fairphone 4（无线耳机寿命）

本文目录

• 无线耳机寿命
• 为什么前几年谷歌力推的模块化手机现在没动静了
• 模块化手机该怎么发展
• 如何用Python和机器学习炒股赚钱

无线耳机寿命

除了使用上的意外，蓝牙耳机的正常寿命一般还是与它的电池寿命息息相关。一般蓝牙耳机的电池可连续通话8-10小时，听音乐6-8小时，可待机15-30天。 蓝牙耳机电池寿命的长短主要是根据电池质量的好坏有关系，好质量的无线蓝牙耳机电池可以使用时间一般是2-3年。
当然，也要看您怎么使用的，如果每次充满电还继续充几个小时，或是经常想起来就充电，这无疑会缩短蓝牙耳机电池的寿命。虽然可以再次换一个电池，可是也是不会使用很久的。蓝牙耳机的电池和蓝牙耳机寿命息息相关，因此在选购的时候就可以选择待机和使用长的蓝牙耳机。
今年特别受欢迎的蓝牙耳机。
1、 发烧级运动蓝牙耳机：JEET W1S
JEET这个品牌虽然上市不久，但推出的每款耳机都受到很多用户的喜爱。特别是JEET-W王者燃醒系列，也是这个网红蓝牙耳机品牌最具代表性的旗舰系列，做工、品质都是军工级别，强有力的低频音质，还被很多知名媒体评为“耳机里的宝马小钢炮”，一时之间粉丝狂涨，销量也随之稳居京东前三！
这款W1S 耳机是国内第一款发烧级运动蓝牙耳机，不仅延续了W1媲美千元大牌的一流音质，舒适度也非常高。因为JEET不惜重金，建立了人耳数据库，在舒适度设计上有独家专利！即便是剧烈运动过程中，也可以做到狂甩不掉，非常的稳，所以连不少专业运动员，在训练中也会使用。
此外， JEET耳机由于轻颜值，重音质，倡导“非时尚 不装X“，常常自嘲为“丑“。还因此举办了不少以“丑“为主题活动，诸如丑人专属劲爆折扣、丑人抵扣房租、丑的艺术展等等，是国内为数不多以“丑“为美，以“丑“闻名的数码界网红，经常占据微博热搜榜头条。
2、Bose SoundSport Free 真无线蓝牙耳机
这款Bose SoundSport Free主打无束缚感的运动耳机体验，外形上和SoundSport类似，不过采用了真无线的耳机形式，在佩戴上要更为舒适自由。而且续航方便也更加长效，耳机本体有5小时，充电盒还能额外提供10小时，即使忘记充电也不用担心，随时都能冲，非常方便。
3、索尼 WI-SP600N 无线降噪耳机
索尼一向走的青春时尚的风格，这款SP600N也是一款针对运动的蓝牙耳机。采用入耳式设计，还具有主动降噪功能，在这个价位上算是比较有诚意了。不过这款耳机并不支持APTx或者LDAC连接，在音质上并不能体验到索尼大法家的黑科技了，有点遗憾。
4、魔声 isport victory wireless蓝牙耳机
这款魔声的 isport victory 蓝牙运动耳机，是2017年魔声新出的产品，外形设计线条流畅，耳机多彩绚丽，防水防汗耐用设计，线控Q弹触感设计，专业贴合运动耳翼，非常舒适。续航方面高达8小时，还有快充技术，可以在15分钟里充满维持1小时的电力，比较方便。

为什么前几年谷歌力推的模块化手机现在没动静了

首先得承认，模块化手机是个很天才的思路，初衷也很好，既能让用户升级自己最需要的部分，也有利于环保避免浪费，但可惜实用性不佳，最终黯淡收场。
Google的Project Ara模块化手机是在2015年提出来的，按照设计摄像头、电池、处理器、存储等等都是模块化设计，不同模块组装在一起，想换哪个就换哪个。
这样可以实现非常个性的手机，比如你需要很强的处理器但不喜欢拍照，再比如你需要超大存储但对处理器不敏感，再比如你就喜欢自拍而不用后置摄像头，都可以选择自己需要的对应模块。
而某个模块有了更强的升级版本，也可以直接买来换上，而不用更换整个手机。
荷兰也出品了一款模块化手机Fairphone 2，而且抢在Google之前面世，可以说是世界上第一款商用的模块化手机。
但这种设计也存在致命缺陷：
1、美观性不足。 因为需要兼顾不同模块，更注重实用性，缺乏一体化，很难做漂亮，因此只适合极客，普通大众根本看不上。
2、不耐摔。 因为是模块化组合，很难紧密，一摔就很容易粉身碎骨，甚至一碰就散架。
3、升级之路不通。 要想实现模块定制、升级，就需要各路厂商推出不同模块，比如高通给各种处理器，索尼给各种摄像头，这显然需要整个行业大动干戈，谁都领导不起来，就算有，不同模块的兼容性也是个极大的问题。
4、不符合产品趋势。 手机集成度越来越高，元器件越来越复杂，手机整体设计需要厂商通盘考虑、综合设计，模块化显然是背道而驰。
5、手机更新换代太快。 手机随时都在换代提升，很多人一两年就会换一部手机，价格也很丰富，还折腾啥模块？
LG、Moto后来也做了不少模块化手机，但不同于Google的理念，LG只是换电池，Moto只是扩展外接不同模块，并不是一回事儿。

模块化手机？我觉得这就是笑话，典型的吃饱了没事干的伪创新，说实话这样的创新很难想象是谷歌这样的大公司做出来的，大家都在追求轻量化的集成化，谷歌倒是好模块手机一出直接把 历史 倒退了十年，是什么样的人才会无聊到手机都模块化呢？
手机和电脑是有本质化的区别的，电脑是一个残损率特别低的东西，而且当单个模块的升级就能带来很不错的体验，其它地方不升级的情况下换个固态硬盘的话，那你的电脑就会重获新生了，而手机更换单个硬件的话远没有这样的效果！
最关键的是手机行业更新换代非常快，两年不换手机就跟不上潮流了无论是外观还是性能，而电脑随随便便用个五六年不是问题，换个固态硬盘又可以用个三四年~
模块化手机是不符合发展逻辑的，做出来顶多是小部分发烧友的玩物，就比如摩托罗拉显得额外的模块扩展，售价9999，这又有几个人真正的会买呢？增加趣味性是可以的，但是你想成为大众的产物那基本不可能！
模块化手机让我看不到任何的创新元素在里面， 科技 的发展都是化繁为简，这倒好模块手机一出来就化简为繁了，明明一台轻薄的一体化手机就能做的非常好，何需要拆成零件自己组装？
模块化手机曾经谷歌希望做成行业标准，因为谷歌从极客的角度出发来做一款酷炫的手机但是却忽略了大众用户对图手机的需求，所以谷歌的模块手机没动静了。
1、模块化手机美观性不足
模块他手机要兼顾不同的模块，而且注重一体化，很难做到漂亮，不像苹果，华为这样一体机，只适合极客，所以很多的大众用户根本不想尝试模块化手机。
2、设计缺陷，很容易散架
模块化手机因为需要模块化组合，所以很难结合到一起，手感也不太好，而且很容易摔成几块，和之前诺基亚的后盖一样，一摔成三瓣。
3、模块很难升级
模块化手机需要不同的产业链去做不同的模块，而手机升级需要各个厂商都去升级，而且模块是和现在的一体机关联很小，所以就需要全产业链配合才能升级，升级也受到了巨大的影响。
4、逆潮流的设计
手机在2009年苹果发布后就成了一体机，不能更换后盖等等，而且手机的原件越来越差异化，美观化，所以模块化手机是和现在是反其道而行之的。
你愿意用模块化手机吗？
不符合厂商利益
因为模块化不符合厂商的利益，只有谷歌一个在推，也难以推广成功。

大家都使用安卓系统，是因为能够降低APP生态开发的难度，大家能够共享一个生态，对抗强大的iOS系统。所以，大家都很乐意去使用谷歌的安卓系统。而且安卓系统到目前为止并不收费（有新闻说谷歌的安卓系统准备要收费了）

如果变成模块化之后，那就以为手机厂商变成零部件的厂商。以前我们想要体验这个功能，只能用某一款的手机。但是做成模块化之后，你想要体验这个功能，只要买这个功能就好了。

对于小品牌来说，这是非常好的，因为它们能够提供一些特色的零部件，赚一些钱。但是对于大厂商来说，它们最核心的功能只能当作一个零部件卖？这样会大大缩减他们的利润。他们肯定不干！所以，厂商才不推广！
模块化并不理想
再说，模块化的手机要不就是太丑，要不就是不防水，不符合未来的趋势。而且很多时候需要为了模块化而妥协的的，这样影响到一些手机的功能实施。

例如，如果你的想你的手机拍照牛逼。那么你需要更大更好的硬件，可以是模块化之后，留给相机的位置就一定了，那么就会严重影响到你想拍照牛逼的需求了。

越是大的产品，越有DIY的空间，而小的产品，其实很多人是没有DIY的想法的，很显然手机的集成性太强了，模块化的好处就可以根据自己的需求情况进行配置，这个自然是好事情，但是要形成协调性，后续调动系统方面均衡硬件，从而发挥出性能，这个就有点难度了！

先不说手机的模块化，就说台式机电脑也是不是模块化呈现的，但是并不是所有人都喜欢可以DIY模块化的电脑的，因为你自己要买很多的硬件，自己组装，组装完成之后还要根据主板型号设置BIOS，来进行对于硬件的适配，这个并不算完，适配完成之后还要进行安装windows系统！

那么模块化的手机，是否要根据不选择的配件不同，如果后续一旦更新了手机的配件，那是不是也需要在手机上重新适配！其实你会发现电脑DIY的学习成本都很高的，何况手机，如果都是DIY的，我觉得移动互联网，手机的全球覆盖率不会有这么快的！
其实这些年，你会发现，真正决定着手机的价值的，并非是配置不够个性，硬件不够满足，其实现在各大手机厂商推出的手机款式越来越多，根据不同的层面，喜欢拍照、喜欢打 游戏 、喜欢颜值（更难会考虑DIY手机）因为这样外观就很难做到很美观，而且也容易让电子元件接口部分产生积灰的现象，如果出现模块化会不会很容易松动，如果掉落了怎么办，那可能会导致一个机型如果不去找到配件就会残废，甚至换句话说如果手机模块化的风险就是我们不知道模块化能不能持续的提供更新！

这个是一个很麻烦的事情，一旦配置完成，软件系统方面的适配也是大工程！所以在电脑方面笔记本电脑和品牌的台式电脑，也有着不错的销量，那是因为品牌电脑已经完全组装好了，而且也有完善的售后服务体系，这样有了问题也就是找售后，可以更好地解决，DIY方面的模块化的产品，更适合极客人群，喜欢自我创造力比较强的人群使用！

然而这样的人群还是少部分的，他并非是完全的消费主力军，所以谷歌推出的这个模块化是不成立的，当然摩托罗拉也有模块化，他的模块化更多是辅助工具价值，例如辅助摄像，辅助充电、辅助外挂电池，这样的好处就是让手机变得更加智能，更加有很强的续航。但是完全模块化才能开机，才能使用，这个就是一个很差的设计和发明了！
目前按照厂商实力做模块化手机不是问题，但是有两大因素导致厂商不愿意去做，首先就是利益，一台整机的利润多还是一个手机CPU利润高？厂商更愿意选择前者，毕竟无商不奸，所以愿意做模块化的几乎不可能，第二就是外观，以前有人体验过Google的模块化手机，第一印象就是厚，现在追求轻薄的手机时代，还有多少人想带一个特别厚的手机？

当初模块化手机还真是一个大新闻。

谷歌提出类似于电脑主机一般的手机设计－硬件可更换的理念。就像电脑一样，想换那块硬件换哪块，比如觉得屏幕差可以更换高分辨率的屏幕，扬声器不好听可以更换扬声器模块，摄像头也可以更换为更清晰的摄像头。

我个人认为这个理念还是比较环保的，就比如我现在用的是三星 s7edge，老机子了，性能上已经无法和现在主流的手机比拟，如果我要换就需要抛弃这台手机再购买另一台手机，但是这台手机的屏幕扬声器以及摄像头基本都还满足我现在的使用，因为性能而要抛弃这些还能继续用而且用得还不错的硬件，着实有些可惜，所以如果有谷歌模块化这么一款手机我就可以仅仅更换CPU这块，其他的还能继续使用，这样我既节约了钱还避免了硬件上的浪费，一举两得。

但是这么一来就严重影响到了厂家的利润。一家手机厂商从产手机变为产零件，利润变化绝对天差地别，就跟买电脑一样，相同性能品牌整机和组装机比较，品牌整机价格明显会贵上一些，贵上的那一部分就是商家的盈利部分之一。上面还说到，我手机性能坏了只要更换一块CPU就又可以满血复活了，这样也严重影响到到了商家的销量。毕竟卖一台手机可以拿到整台手机里所有零件带来的利润而不是像模块化手机一样一个零件的利润。所以很多厂商很不愿意做。

这种手机注定做不好看。这个讲颜值的时代真的一款手机漂亮与否很大程度上关乎这这台手机的销量。

从整体性上来讲，真的太差了。模块化也注定了不耐摔也不支持防水。

苹果不会响应谷歌的号召，两家可是死对头。而且模块化也不是苹果的理念，会发现苹果的产品整体性都非常强，从高达10w的iMac到售价最低的iPod，基本上都是一体化，因此苹果的很多产品也被外媒评委最难修的产品之一，因为集合程度太高了，普通维修工人在没有仪器的帮助下很难进行维修。苹果在手机方面的号召力可谓是无比强大。

而且如果苹果做手机，安卓做零件，那么其实可以看做在手机领域其实就只有谷歌和苹果在争锋，因为不管是三星还是华为等等都只是一个配件厂罢了。心高气傲的三星还有华为等等等等手机厂商可不愿意谷歌的附庸。

专业性太强了。买个模块还要去看一下这块模块的数据，诸如什么lpddr3，usf2.1，imx380.......活生生把用户变成手机专家，而且这样对消费者而言要花费较多时间，学习成本太高，不符合人机工程学的中尽量缩短用户学习成本的理念。这么麻烦还不如买一下隔壁的苹果，不管什么配置，流畅就够了。

物竞天择，适者生存，就像谷歌眼镜一样，模块化手机也是数码发展的中被淘汰的理念之一，可是 科技 的发展注定少不了淘汰和发展，但是不管怎么样我们都应该支持那些为不断为 科技 发展提供新鲜理念的人，或许这些理念看起来很蠢，可是我们的发展哪一次不是蠢过来的?

在我看来模块化手机还是非常有未来的，只是目前的 科技 限制了它的发展，在未来以环保节约为核心的年代，这种模块化手机或许就会有一线发展的希望。
确实，在前些年，谷歌推出了一款概念智能手机，可以根据自己的需求选择想要配置模块，比如电池容量、摄像头、存储空间甚至处理器，然后可以自行更换它们，谷歌把它称之为模块化智能手机。

在2013年的时候，谷歌旗下的Motorola的 ATAP（先进 科技 与计划）部门也拿出了模块化手机的雏形Project Ara。在预想中，把智能手机「分割」成多个模块，这些模块是可以独立的，用户根据需求购买对应的模块，然后组成自己想要的智能手机，如果有功能损坏了，换上对应的模块也可以实现维修。
然而在2016年9月2日，谷歌宣布暂停Project Ara项目，至此谷歌不再力推的模块化手机。在此期间，LG也曾推出一款模块化智能手机LG G5，它实现了Project Ara项目部分功能，可以更换电池，随后的LG也没有再推出其它模块化智能手机。
相应的缺点
吉普毫不夸张地说，Project Ara项目给我们带来了新得思路、新的设计，如果实现了模块化智能手机的量产，那么智能手机不再是同一牌子、同一机型的同样外观，是可以做到个性化，也能减少资源地浪费，也不会出现一处地方损害，整机无法使用的地步。
为什么Project Ara项目会停止了呢？其实网上已经有很多人、媒体做了一通分析，包括了统一性、机身厚度、空间利用率、散热等问题，都是要模块化智能手机要考虑的点。而且相比模块化智能手机，现有的智能手机在这些方面都在不断提升，至少要比模块化智能手机要好很多。

模块化智能手机在机身厚度、空间利用率上就差上不少，因为要考虑到模块的通用性，各类模块组合起来，会使得模块化智能手机不会很纤薄，至少现在的技术是实现不了又薄又能模块化。还有一点必须模块化智能手机要克服，因为是多种硬件组合，可能来自不同厂的设计，逼得系统、APP服务商要有很强的适应、兼容性，要避免软件、硬件之间的冲突等问题，以谷歌自己的能力，很难推动市场的改变。

这些问题都导致了模块化智能手机只存在概念中。但在吉普看来，模块化智能手机确实一个非常有前景地设计思路，困扰模块化智能手机实现量产的问题，只是因为现有技术并不支持，就如同无线充电技术一样，1830年理论已经被提出了，而实现呢？到了2007年才实现。
首先得承认，模块化手机是个很天才的思路，初衷也很好，既能让用户升级自己最需要的部分，也有利于环保避免浪费，但可惜实用性不佳，最终黯淡收场。

Google的Project Ara模块化手机是在2015年提出来的，按照设计摄像头、电池、处理器、存储等等都是模块化设计，不同模块组装在一起，想换哪个就换哪个。

这样可以实现非常个性的手机，比如你需要很强的处理器但不喜欢拍照，再比如你需要超大存储但对处理器不敏感，再比如你就喜欢自拍而不用后置摄像头，都可以选择自己需要的对应模块。

而某个模块有了更强的升级版本，也可以直接买来换上，而不用更换整个手机。

荷兰也出品了一款模块化手机Fairphone 2，而且抢在Google之前面世，可以说是世界上第一款商用的模块化手机。

但这种设计也存在致命缺陷：

1、美观性不足。因为需要兼顾不同模块，更注重实用性，缺乏一体化，很难做漂亮，因此只适合极客，普通大众根本看不上。

2、不耐摔。因为是模块化组合，很难紧密，一摔就很容易粉身碎骨，甚至一碰就散架。

3、升级之路不通。要想实现模块定制、升级，就需要各路厂商推出不同模块，比如高通给各种处理器，索尼给各种摄像头，这显然需要整个行业大动干戈，谁都领导不起来，就算有，不同模块的兼容性也是个极大的问题。

4、不符合产品趋势。手机集成度越来越高，元器件越来越复杂，手机整体设计需要厂商通盘考虑、综合设计，模块化显然是背道而驰。

5、手机更新换代太快。手机随时都在换代提升，很多人一两年就会换一部手机，价格也很丰富，还折腾啥模块？

LG、Moto后来也做了不少模块化手机，但不同于Google的理念，LG只是换电池，Moto只是扩展外接不同模块，并不是一回事儿。

模块化手机创意空前，但却草草收场，为何？估计看了这个心里会有些许答案。

纵观当下，手机市场早已成熟，为人熟知的大品牌也稳定了 一年三机、一年四机 的旗舰稳定发布频率。

之前谷歌力推的模块化手机本意是解决人们DIY手机的诉求，初衷类似日常背包需要什么装什么。但随市场更新换代的大趋势，追新爱好者已经习惯 一年一换甚至两换的频率 ， 模块化手机换配件不换整机，怕是推出也难以长久 。
模块化手机顾名思义是将功能拆分成细分板块重新组装成机，但DIY拼装乐趣的同时也带来了 笨重零散易坏等不可控的缺点 ，虽然部分损坏可以单配更换。单线数据传输从技术上也带来了不小的麻烦。对于大部分消费者来说， 与其说更喜欢DIY机器，不如说喜欢成型成气候的有所专攻的手机 ，而懒得自己去研究挖掘。从时间成本和学习成本来说，成型的机体更方便使用。部分喜欢组装的消费者，有可能并看不上这样简单的拼装品。目前来看，商品偏理想化，虽然谷歌放弃了，但还是有其他的厂商继续尝试着，即便在是消费者不太买账的情况下。

当然，对于模块化手机的推进暂停估计也是暂时的，毕竟在 科技 高速发展的情况下，重新 探索 放弃的领域已是常事儿。也许多年后，模块化手机会在外形功能上有更好的突破，会重新燃起爱好者中不灭的DIY 之心。这时在基础功能平稳的基础上，同时具备了时代创新和自主定义，市场价值也随之提升。到时候，消费者就难以拒绝这个新时代的宠儿了。

模块化手机该怎么发展

更早期的模块手机我们就不去深挖了，就从Google的Project Ara开始吧，2014年4月10日Google公司发布了Project Ara的MDK 0.1版，并且在开发者大会上宣布将在2015年1月发售。

在2015年初，Google推出了Project Ara的第二代Spiral2，可以更换处理器模块和摄像模块，但因为模块标准化等原因，配套模块设计难度大，这款手机至今也没有正式销售。
2015年6月，荷兰的一家公司推出了第一款真正上市的模块化手机Fairphone2，但是无论机身内部的设计还是模块拆卸与安装Fairphone2更像是一部传统手机
之后2016年4月，LG G5出世，带来了可拆卸“下巴”，包含可拆卸电池，以及两款模块，LG Hi-Fi Plus和LG Cam Plus，没有溅起什么水花
2016年9月，联想在北京正式向中国大陆发布了MOTO Z，一台完整手机加上可扩展模块，并且模块还挺丰富，支持2TB的存储卡，电池模块，投影模块，JBL扬声器模块，哈苏镜头模块，市场反应是叫好不叫座，也没有后续机型推出
2021年4月29日，小米模块化手机专利流出，专利显示，小米模块化手机由三大模块组成：顶部包含PCB和摄像头，中间放置电池，底部包含接口和扬声器
这是否意味着模块化手机真要来了呢？

模块化手机是趋势吗，该如何发展呢？

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）」。

首先我下载了一个数据集：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’)# Quick 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 = ) == str:
str_list.append(colname)# Get to the numeric columns by inversionnum_list = stocks.columns.difference(str_list)stocks_num = stocksprint(stocks_num.head())

输出：简单看看前面 5 行：

zack@twosigma-Dell-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  
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  
zack@twosigma-Dell-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

# Calculating Eigenvectors and eigenvalues of Cov matirxmean_vec = np.mean(X_std, axis=0)cov_mat = np.cov(X_std.T)eig_vals, eig_vecs = np.linalg.eig(cov_mat)# Create a list of (eigenvalue, eigenvector) tupleseig_pairs = cum_var_exp = np.cumsum(var_exp) # Cumulative explained variance# Variances plotmax_cols = len(stocks.columns) - 1plt.figure(figsize=(10, 5))plt.bar(range(max_cols), var_exp, alpha=0.3333, align=’center’, label=’individual explained variance’, color = ’g’)plt.step(range(max_cols), cum_var_exp, where=’mid’,label=’cumulative explained variance’)plt.ylabel(’Explained variance ratio’)plt.xlabel(’Principal components’)plt.legend(loc=’best’)plt.show()

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, 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 =
# Plot the scatter digram
plt.figure(figsize = (7,7))
plt.scatter(x_9d, 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
df = X_clustered
# Call Seaborn’s 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 Quantopian、Numerai、Quandl 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。