3）及第2步。[1] 9R中绘制编辑ROCR包中主要是两个class：prediction和performance。前者是将预测结果和真实标签组合在一起，生成一个 prediction对象，然后在用performance函数，按照给定的评价方法，生成一个performance对象，最后直接对 performance用plot函数就能绘制出相应的ROC曲线。123456# plot a ROC curve for a single prediction run# and color the curve according to cutoff.data(ROCR.simple)pred <- prediction(ROCR.simple$predictions, ROCR.simple$labels)perf <- performance(pred,"tpr","fpr")plot(perf,colorize=TRUE)上面是ROCR中的一个例子，ROCR.simple$predictions是预测结果，ROCR.simple$labels是真实的标签，从而产生一个prediction对象；然后tpr是true positive rate的意思，fpr则是false positive rate的意思，这样最后画出来的就是最常见的ROC曲线。注：转自扩展阅读2的网址

4. 股票ROC指标是怎么看的呢？求高手指点。

我也是新手，不太会，可以去大型的网站看看。

5. 什么是ROC指标

变动率指标（ROC），是以当日的收盘价和N天前的收盘价比较，通过计算股价某一段时间内收盘价变动的比例，应用价格的移动比较来测量价位动量，达到事先探测股价买卖供需力量的强弱，进而分析股价的趋势及其是否有转势的意愿，属于反趋势指标之一。

6. 股票ROC指标到底怎么看的啊？

怎么看的话，我也说不好。

7. 什么是roc技术指标参数？

ROC是变动率指标，与MACD指标、RSI指标等都是比较常用的参考指标之一。我们在运用时对于roc指标参数设置方法会感到困扰，如何设置才能起到最佳效果?今天让我们一起来看看roc指标参数值设置多少好,roc指标参数设置技巧。
ROC是以当日的收盘价和N天前的收盘价比较，通过计算股价某一段时间内收盘价变动的比例，应用价格的移动比较来测量价位动量，所以在股市当中，我们需要知道注意ROC指标。但是roc指标设置参数哪些是最佳的呢?
目前来说，roc指标最佳的参数设置一般情况就是三根超买线，而且第一根是超买线(参数值5-10)，第二根是超买线(参数值12-17)，第三根是超买线(参数值18-35)。所以当我们设置好了这些参数之后，那么对于股市日后的操作也是比较熟悉了。
另外，这三根线往往暗示的就是整个市场行情的变化，所以我们操作上要注意第一根线是拉升信号、第二根是波段信号、第三根是强势信号。基本上指标参数是无需去设置的，如果确定要去设置，那么也要根据最准确的数据去设置。
1.每只股票都需具体界定其超买超卖值。界定某只股票的超买超卖值时，可以观察近一年来ROC在“常态范围”中，大约上升与下跌位置。此距离就是第一条超买超卖线的位置，再以此等距离向上和向下，画第二条、第三条超买超卖线。
2.为了判断是否处于“常态范围”，可参考BR、CR、VR等指标，如果上述指标没有异常上扬，大致上都属于“常态范围”。

8. MT4里的ROC指标怎么弄？

可以添加的。
选择→导航器，然后会出现三组功能，其中一项就是技术指标I，英文表示为ndicator。
这里有一列技术指标在' Indicator'组合中。你可以选择指标到目前的图表上，用双击鼠标左键。你可以插入指标到图表上（或在图表中取消）从主菜单中(‘Insert-