1：耐克的滑板是不是就被称为dunk

　　DUNK SB全称是DUNK LOW(HI) PRO SB。以前DUNK只是一双普通的篮球鞋,现在DUNK被耐克注入了更多的时尚元素,而加装了zoom air和厚鞋舌的DUNK SB逐渐成为了耐克滑板鞋的中坚力量.
SB系作为目前最主流的板鞋,其知名度与影响力已经不是BAPE、D.C.等小街牌所能比.
原来只为滑板运动创作的改进版复古鞋,现在已经成为潮流的标志.
这次来介绍一下SB系的基本资料..
首先,何谓SB?
NIKE旗下专门出品复古运动鞋的两个子品牌是LE和SB.其中.LE作为复刻原年版的篮球运动鞋的专属标志,实际上还够不上成为子品牌的条件.
而SB则是NIKE滑板运动鞋(即skate board缩写)的专属标志.
如何辨认SB与普通复古鞋?以下讲一讲SB与普通复古鞋款的区别.
首先从类别上讲,SB是滑板鞋,LE是篮球运动鞋.虽然都采用了原年的款式,但是本质上存在区别.
其次.SB系的每一款鞋都有数量上的严格控制.所以说在纪念价值上通常高于普通鞋款.(..在人民币价值上自然也..)
从外观及性能上讲,就用DUNK系列作为例子.
第一,SB鞋的鞋舌上缝有NIKE SB标志,而普通的DUNK在鞋舌上的标志是NIKE.此外AIR FORCE I的标志则是NIKE AIR.
第二,还是鞋舌.SB系DUNK的鞋舌厚度通常几倍于普通的DUNK.这是为了保护滑板运动员的脚踝的设计..而在广州,把厚鞋舌卡在裤子外面却成了潮流穿着方式..
鞋带方面,普通DUNK采用的是宽纺织鞋带.而SB采用厚鞋带.
第三,看里面的鞋垫.普通的DUNK鞋垫上印有NIKE及其swoosh logo.LE系的DUNK的鞋垫上则印有LE的logo.不同于前两者.所有SB系鞋款的鞋垫上印的都是一个仿脚印磨痕.在磨痕的脚跟处印有NIKE SB字样.此外.SB鞋的鞋垫下面会有两块附着式的Zoom Air.这自然也是出于舒适性与安全性的考虑
第四,SB系鞋款的外底边缘处有十余个凹槽.其实其他的滑板运动鞋比如D.C.、Timberland等也有这样的凹槽.这种设计主要是方便玩滑板时跳跃并用脚底提起滑板头部的动作.而原年版的DUNK一般没有这种凹槽.
最终.DUNK SB的脚后跟外侧一般会有涉及到该款鞋身份的针织logo.这就涉及到一个更深的问题.就是各大街牌与NIKE合作推出SB的体制.
我想各位所熟知的街牌应该不会很多..因为在现今这样Gucci、Fendy、Ecko等的上流社会品牌大行其道,在低价位又有S&K.MB.Baleno等等品牌的兴风作浪下,在大陆知名度不高而且价位很高的街牌时常被人们所忽略.但是酒香不怕巷子深..至少在广州和香港.街牌的忠实粉丝还是有很多的.我们把他称为潮人
扯远了.先从比较知名的两大街牌Stussy和Supreme开始说.
NIKE目前经常与这两家品牌合作推出新的SB鞋款来压榨广大中国人民的钱包.
关于分工问题,自然是NIKE提供条件器材与原鞋款.然后由街牌的Designer们出卖灵感.然后该新鞋款会以街牌的名字来命名,并在后跟外侧打上专属这款鞋的LOGO.
例子有:DUNK SB LOW SUPREME 、COURT FORCE HI STUSSY等等.
经过一段时间的磨合..这样的SB鞋当然是越出越有型..我们的钱包也..
另外NIKE大JS也有与个人合作推出SB鞋的习惯..比如为重金属乐队Unkle打造的DUNK SB HI D.U.N.K.L.E.
以及与日本滑板队T19合作的DUNK SB HI BLUETORRIST等等等等..
当然在讲到SB不得不讲讲SB的老祖宗DUNK。NIKE DUNK的本意其实是一对贴地性良好的篮球鞋。对于NIKE来说，虽然就现在眼光看来设计简单，技术含量低的DUNK绝对是一对跨世纪的鞋。如果按技术含量来说，大家常常吧认为没有气垫Dunk是其中最原始的一款。但正确的顺序是，83年NIKE为了打败老对手Converse而推出的Air Force 1 (第一双气垫鞋)让他们在市场上大获全胜，股票也节节攀升。但到了85年adidas卷土重来，运动产品市场大变，Nike面临有史以来最严重的财政危机，股价在同年下跌过半，此时为了扭转逆势，Nike做了一个后来影响全世界的动作，那就以巨资签下了当时的超级新人Michael Jordan，以Air Force One为原型，为他设计了第一双签名鞋Air Jordan One。很快所有的顶级校队都强烈要求拥有自己的队鞋，这正是后来Dunk出现的原因。在Dunk发售时有8种完全不同颜色，分别代表了北卡罗来纳大学、亚利桑那大学及阿肯色大学等八支NCAA顶尖球队。其实在设计方面Dunk是以Air Jordan 1代为设计原型，所以都拥有了极好的抓地性能和场地感，保证了那些优秀的球员在场上可以轻巧且稳定的运动，因此性能也不可挑剔。所以DUNK 在80年代受欢迎绝对不是偶然的。
到了90年代，由于美国新新街头文化的风靡，NIKE已经不光满足在常见运动界的成功，打算扩展其产多源化而涉足到街头X-GAME。当在街头文化和运动品牌来说，当时的NIKE只不过是一个二流品牌。NIKE意识到想在街头运动方面打出名堂不光需要良好的质量和顶尖的技术，在宣传方面才是最大的问题。所以他们决定打算使用和当年在篮球界一样的策略，就是使用名人带言他们的运动鞋。之后NIKE就选定了最常见也是最受欢迎的X-GAME：SKATEBOARD（滑板）作为进入接头文化的切入点。他们以不菲的价格签下当时非常著名的ZOO YORK滑板队作为他们的在 滑板界的带言。宣传策略想好了，但在市场定位方面出现了比较大的缺口，就是在高技术含量方面，NIKE的产品有URL和E-CUE，这2对专业滑板鞋都使用了NIKE当时最新的ZOOM AIR SUARE的鞋垫技术让使用者能更明显的感受到AIR的避震效果，还有最新的耐磨材料和透气材料。他们的定位是专业级别的滑板选手。但在低端却没有任何产品，NIKE立刻意识到这个问题，因为NIKE知道，在他们所需要占领的市场里，中低端才是最主要的战场，在这个档次的消费者。他们偶尔从事滑板运动作为娱乐，但和专业人士相比，并不需要那么高的技术含量。但个注重实用性和款式以便于平时穿着。这时候，NIKE看到在在复古市场上AIR FORCE ONE的成功，不由想起了DUNK，就市场寿命来说，AF1已经快接近最后的尾声，但当年市场的***DUNK就还完全没被开发过。NIKE的设计师就打算推出一个改良版的DUNK来填补NIKE在滑板界的定位空缺
最后的产品就是我们今天的主角DUNK PRO SB。新的设计把DUNK重新分类，有低筒休闲版本的DUNK LOW和高桶的原设计的DUNK HI。在功能的方面又有更详细的分类。作为最低端的的原设计的DUNK的定位是一般休闲鞋，其做工很材料也是最普通的，之后就是普通的DUNK改进版DUNK PRO作为原来DUNK的替代品，就技术而言是没有任何改变的，只是纯熟为了美观改变了鞋舌的设计和额外加送了一对鞋带来增加出不同大搭配。（BTW：我们一般说的DUNK PRO B其实就是DUNK PRO）之后就是定位低端滑板界和高端休闲的DUNK PRO SB，他在普通的原型的DUNK基础上增加了超厚鞋舌，增加的鞋子本身的滑板FEEL和舒适度，和DUNK PRO一样有多一条额外的携带，最最最重要的是把鞋垫改成了含有相当技术含量的ZOOM AIR鞋垫，避震效果绝对一流。之后要说是普通版本DUNK PRO的改进版本的DUNK PRO PREMIUM。从名字上就可以看出来是高端产品，PREMIUM的定位是高端休闲市场，起初的本意是PREMIUM系列全部都使用最高档的咖啡色油皮设计，可到了后来PREMIUM系列的定义逐渐改变，但始终都代表着DUNK 系列最好的手工和最好的材料或者是超级限量的版本。最最高端的要算DUNK LOW PRO SP了，到目前为止只有2款，他们是CHOCOLATE SP和ZOO YORK SP其实SP很少在市场流通，其实只是类似NIKE的宣传鞋。是收藏家眼中的极品。
说回今天的主角DUNK PRO SB，可能有人说这只不过是NIKE的一种商业行为，拿原来的产品抄冷饭，完全没有新异，那你们就错了，虽然DUNK PRO SB的确没有太领先的技术，但在某些方面来看，DUNK PRO SB的意义绝对是非同凡响的，因为它在尽可能少的改变原来设计的情况下，让使用者感受到最新技术，也可以说是完美的经典和新技术的结合。DUNK PRO SB的成功当然少不了NIKE自身的抄做，NIKE基本用尽了最常用的手段，利用名人带言，名人设计不同配色，超级限量和最近最红火的和其他品牌的CROSSOVER。利用前卫的颜色设计和数量上的优势，DUNK PRO SB的成功是不可能避免的。广告效应让DUNK PRO SB一夜走红，价格可飚升，在收藏家眼中DUNK PRO SB有几对绝对是极品中的极品。由于NIKE在DUNK PRO SB的改进方面的成功，随后退出来的AIR TRAINER1 SB以及BLAZER SB在市场上都大受欢迎。
现在随便说说对于DUNK PRO SB的简单评测，先说说LOW吧，因为本人原本玩过滑板，对于滑板鞋的比较大的牌子比如DC，ES之类的鞋子也算有少少的了解。DUNK PRO SB的外观看起来是界于休闲鞋和滑板鞋之间。因为是以普通DUNK为原型，所以没有了滑板鞋的肥大和夸张，但同样由于他使用了滑板鞋的要素之一的厚鞋舌，让他和普通的休闲鞋也有一定区别。仔细看看鞋子的用料和排线以及鞋子的粘贴，结论是在NIKE鞋中绝对一流，排线整齐，没有线头，粘贴方面绝对没有录在外面的胶水，把鞋子拿在手上，让人感觉精细的好像一件艺术品。终于到了最重要的评策了，要说说穿上的感觉。用最简单的话说DUNK PRO SB给人的感觉就是一种脚被包着的感觉，一种无法用言语来形容的舒适，这些当然要归功与ZOOM AIR 鞋垫的功劳了。在走路的时候非常的舒服，和普通的DUNK感觉完全不是一个档次。能非常明显的感觉到ZOOM AIR的存在，和之前走红的带全掌AIR复古鞋AIR FORCE 1也绝对是超过十倍的胜出。跑动起来感觉到原本DUNK设计的优势，非常好的贴地形性，至于跳动的时候ZOOM AIR的避震绝对是无可挑剔的。

　　2：耐克时隔5年又现“气垫门”， 股价下跌了

　　2016年4月，耐克篮球官方微博发布了一条消息，将限量发售NBA球星科比布莱恩特，2008年北京奥运会夺冠时所穿的一双耐克篮球鞋复刻版。这款鞋后跟带有耐克拥有专利的zoom air气垫。

　　但消费者穿上这双鞋后，觉得硬得有点不对劲。面对消费者的追问，耐克的客服人员承认了一个惊人的事实：这款鞋后跟确实没有气垫！

　　对此，耐克给出的回应只是，产品描述失误而已，可以全额退款。然而消费者质疑，这难道不是“虚假宣传”而且，为何至今没有召回通知。

　　央视315晚会对耐克“气垫门”曝光后，耐克股价下跌0.6%，此前盘中一度涨逾0.5%。

　　耐克股价现跌0.61%，报56.93美元/股。

　　3：如何用Python和机器学习炒股赚钱

　　相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter 近日发表文章介绍了他利用 Python 和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500 指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。
 

　　我终于跑赢了标准普尔 500 指数 10 个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。

　　这一切都始于我阅读了 Gur Huberman 的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998 年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：

　　「星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed 的股价从周五收盘时的 12.063 飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30 以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature 期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。」

　　在研究者给出的许多有见地的观察中，其中有一个总结很突出：

　　「（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。」
 

　　我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的「已知和隐藏关系」的强度。

　　我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。

　　选择出的涉及细胞可塑性、生长和分化的信号通路的基因的表达模式
 

　　和基因一样，股票也会受到一个巨型网络的影响，其中各个因素之间都有或强或弱的隐藏关系。其中一些影响和关系是可以预测的。

　　我的一个目标是创建长的和短的股票聚类，我称之为「篮子聚类（basket clusters）」，我可以将其用于对冲或单纯地从中获利。这需要使用一个无监督机器学习方法来创建股票的聚类，从而使这些聚类之间有或强或弱的关系。这些聚类将会翻倍作为我的公司可以交易的股票的「篮子（basket）」。

　　首先我了一个数据集：Public Company Hidden Relationship Discovery，这个数据集基于元素周期表中的元素和上市公司之间的关系。

　　然后我使用了 Python 和一些常用的机器学习工具——scikit-learn、numpy、pandas、matplotlib 和 seaborn，我开始了解我正在处理的数据集的分布形状。为此我参考了一个题为《Principal Component Analysis with KMeans visuals》的 Kaggle Kernel：Principal Component Analysis with KMeans visuals

　　import numpy as npimport pandas as pdfrom sklearn.decomposition import PCAfrom sklearn.cluster import KMeansimport matplotlib.pyplot as pltimport seaborn as sbnp.seterr(divide=ignore, invalid=ignore)# uick way to test just a few column features# stocks = pd.read_csv(supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv, usecols=range(1,16))stocks = pd.read_csv(supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv)print(stocks.head())str_list = []for colname, colvalue in stocks.iteritems():    if type(colvalue[1]) == str:
 

　　输出：简单看看前面 5 行：

　　-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$ ./hidden_relationships.py
Symbol_update-2017-04-01  Hydrogen   Helium  Lithium  Beryllium  Boron  \
0                        A       0.0  0.00000      0.0        0.0    0.0  
1                       AA       0.0  0.00000      0.0        0.0    0.0  
2                     AAAP       0.0  0.00461      0.0        0.0    0.0  
3                      AAC       0.0  0.00081      0.0        0.0    0.0  
4                    AACAY       0.0  0.00000      0.0        0.0    0.0  
Carbon  Nitrogen    Oxygen  Fluorine     ...       Fermium  Mendelevium  \
0  0.006632       0.0  0.007576       0.0     ...      0.000000     0.079188  
1  0.000000       0.0  0.000000       0.0     ...      0.000000     0.000000  
2  0.000000       0.0  0.000000       0.0     ...      0.135962     0.098090  
3  0.000000       0.0  0.018409       0.0     ...      0.000000     0.000000  
4  0.000000       0.0  0.000000       0.0     ...      0.000000     0.000000  
Nobelium  Lawrencium  Rutherfordium  Dubnium  Seaborgium  Bohrium  Hassium  \
0  0.197030      0.1990         0.1990      0.0         0.0      0.0      0.0  
1  0.000000      0.0000         0.0000      0.0         0.0      0.0      0.0  
2  0.244059      0.2465         0.2465      0.0         0.0      0.0      0.0  
3  0.000000      0.0000         0.0000      0.0         0.0      0.0      0.0  
4  0.000000      0.0000         0.0000      0.0         0.0      0.0      0.0  
Meitnerium  
0         0.0  
1         0.0  
2         0.0  
3         0.0  
4         0.0  
[5 rows x 110 columns]
Actinium  Aluminum  Americium  Antimony     Argon   Arsenic  Astatine  \
0  0.000000       0.0        0.0  0.002379  0.047402  0.018913       0.0  
1  0.000000       0.0        0.0  0.000000  0.000000  0.000000       0.0  
2  0.004242       0.0        0.0  0.001299  0.000000  0.000000       0.0  
3  0.000986       0.0        0.0  0.003378  0.000000  0.000000       0.0  
4  0.000000       0.0        0.0  0.000000  0.000000  0.000000       0.0  
Barium  Berkelium  Beryllium    ...      Tin  Titanium  Tungsten   Uranium  \
0     0.0   0.000000        0.0    ...      0.0  0.002676       0.0  0.000000  
1     0.0   0.000000        0.0    ...      0.0  0.000000       0.0  0.000000  
2     0.0   0.141018        0.0    ...      0.0  0.000000       0.0  0.004226  
3     0.0   0.000000        0.0    ...      0.0  0.000000       0.0  0.004086  
4     0.0   0.000000        0.0    ...      0.0  0.000000       0.0  0.000000  
Vanadium  Xenon  Ytterbium   Yttrium      Zinc  Zirconium  
0  0.000000    0.0        0.0  0.000000  0.000000        0.0  
1  0.000000    0.0        0.0  0.000000  0.000000        0.0  
2  0.002448    0.0        0.0  0.018806  0.008758        0.0  
3  0.001019    0.0        0.0  0.000000  0.007933        0.0  
4  0.000000    0.0        0.0  0.000000  0.000000        0.0  
[5 rows x 109 columns]
-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$
 

　　概念特征的皮尔逊相关性（Pearson Correlation）。在这里案例中，是指来自元素周期表的矿物和元素：

　　stocks_num = stocks_num.fillna(value=0, axis=1)X = stocks_num.valuesfrom sklearn.preprocessing import StandardScalerX_std = StandardScaler().fit_transform(X)f, ax = plt.subplots(figsize=(12, 10))plt.title(Pearson Correlation of Concept Features (Elements & Minerals))# Draw the heatmap using seabornsb.heatmap(stocks_num.astype(float).corr(),linewidths=0.25,vmax=1.0, square=True, cmap=YlGnBu, linecolor=black, annot=True)sb.plt.show()
 

　　输出：（这个可视化例子是在前 16 个样本上运行得到的）。看到元素周期表中的元素和上市公司关联起来真的很有意思。在某种程度时，我想使用这些数据基于公司与相关元素或材料的相关性来预测其可能做出的突破。

　　测量「已解释方差（Explained Variance）」和主成分分析（PCA）

　　已解释方差=总方差-残差方差（explained variance = total variance - residual variance)。应该值得关注的 PCA 投射组件的数量可以通过已解释方差度量（Explained Variance Measure）来引导。Sebastian Raschka 的关于 PCA 的文章对此进行了很好的描述，参阅：Principal Component Analysis

　　
 

　　输出：

　　从这个图表中我们可以看到大量方差都来自于预测主成分的前 85%。这是个很高的数字，所以让我们从低端的开始，先只建模少数几个主成分。更多有关分析主成分合理数量的信息可参阅：Principal Component Analysis explained visually

　　使用 scikit-learn 的 PCA 模块，让我们设 n_components = 9。代码的第二行调用了 fit_transform 方法，其可以使用标准化的电影数据 X_std 来拟合 PCA 模型并在该数据集上应用降维（dimensionality reduction）。

　　pca = PCA(n_components=9)
x_9d = pca.fit_transform(X_std)
plt.figure(figsize = (9,7))
plt.scatter(x_9d[:,0],x_9d[:,1], c=goldenrod,alpha=0.5)
plt.ylim(-10,30)
plt.show()
 

　　输出：

　　这里我们甚至没有真正观察到聚类的些微轮廓，所以我们很可能应该继续调节 n_component 的值直到我们得到我们想要的结果。这就是数据科学与艺术（data science and art）中的「艺术」部分。
 

　　现在，我们来试试 K-均值，看看我们能不能在下一章节可视化任何明显的聚类。

　　K-均值聚类（K-Means Clustering）

　　我们将使用 PCA 投射数据来实现一个简单的 K-均值。

　　使用 scikit-learn 的 KMeans() 调用和 fit_predict 方法，我们可以计算聚类中心并为第一和第三个 PCA 投射预测聚类索引（以便了解我们是否可以观察到任何合适的聚类）。然后我们可以定义我们自己的配色方案并绘制散点图，代码如下所示：

　　# Set a 3 KMeans clustering
kmeans = KMeans(n_clusters=3)
# Compute cluster centers and predict cluster indices
X_clustered = kmeans.fit_predict(x_9d)# Define our own color map
LABEL_COLOR_MAP = {0 : r,1 : g,2 : b}
label_color = [LABEL_COLOR_MAP[l] for l in X_clustered]
# Plot the scatter digram
plt.figure(figsize = (7,7))
plt.scatter(x_9d[:,0],x_9d[:,2], c= label_color, alpha=0.5)
plt.show()
 

　　输出：

　　
 

　　这个 K-均值散点图看起来更有希望，好像我们简单的聚类模型假设就是正确的一样。我们可以通过这种颜色可视化方案观察到 3 个可区分开的聚类。

　　使用 seaborn 方便的 pairplot 函数，我可以以成对的方式在数据框中自动绘制所有的特征。我们可以一个对一个地 pairplot 前面 3 个投射并可视化：

　　# Create a temp dataframe from our PCA projection data x_9d
df = pd.DataFrame(x_9d)
df = df[[0,1,2]]
df[X_cluster] = X_clustered
# Call Seaborns pairplot to visualize our KMeans clustering on the PCA projected data
sb.pairplot(df, hue=X_cluster, palette=Dark2, diag_kind=kde, size=1.85)
sb.plt.show()
 

　　输出：

　　构建篮子聚类（Basket Clusters）

　　你应该自己决定如何微调你的聚类。这方面没有什么万灵药，具体的方法取决于你操作的环境。在这个案例中是由隐藏关系所定义的股票和金融市场。

　　一旦你的聚类使你满意了，你就可以设置分数阈值来控制特定的股票是否有资格进入一个聚类，然后你可以为一个给定的聚类提取股票，将它们作为篮子进行交易或使用这些篮子作为信号。你可以使用这种方法做的事情很大程度就看你自己的创造力以及你在使用深度学习变体来进行优化的水平，从而基于聚类或数据点的概念优化每个聚类的回报，比如 short interest 或 short float（公开市场中的可用股份）。

　　你可以注意到了这些聚类被用作篮子交易的方式一些有趣特征。有时候标准普尔和一般市场会存在差异。这可以提供本质上基于「信息套利（information arbitrage）」的套利机会。一些聚类则和谷歌搜索趋势相关。

　　看到聚类和材料及它们的供应链相关确实很有意思，正如这篇文章说的一样：Zooming in on 10 materials and their supply chains - Fairphone

　　我仅仅使用该数据集操作了 Cobalt（钴）、Copper（铜）、Gallium（镓）和 Graphene（石墨烯）这几个列标签，只是为了看我是否可能发现从事这一领域或受到这一领域的风险的上市公司之间是否有任何隐藏的联系。这些篮子和标准普尔的回报进行了比较。

　　通过使用历史价格数据（可直接在 uantopian、Numerai、uandl 或 Yahoo Finance 使用），然后你可以汇总价格数据来生成预计收益，其可使用 HighCharts 进行可视化：

　　我从该聚类中获得的回报超过了标准普尔相当一部分，这意味着你每年的收益可以比标准普尔还多 10%（标准普尔近一年来的涨幅为 16%）。我还见过更加激进的方法可以净挣超过 70%。现在我必须承认我还做了一些其它的事情，但因为我工作的本质，我必须将那些事情保持黑箱。但从我目前观察到的情况来看，至少围绕这种方法探索和包装新的量化模型可以证明是非常值得的，而其唯一的缺点是它是一种不同类型的信号，你可以将其输入其它系统的流程中。

　　生成卖空篮子聚类（short basket clusters）可能比生成买空篮子聚类（long basket clusters）更有利可图。这种方法值得再写一篇文章，最好是在下一个黑天鹅事件之前。

　　如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。

　　我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。

　　4：NIKE的dunk与dunk sb有什么区别

　　SB就是SKATEBOARDING，滑板的意思，就是滑板鞋
简单点说吧 nike除了dunk系列外 是有专业的sb鞋的
出dunk sb只是借着前两年dunk比较红而已
dunk sb是在dunk的基础上改造的
主要变化是鸭舌变的宽大肥厚
鞋带变成椭圆的也是很松软的
鞋垫下有zoom air
一般是后掌 不过去年好像出了双是全掌的
所以把sb的鞋垫放其他鞋子里很舒服的哦.
大概在500--1000

　　5：恒易融最新消息

　　可能11月或者12月就要降息了，现在P2P平台的都在搞降息，恒易融已经明确表示会降息，具体时间还没有定下来。

　　6：谁知道趣步最新消息，是不是跑路了

　　我注册过，跑路了么我倒是没有玩，注册的时候当时是有推荐活动的，也可以领现金。是不是送多了怕赔本不干了，百度知道也是这样，满满的套路，现在也在一步一步的减少奖励，都想放弃它了。