色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

如何利用Python技術(shù)評(píng)估蘋(píng)果公司股價(jià)

馬哥Linux運(yùn)維 ? 來(lái)源:未知 ? 作者:工程師飛燕 ? 2018-07-23 17:00 ? 次閱讀

要點(diǎn)搶先看

1.csv數(shù)據(jù)的讀取

2.利用常用函數(shù)獲取均值、中位數(shù)、方差、標(biāo)準(zhǔn)差等統(tǒng)計(jì)量

3.利用常用函數(shù)分析價(jià)格的加權(quán)均值、收益率、年化波動(dòng)率等常用指標(biāo) 4.處理數(shù)據(jù)中的日期

我們最后會(huì)介紹一下NumPy庫(kù)中的一些非常實(shí)用和常用的函數(shù)方法。

要知道,NumPy的常用數(shù)學(xué)和統(tǒng)計(jì)分析的函數(shù)非常多,如果我們一個(gè)一個(gè)的分散來(lái)講,一來(lái)非常枯燥,二來(lái)呢也記不住,就仿佛又回到了昏昏欲睡的課堂,今天我們用一個(gè)背景例子來(lái)串聯(lián)一下這些零散的知識(shí)點(diǎn)。

我們通過(guò)分析蘋(píng)果公司的股票價(jià)格,來(lái)串講NumPy的常用函數(shù)用法

我們?cè)谖覀?a href="http://www.1cnz.cn/tags/python/" target="_blank">python文件的同級(jí)目錄下放置數(shù)據(jù)文件AAPL.csv,用excel文件可以打開(kāi)看看里面是什么樣的:

如何利用Python技術(shù)評(píng)估蘋(píng)果公司股價(jià)

依次是日期,收盤(pán)價(jià)、成交量、開(kāi)盤(pán)價(jià)、最高價(jià)和最低價(jià) 在CSV文件中,每一列數(shù)據(jù)數(shù)據(jù)是被“,”隔開(kāi)的,為了突出重點(diǎn)簡(jiǎn)化程序,我們把第一行去掉,就像下面這樣

如何利用Python技術(shù)評(píng)估蘋(píng)果公司股價(jià)

首先,我們讀取“收盤(pán)價(jià)”和“成交量”這兩列,即第1列和第2列(csv也是從第0列開(kāi)始的)


	
  1. import numpy as np

  2. c, v = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,2), unpack=True)

  3. print(c)

  4. print(v)

  5. [178.02178.65178.44179.97181.72179.98176.94175.03176.67 176.82176.21175. 178.12178.39178.97175.5 172.5 171.07 171.85172.43172.99167.37164.34162.71156.41155.15159.54 163.03156.49160.5 167.78167.43166.97167.96171.51171.11 174.22177.04177. 178.46179.26179.1 176.19177.09175.28 174.29174.33174.35175. 173.03172.23172.26169.23171.08 170.6 170.57175.01175.01174.35174.54176.42]

  6. [38313330.22676520.29334630.31464170.32191070.32130360. 24518850.31686450.23273160.27825140.38426060.48706170. 37568080.38885510.37353670.33772050.30953760.37378070. 33690660.40113790.50908540.40382890.32483310.60774900. 70583530.54145930.51467440.68171940.72215320.85957050. 44453230.32234520.45635470.50565420.39075250.41438280. 51368540.32395870.27052000.31306390.31087330.34260230. 29512410.25302200.18653380.23751690.21532200.20523870. 23589930.22342650.29461040.25400540.25938760.16412270. 21477380.33113340.16339690.20848660.23451420.27393660. 29385650.]

這樣,我們就完成了第一個(gè)任務(wù),將csv數(shù)據(jù)文件中存儲(chǔ)的數(shù)據(jù),讀取到我們兩個(gè)ndarray數(shù)組c和v中了。

接下來(lái),我們小試牛刀,對(duì)收盤(pán)價(jià)進(jìn)行最簡(jiǎn)單的數(shù)據(jù)處理,求取他的平均值。

第一種,非常簡(jiǎn)單,就是我們最常見(jiàn)到的算數(shù)平均值


	
  1. import numpy as np

  2. c, v = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,2), unpack=True)

  3. mean_c = np.mean(c)print(mean_c)

  4. 172.614918033

第二種,是加權(quán)平均值,我們用成交量來(lái)加權(quán)平均價(jià)格

即,用成交量的值來(lái)作為權(quán)重,某個(gè)價(jià)格的成交量越高,該價(jià)格所占的權(quán)重就越大。


	
  1. import numpy as np

  2. c, v = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,2), unpack=True)

  3. vwap = np.average(c, weights=v)

  4. print(vwap)

  5. 170.950010035

再來(lái)說(shuō)說(shuō)取值范圍,找找最大值和最小值

我們找找收盤(pán)價(jià)的最大值和最小值,以及最大值和最小值之間的差異


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. print(np.max(c))

  4. print(np.min(c))

  5. print(np.ptp(c))

  6. 181.72

  7. 155.15

  8. 26.57

接下來(lái)我們進(jìn)行簡(jiǎn)單的統(tǒng)計(jì)分析

我們先來(lái)求取收盤(pán)價(jià)的中位數(shù)


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. print(np.max(c))

  4. print(np.min(c))

  5. print(np.median(c))

  6. 181.72

  7. 155.15

  8. 174.35

求取方差

另外一個(gè)我們關(guān)心的統(tǒng)計(jì)量就是方差,方差能夠體現(xiàn)變量變化的程度。在我們的例子中,方差還可以告訴我們投資風(fēng)險(xiǎn)的大小。那些股價(jià)變動(dòng)過(guò)于劇烈的股票一定會(huì)給持有者帶來(lái)麻煩


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. print(np.var(c))

  4. 37.5985528621

我們回顧一下方差的定義,方差指的是各個(gè)數(shù)據(jù)與所有數(shù)據(jù)算數(shù)平均數(shù)的離差平方和的均值


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. print(np.mean((c - c.mean())**2))

  4. 37.5985528621

上下對(duì)比一下,看看,結(jié)果是一模一樣的。

現(xiàn)在我們來(lái)看看每天的收益率,這個(gè)計(jì)算式子很簡(jiǎn)單:

diff函數(shù)時(shí)用數(shù)組的第N項(xiàng)減第N-1項(xiàng),得到一個(gè)n-1項(xiàng)的一維數(shù)組。本例中我們注意到數(shù)組中日期越近的收盤(pán)價(jià),數(shù)組索引越小,因此得取一個(gè)相反數(shù),綜上代碼:


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. returns =-np.diff(c)/c[1:]

  4. print(returns)

  5. [-0.003526450.00117687-0.00850142-0.0096302 0.009667740.01718097 0.01091242-0.00928284-0.000848320.003461780.00691429-0.01751628-0.00151354-0.003240770.019772080.0173913 0.00835915-0.00453884-0.00336368-0.003237180.0335783 0.018437390.010017820.04027875 0.00812117-0.02751661-0.0214071 0.04179181-0.02498442-0.04339015 0.002090430.00275499-0.00589426-0.0206985 0.00233768-0.01785099-0.0159286 0.00022599-0.00818111-0.004462790.000893360.01651626-0.005082160.010326340.00568019-0.00022945-0.00011471-0.00371429 0.011385310.00464495-0.000174160.01790463-0.010813650.0028136 0.00017588-0.02536998-0. 0.00378549-0.00108858-0.01065639]

然后觀察一下每日收益的標(biāo)準(zhǔn)差,就可以看看收益的波動(dòng)大不大了


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. returns =-np.diff(c)/c[1:]

  4. print(np.std(returns))

  5. 0.0150780328454

如果我們想看看哪些天的收益率是正的,很簡(jiǎn)單,還記得where語(yǔ)句嗎,拿來(lái)使用吧


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. returns =-np.diff(c)/c[1:]

  4. print(np.where(returns>0))

  5. (array([1,4,5,6,9,10,14,15,16,20,21,22,23,24,27,30,31,34,37,40,41,43,44,48,49,51,53,54,57], dtype=int64),)

專業(yè)上我們對(duì)價(jià)格變動(dòng)可以用一個(gè)叫做“波動(dòng)率”的指標(biāo)進(jìn)行度量。計(jì)算歷史波動(dòng)率時(shí)需要用到對(duì)數(shù)收益率,對(duì)數(shù)收益率很簡(jiǎn)單,就是

我們簡(jiǎn)單的看一下下面的代碼


	
  1. import numpy as np

  2. c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(1,), unpack=True)

  3. logreturns =-np.diff(np.log(c))

  4. volatility = np.std(logreturns)/ np.mean(logreturns)

  5. annual_volatility = volatility / np.sqrt(1./252.)

  6. print(volatility)

  7. print(annual_volatility)

  8. 100.096757388

  9. 1588.98676256

這里我們?cè)購(gòu)?qiáng)調(diào)一點(diǎn)就是:sqrt方法中應(yīng)用了除法計(jì)算,這里必須使用浮點(diǎn)數(shù)進(jìn)行運(yùn)算。月度波動(dòng)率也是同理用1./12.即可

我們可以常常會(huì)發(fā)現(xiàn),在數(shù)據(jù)分析的過(guò)程中,對(duì)于日期的處理和分析也是一個(gè)很重要的內(nèi)容。

我們先試圖用老辦法來(lái)從csv文件中把日期數(shù)據(jù)讀出來(lái)


	
  1. import numpy as np

  2. dates,c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(0,1), unpack=True)

  3. Traceback(most recent call last):

  4. File"E:/12homework/12homework.py", line 2,in

  5. dates,c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(0,1), unpack=True)

  6. File"C:\Python34\lib\site-packages\numpy\lib\npyio.py", line 930,in loadtxt

  7. items =[conv(val)for(conv, val)in zip(converters, vals)]

  8. File"C:\Python34\lib\site-packages\numpy\lib\npyio.py", line 930,in

  9. items =[conv(val)for(conv, val)in zip(converters, vals)]

  10. File"C:\Python34\lib\site-packages\numpy\lib\npyio.py", line 659,in floatconv

  11. returnfloat(x)

  12. ValueError: could not convert string to float: b'2018/3/16'

我們發(fā)現(xiàn)他報(bào)錯(cuò)了,錯(cuò)誤信息是不能將一個(gè)字節(jié)類型的對(duì)象轉(zhuǎn)換為浮點(diǎn)類型對(duì)象。原因是因?yàn)镹umPy是面向浮點(diǎn)數(shù)運(yùn)算的,那么我們對(duì)癥下藥,對(duì)日期字符串進(jìn)行一些轉(zhuǎn)換處理。

我們先假定日期是一個(gè)字符串類型(下載網(wǎng)絡(luò)數(shù)據(jù)中往往是將字符串通過(guò)utf-8編碼成字節(jié)碼,這個(gè)可以見(jiàn)第一季中字符編碼相關(guān)內(nèi)容的介紹)


	
  1. import numpy as np import datetime

  2. strdate ='2017/3/16'

  3. d = datetime.datetime.strptime(strdate,'%Y/%m/%d')

  4. print(type(d))

  5. print(d)

  6. <class'datetime.datetime'>

  7. 2017-03-1600:00:00

通過(guò)python標(biāo)準(zhǔn)庫(kù)中的datetime函數(shù)包,我們通過(guò)指定匹配的格式%Y/%m/%d

將日期字符串轉(zhuǎn)換為了datetime類型對(duì)象,Y大寫(xiě)匹配完整的四位數(shù)記年,y小寫(xiě)就是兩位數(shù),例如17。

datetime對(duì)象有一個(gè)date方法,把datetime對(duì)象中的time部分去掉,變成一個(gè)純的日期,再調(diào)用weekday可以轉(zhuǎn)換為一周中的第幾天,這里是從周日開(kāi)始算起的。


	
  1. import numpy as np import datetime

  2. strdate ='2018/3/16'

  3. d = datetime.datetime.strptime(strdate,'%Y/%m/%d')

  4. print(d.date())

  5. print(d.date().weekday())

  6. 2018-03-164

最后,我們回到這份蘋(píng)果公司股價(jià)的csv文件,來(lái)做一個(gè)綜合分析,來(lái)看看周幾的平均收盤(pán)價(jià)最高,周幾的最低:


	
  1. import numpy as np import datetime

  2. def datestr2num(bytedate):

  3. return datetime.datetime.strptime(

  4. bytedate.decode('utf-8'),'%Y/%m/%d').date().weekday()

  5. dates,c = np.loadtxt('AAPL.csv', delimiter=',', usecols=(0,1),

  6. converters={0: datestr2num}, unpack=True)

  7. averages = np.zeros(5)

  8. for i in range(5):

  9. index = np.where(dates == i)

  10. prices = np.take(c, index)

  11. avg = np.mean(prices)

  12. averages[i]= avg print("Day {} prices: {},avg={}".format(i,prices,avg))

  13. top = np.max(averages)

  14. top_index = np.argmax(averages)

  15. bot = np.min(averages)

  16. bot_index = np.argmin(averages)

  17. print('highest:{}, top day is {}'.format(top,top_index))

  18. print('lowest:{},bottom day is {}'.format(bot,bot_index))

  19. Day0 prices:[[181.72176.82178.97162.71156.49167.96177. 174.35176.42]],avg=172.49333333333334

  20. Day1 prices:[[179.97176.67178.39171.85164.34163.03166.97177.04176.19 174.33172.26170.57174.54]],avg=172.78076923076924

  21. Day2 prices:[[178.44175.03178.12171.07167.37159.54167.43174.22179.1 174.29172.23170.6 174.35]],avg=172.44538461538463

  22. Day3 prices:[[178.65176.94175. 172.5 172.99155.15167.78171.11179.26 175.28173.03171.08175.01]],avg=172.59846153846152

  23. Day4 prices:[[178.02179.98176.21175.5 172.43156.41160.5 171.51178.46 177.09175. 169.23175.01]],avg=172.71923076923073

  24. highest:172.78076923076924, top day is1

  25. lowest:172.44538461538463,bottom day is2

簡(jiǎn)要的再分析一下:由于從csv中讀取的數(shù)據(jù)類型為bytes,所以我們寫(xiě)了一個(gè)轉(zhuǎn)換函數(shù),先將bytes類型的日期數(shù)據(jù)進(jìn)行解碼(字符串編解碼詳見(jiàn)第一季),然后再用上一段程序介紹的方法轉(zhuǎn)換為一個(gè)表示周幾的數(shù)字

而np.loadtxt函數(shù)中的參數(shù)converters={0: datestr2num},就是說(shuō)針對(duì)第一列的數(shù)據(jù),我們利用這個(gè)轉(zhuǎn)換函數(shù)將其轉(zhuǎn)化為一個(gè)數(shù)字,并將這個(gè)整形元素構(gòu)成的數(shù)組賦值給dates變量。

后面的處理就很簡(jiǎn)單了,用循環(huán)依次取出每個(gè)工作日的收盤(pán)價(jià)構(gòu)成的數(shù)組,對(duì)其求平均值。然后得到周一到周五,五個(gè)平均值的最大值、最小值。

最后我們?cè)俳榻B兩個(gè)實(shí)用函數(shù),一個(gè)是數(shù)組的裁剪函數(shù),即把比給定值還小的值設(shè)置為給定值,比給定值大的值設(shè)置為給定上限


	
  1. import numpy as np

  2. a = np.arange(5)

  3. print(a.clip(1,3))

  4. [11233]

第二個(gè)是一個(gè)篩選函數(shù),返回一個(gè)根據(jù)給定條件篩選后得到的結(jié)果數(shù)組


	
  1. import numpy as np

  2. a = np.arange(5)

  3. print(a.compress(a >2))

  4. [34]

這一小節(jié)中,我們利用NumPy的一些實(shí)用函數(shù),對(duì)蘋(píng)果公司的股價(jià)進(jìn)行了一些非常非常簡(jiǎn)單的分析,目的是通過(guò)這個(gè)實(shí)例來(lái)串講一下這些實(shí)用的數(shù)據(jù)處理函數(shù)。

其實(shí)NumPy的功能非常非常多,遠(yuǎn)不止這些,但是沒(méi)有必要去一個(gè)一個(gè)學(xué)。并且另一方面,NumPy的方法都過(guò)于原始和底層,雖然功能很豐富,但是使用起來(lái)也很繁雜。這里我們?yōu)榇蠹掖蛞粋€(gè)基礎(chǔ),后面的章節(jié)就不會(huì)再一一介紹里面的各種函數(shù)了。后面我要介紹基于NumPy之上的一些更高層的方法庫(kù),功能更強(qiáng)大,使用也更簡(jiǎn)單。


聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 蘋(píng)果
    +關(guān)注

    關(guān)注

    61

    文章

    24398

    瀏覽量

    198586
  • python
    +關(guān)注

    關(guān)注

    56

    文章

    4793

    瀏覽量

    84634

原文標(biāo)題:用Python分析蘋(píng)果公司股價(jià)數(shù)據(jù)

文章出處:【微信號(hào):magedu-Linux,微信公眾號(hào):馬哥Linux運(yùn)維】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    蘋(píng)果公司股價(jià)站上203.51美元,成人類歷史首家萬(wàn)億美元公司

    北京時(shí)間8月3日消息,蘋(píng)果在今天成為歷史上首個(gè)市值超過(guò)1萬(wàn)億美元的公司。在北京時(shí)間8月3日晚間,蘋(píng)果公司股價(jià)站上203.51美元,總市值超過(guò)1萬(wàn)億美元。
    的頭像 發(fā)表于 08-03 09:55 ?4059次閱讀

    蘋(píng)果王者地位不保 石油巨頭沙特阿美超越蘋(píng)果公司,成為全球市值最高上市公司

    蘋(píng)果蘋(píng)果公司行業(yè)芯事行業(yè)資訊
    新知錄
    發(fā)布于 :2022年07月22日 14:58:34

    蘋(píng)果股價(jià)跌至半年內(nèi)最低 到底怎么了?

    泡泡網(wǎng)手機(jī)頻道11月19日 據(jù)科技新聞網(wǎng)站ArsTecnica報(bào)道,蘋(píng)果公司股價(jià)周五收盤(pán)于527.68美元,創(chuàng)下6個(gè)月以來(lái)最低記錄。自從今年9月份以來(lái),該公司市值已經(jīng)蒸發(fā)了近20%。蘋(píng)果
    發(fā)表于 11-19 19:08

    【轉(zhuǎn)載】蘋(píng)果公司在日本申請(qǐng)iWatch商標(biāo)

    【轉(zhuǎn)載】蘋(píng)果公司在日本申請(qǐng)iWatch商標(biāo) 新浪科技訊 北京時(shí)間7月1日下午消息,據(jù)彭博社報(bào)道,在蘋(píng)果公司將推出智能手表的消息甚囂塵上之際,該公司在日本申請(qǐng)了iWatch注冊(cè)商標(biāo)。雖然很多業(yè)內(nèi)人士
    發(fā)表于 07-02 16:35

    蘋(píng)果正開(kāi)發(fā)下一代無(wú)線充電技術(shù)

    充電技術(shù),這種技術(shù)最早可在明年用于其移動(dòng)設(shè)備?!毕⑷耸糠Q,蘋(píng)果公司目前正致力于克服技術(shù)障礙,并對(duì)這種最新技術(shù)開(kāi)發(fā)計(jì)劃的其他方面展開(kāi)
    發(fā)表于 02-01 14:26

    蘋(píng)果公司股價(jià)也在不斷波動(dòng)

    “禁令”,這次iphone8雖然出現(xiàn)類似情況,但也不完全相同,如果其在飛機(jī)上出現(xiàn)這種問(wèn)題,航空方面才會(huì)有所反應(yīng)。不過(guò),受困于最近iphone8的一系列表現(xiàn),蘋(píng)果公司股價(jià)也在不斷波動(dòng),昨日晚間
    發(fā)表于 10-10 14:06

    困獸蘋(píng)果何去何從

    ,蘋(píng)果公司最大的問(wèn)題不是出在技術(shù)領(lǐng)域,而是高層對(duì)產(chǎn)品賣點(diǎn)的認(rèn)知和定位不準(zhǔn)確。他們搞錯(cuò)了一點(diǎn):蘋(píng)果產(chǎn)品前期的成功靠的是超前創(chuàng)新這個(gè)毋庸質(zhì)疑,但近年快速擴(kuò)張,贏得今日的市場(chǎng)地位靠的不是技術(shù)
    發(fā)表于 08-28 21:04

    蘋(píng)果公司為什么要用ARM處理器

      盡管配備了出色的新鍵盤(pán),但經(jīng)過(guò)改進(jìn)的新版MacBookPro13還是有一個(gè)大問(wèn)題。蘋(píng)果再次被迫出售較舊的英特爾處理器。這個(gè)問(wèn)題表明為什么蘋(píng)果公司即將改用ARM處理器(傳聞已久,現(xiàn)在已經(jīng)確定)絕對(duì)
    發(fā)表于 06-22 11:21

    蘋(píng)果公司成為藍(lán)牙技術(shù)聯(lián)盟創(chuàng)始成員

    藍(lán)牙技術(shù)聯(lián)盟(Bluetooth Special Interest Group,簡(jiǎn)稱SIG)正式宣布蘋(píng)果公司成為藍(lán)牙技術(shù)聯(lián)盟創(chuàng)始成員(Promoter Member)。在藍(lán)牙技術(shù)聯(lián)盟的
    發(fā)表于 06-25 14:46 ?1292次閱讀

    iPhone 11銷售速度放慢 蘋(píng)果公司股價(jià)下跌1%以上

    最新報(bào)告顯示,蘋(píng)果公司11月在中國(guó)市場(chǎng)上的iPhone出貨量同比下降35%以上,這是其中國(guó)銷量連續(xù)第二個(gè)月出現(xiàn)兩位數(shù)的下滑,原因是低價(jià)版iPhone 11的銷售表現(xiàn)仍然低迷。受此消息影響,蘋(píng)果公司股價(jià)下跌1%以上。
    發(fā)表于 12-13 10:12 ?483次閱讀

    高通起訴蘋(píng)果公司的專利被判有效率

    蘋(píng)果和高通專利訴訟大戰(zhàn)期間(2017年1月至2019年4月間),蘋(píng)果公司股價(jià)“最低114.76美元,最高233.47美元”,總體走勢(shì)是“區(qū)間震蕩”。
    發(fā)表于 02-17 09:42 ?2241次閱讀

    蘋(píng)果公司總市值跌破1萬(wàn)億美元 股價(jià)下跌4.83%

    截止北京時(shí)間23:12,蘋(píng)果公司股價(jià)下跌4.83%,股價(jià)報(bào)218美元,總市值跌破1萬(wàn)億美元,現(xiàn)市值報(bào)9500多億美元。
    的頭像 發(fā)表于 03-24 09:11 ?3005次閱讀
    <b class='flag-5'>蘋(píng)果公司</b>總市值跌破1萬(wàn)億美元 <b class='flag-5'>股價(jià)</b>下跌4.83%

    蘋(píng)果公司正在研發(fā)的汽車預(yù)計(jì)2024年上市

    據(jù)報(bào)道,周一,兩家制造激光雷達(dá)傳感器的公司股價(jià)迎來(lái)飆升。其中,Velodyne 股價(jià)周一上漲近 23%,Luminar 上漲超過(guò) 27%。此前曾有媒體報(bào)道,蘋(píng)果公司正在研發(fā)一款汽車,預(yù)
    的頭像 發(fā)表于 12-22 09:21 ?1441次閱讀

    A股蘋(píng)果供應(yīng)鏈公司股價(jià)大幅下挫

    蘋(píng)果公司2021財(cái)年第一季度營(yíng)收首次突破1000億美元大關(guān),創(chuàng)下有史以來(lái)最大季度收入。但在好于預(yù)期的財(cái)報(bào)公布之后,好消息沒(méi)有推動(dòng)蘋(píng)果股價(jià)上漲。蘋(píng)果周三盤(pán)后
    的頭像 發(fā)表于 01-28 15:08 ?1689次閱讀

    iPhone15發(fā)布會(huì)剛開(kāi)始 蘋(píng)果公司股價(jià)就在下跌

    2023年的蘋(píng)果秋季發(fā)布會(huì)已經(jīng)開(kāi)始,但是發(fā)布會(huì)剛開(kāi)始,蘋(píng)果公司股價(jià)卻在下跌,目前跌1.3%,現(xiàn)在iPhone、Watch、AirPods發(fā)布會(huì)還在繼續(xù),那股價(jià)還會(huì)繼續(xù)下跌嗎?不知道庫(kù)
    的頭像 發(fā)表于 09-13 01:17 ?507次閱讀
    iPhone15發(fā)布會(huì)剛開(kāi)始 <b class='flag-5'>蘋(píng)果公司</b>的<b class='flag-5'>股價(jià)</b>就在下跌
    主站蜘蛛池模板: 国产真实强被迫伦姧女在线观看| OLDMAN老头456 TUBE| 欧美影院在线观看完整版 mp4| 都市妖奇谈有声| 亚洲精品久久YY5099| 巨胸美女狂喷奶水www网麻豆| 被高跟鞋调教丨vk| 亚洲AV无码乱码国产麻豆P | 久久热精品18国产| xiah俊秀| 亚洲精品www久久久久久| 麻豆沈芯语| 国产成人亚洲精品午夜国产馆| 亚洲中文字幕乱倫在线| 欧美做真爱欧免费看| 国产在线观看免费观看| 99精品热视频30在线热视频| 忘忧草秋观看未满十八| 久久久无码精品亚洲A片软件 | 精品国产免费人成视频| hd性欧美俱乐部中文| 亚洲AV国产福利精品在现观看| 蜜臀AV久久国产午夜福利软件| 国产精品XXXXX免费A片| 中文字幕无码A片久久| 十分钟视频影院免费| 久久精品小视频| 调教日本美女| 阴茎插入阴道| 特级做A爰片毛片免费69| 乱精品一区字幕二区| 国产精品www视频免费看| 69精品人妻一区二区三区蜜桃| 无码AV毛片色欲欧洲美洲| 榴莲推广APP网站入口下载安装| 国产成人ae在线观看网站站| 中文字幕蜜臀AV熟女人妻| 天天狠狠色综合图片区| 蜜臀AV熟女人妻中文字幕| 国产午夜精品久久理论片| jizz破处|