吱吱吱，这个我最近研究很久了，强行回答一波：目前市场上的形式主要有以下几种：C2C（个人对个人交易——人人、瓜子、273。）B2C（商家对个人交易——车王、澳康达。）B2B（商家对商家——车易拍。）C2B（个人卖商家——车易拍、车来车往。）至于利与弊，我讲个故事给你们听。从前有个堂主（LV1）去二手车市场卖他的09年思域，还没有进入二手车市场的大门，他就看到市场路边站了一排人，他们多数都是板寸，身材魁梧，一手叼着香烟，另一只手拿着一个红色的牌子，上面写着四个大字——高价收车。『哥们！卖车吗，想卖多钱？』『今天卖车吗？我出八万！』这个时候堂主一旦降低车速两三个车虫就会来把车围住，然后用比较高的价格让堂主到另外一个地方看车，要知道09年的思域现在能卖六万就不错了，然后车商开始让堂主拿出手续，来回兜圈子，消耗时间。一群车贩子围着他的车敲敲打打，然后开始杀价。『你这车发动机漏油啊，本田的车漏成这样的不多见啊，你看看这』『我给你六万五吧，你也别进去了，进去也是这个价，我就是院里的我还不知道！』『你快点吧大兄弟，你上网查一查你这个车就能卖这么多，我这都跟你折腾这么久了！』『哎哟不行啊，六万五我都给不了你啊，你这个车之前有过户啊。』然后堂主在半懵半唬的情况下低价卖了这辆车。回家以后堂主一查，很多车友都有他这样的经历，损失了好几千还带来了极其不好的卖车体验，堂主灵机一动：『有抱怨声的地方就有市场！ ...继续阅读 (31)

知乎上煤矿人还是太少.现在我已离职一年多了,还是来根据我的个人工作经验来简单说说吧我在一家比较大型的煤炭国企工作了五年,关于安全工作还是做的很正规的,但是即使是这样,大大小小的事故也没有间断过,好在没有发生过类似于新闻的群死群伤的,所以说,正规大型国企对于安全做的还是很好的.既然题主问到了安全规范的问题就简单说说安全规范,设计措施和一线施工单位安全问题的冲突吧.1,安全规定的制定和成本效益的冲突煤炭行业的相关安全规程一般是由国家和省安监局,以及一些高校的相关教授专家以及各个大型矿企的总工程师来共同参与编制,不过如果是为了贯彻某一个会议精神而下发的红头文件,就不需要这么麻烦了.而实际工作中,红头文件在检查中同各种安全规范是有相同效力的.从安全的角度看,规范内容当然是越安全越好,锚索用最好的,锚索间距越短越安全,工作面的煤柱留的越宽越好,掘进肯定是架设U型棚最安全.但这显然和企业的目标相违背,企业的运营肯定是要盈利的,这样安全规定的指定的同时就需要考虑的成本效益问题.但现在谁都怕安全事故,安全标准定制与实际要求差距,导致执行成本太高,一些私人小矿为了完成效益和安全规定兼顾,弄虚作假,使得安全规定根本没能发挥应有左右.而安全规定本应该成为企业在完成盈利的前提下,安全生产的标杆.2,具体设计措施的执行和工期的冲突企业为完成利润需要给下面施工单位下达比较高的效率要求,个别时候则是部分领导屁股 ...继续阅读 (34)

挺多回答，既有华为员工也有OV员工，却谁都没答道点上。OV现阶段的增长，根本原因有两个1.手机技术的进步2.社会发展过程中，个体在于信息筛选中的作用在回归它原本应该有的位置。第一个其实很容易理解，手机性能已经过剩或者说够用了。虽然在知乎78和媒体评测中，差一个段位的SOC就好像已经不能用了，但在这些用户之外的中国90%的大众普通消费者看来，骁龙625跟骁龙820并没有什么区别，甚至625会更得他们的心意，因为省电。他们不玩大游戏，不在乎APP打开是3秒还是4秒，也不会装很多APP，SOC对于他们，远不如外观，屏幕，电池，充电速度，拍照像素数，那么有一种直观的概念。甚至对女生不如前面的自拍闪光灯的在乎程度。毕竟占这个国家80%的人，对数码产品的需求就是个普通人，即便是P10，对他们也是足够了。第二个则难理解一点。我会试着把它讲明白点。我们每个人面对每个事情的时候，都是在进行信息筛选，然后做出决策，买手机也不例外，在知乎的各位买个手机，可能会熟悉的看着发布会的直播，打开官网看参数，样张，去贴吧看先期拿到手机的爆料评测，总之各种信息渠道都过滤一遍，然后大致就有了自己的选择。那不懂这些的普通人呢?或者没有时间做这些的人呢?在这个信息爆炸的时代，没有什么渠道和组织是一定会被人信任的了。即便是公信力最高的CCTV，人民日报，在这些方面也早已不会让人觉得说什么就是对的。每个人都早已被网络中的虚假 ...继续阅读 (33)

...继续阅读 (32)

...继续阅读 (33)

...继续阅读 (31)

...继续阅读 (34)

如果只看微信公众号，微博大v，直播红人的造假行为，只能看到简单的操作，公众号刷阅读量，刷点赞，直播通过机器或者水军制造假观众。我们需要从数据造假黑产业的技术内核出发，回溯产业链的各个环节，才能透过表面看到数据造假给互联网行业带来多大的影响和破坏力。数据造假不仅发生在网红经济，也肆虐于游戏，电商，互联网金融等领域，每个领域的造假手段略不一样，但是根基相同。A公司是一个典型的数据造假公司，他们开发的技术在市面上属于最强之一。大部分数据造假公司职能刷公众号阅读，点赞，他们的系统还能模仿人工做出的各种操作，如游戏的登陆注册和各种玩游戏动作。A公司的作业流程包含技术系统，核心资源，业务系统。业务系统是对接客户的业务需求。技术系统的核心能力是通过一台手机，模拟出成千上万台看起来真实的手机，操作这些模拟的手机执行各种刷单刷量任务。当你使用一台安卓手机，点击手机里的app, app读取android操作系统的底层数据，将手机标识数据包括imei号，品牌，wifi等传回app的服务器，告知有一台手机正在激活和使用app，服务器响应并回传应用数据。这个造假技术系统的做法是，改造android操作系统，将android操作系统的数据接口阶段，把自己生成的数据接口接入系统，做到imei号，sim卡号，电话号码三码合一。这些数据参数包括imei, isi,mac地址，区域经纬度坐标，手机串号，安卓id号，手 ...继续阅读 (33)

...继续阅读 (32)

...继续阅读 (31)

...继续阅读 (33)

...继续阅读 (34)

...继续阅读 (32)

...继续阅读 (34)

...继续阅读 (30)

先说结论：勇士的当务之急，不是改善滞涩的团队进攻，而是该加强漏洞百出的防守。球队层面上几组数据：●三场比赛场均失分高达114.3分，全联盟最多；●三场比赛场均内线失分52分，排倒数第3（只有湖人和魔术失分更多）；●三场比赛百回合失分108分，排倒数第4；●三场比赛总篮板率45.2%，排倒数第4；●三场比赛防守篮板率仅70.1%，排倒数第2；这几场勇士的内线完全被打成了筛子，对手一个挡拆后经常如入无人之境，勇士球员目送对手上篮的场景几乎每场都能看到。缺乏默契的整体防守，令全队上下产生一股沮丧感——答主不止一次地看到勇士众将被对手轻松得分后，愣在原地，面面相觑，脸上写满了：我们怎么连这球都防不住？这种沮丧感往往还会延续到进攻端，导致出现各种急躁误攻，被对手轻松打反击。如此糟糕的防守还会让对手充满信心——面对阵容如此豪华的勇士，只要比分不拉开，击败四巨头的动力会让每一个对手像打了鸡血一样兴奋。为了得到杜兰特，勇士在板凳席付出了不小的代价——接连失去了斯佩茨、巴博萨、艾泽里、拉什。从这三场比赛看，替补得分能力的疲软是显而易见的——板凳场均只得18.7分，仅好于猛龙和森林狼。此外，勇士上赛季领衔全联盟的定点投篮，本赛季每回合仅得0.54分，排联盟倒数第1，着实令人大跌眼镜。从场面上看，勇士场上球员时不时出现跑位重叠，停球找人、传球失误等情况，只能说磨合仍需时日。球员层面如果常规赛开打前，你告 ...继续阅读 (32)

第二次看到《北大发现微信红包金额不是随机分配》这篇文章，尚无人回答，所以写一写自己的看法。个人认为作为茶余饭后的评论尚可，但能称之为“一个研究”还有很多问题需要解决。我们先用通俗易懂的语言讲一讲实验设计中的两个显著问题，然后谈一谈其中的统计方法的问题，最后给本文做一个总结。一。实验设计。1. 样本选取。样本数量过小，且实验中并没有随机选取样本，导致同质性 （homogeneity）过强。该实验进行了10次，每次27人领取红包，总样本数量为270 （作者报告中显示最终人数为217人）。虽然作者使用的是线性简单回归模型，极小样本量就很容易让模型辨识（identifiable），但作者选取的样本同质性过强（同一学校，同一年龄阶段等），根据该样本所能做出的推断也只能限制于该样本所代表的人群（population），而不是所有的微信用户。作者作出的推断是：微信金额红包不是随机分配，明显超越了该样本所能推断的人群。2. 引入自变量过少，使得作者无法拒绝“替代解释”（alternative explanation）。作者在实验中只使用了两个自变量：“用户使用时间长短”和”是否使用苹果设备”， 而”是否使用苹果设备”也只是用为控制变量，真正用于解释红包金额大小的变量只有一个：“用户使用时间长短”。 而几乎没有任何研究只使用一个自变量。如果作者不引入相对多一些的变量，例如：用户性别，年龄，好友人数， ...继续阅读 (32)

...继续阅读 (31)

...继续阅读 (30)

...继续阅读 (32)

二元正态分布的总体相关系数X每增大一个（X的）标准差，Y的条件分布均值增大多少个（Y的）标准差。相关系数绝对值总是 ≤ 1。如果这两个变量是同一性质变量在两个时点或者两个场合的重复测量并分别作了标准化，有个反直觉的结果：假如父子身高正相关0.6，身高在同代人里头正一个标准差的家伙，预测他的父亲或者孩子在各自世代中的身高，都变矮了0.4个标准差，只剩正 0.6 标准差。把身高换为智商、成绩、开心程度，以及任何你能想象的（适合在两个重测场合各自作标准化之后报告的）变量，看看是不是够反直觉。二元正态分布的总体协方差协方差是一个平方的概念。如果一个长方形横轴是X变化的一个标准差，纵轴是Y的条件分布均值随之变化的距离，这个长方形的面积就是总体协方差。########上面的操作化解读对大部分知友都「通俗易懂」##############下面的向量解读，对学过线性代数的知友才「形象易懂」#####样本量为n的样本相关系数n维度空间，拆分成对角线向量所在1个维度 + 与之正交的n-1维度子空间。两个向量在后者（n-1 维子空间）投影向量的夹角余弦等于样本相关系数r，其夹角即。这里还藏着一个问题：高维空间中的两个向量夹角是什么意思？@傅渥成的回答解释了高维空间中的长度和内积怎么在代数上定义高维向量夹角。不过从心理学具身认知视角，两个向量夹出的三角形三边长度比例即可几何地表征高维空间的夹角。之所以可以 ...继续阅读 (28)

...继续阅读 (35)

...继续阅读 (33)

...继续阅读 (30)

...继续阅读 (32)

...继续阅读 (33)

...继续阅读 (31)

...继续阅读 (31)

...继续阅读 (31)

不仅仅从表面上看，两者在技能上的侧重点的确不同。CFA是为财富管理从业人员量身定制的，1，2级仅仅是基础和铺垫，3级才是核心。考完3级，你会初步了解如何去根据客户理财的需求（长短期收益目标，未来大宗现金流支出）收益和实际情况（年龄，收入，财产，税率），结合市场环境，为其设计合理的资产投资配置和财务规划。当然2级的一些关于固定收益与权益类证券的内容对投资公司的证券分析师也非常有帮助。传统的quant，不管是买方还是卖方，强调的更多是量化分析技能，具体来说就是数学与统计（概率论，随机微分方程，数值计算，Monte Carlo 模拟，主成分与因子分析）以及编程能力（C++,Python,数据库操作等等), 应用于复杂衍生产品的定价与对冲策略，买方的统计套利，高频算法交易等等, 以及银行风控模型的建立与实现。这与CFA的着重点似乎大相径庭。这里谈一下量化风控这块内容与CFA的联系。个人认为，从近年来欧美银行的监管趋势来看，CFA的几块内容，尤其是经济学与财务报表分析，非常系统和有针对性地提供了risk quant （不管是market还是credit)需要掌握的相关知识，特别是对于出身理工科的量化风控从业人员，填补了这方面的空缺。对基本金融工具(equity, fixed income, alternative investment)的介绍，也提供了许多金融从业必备的知识。传统的quant ...继续阅读 (32)