1、百度搜索引擎是不是要對seo人員進行打壓？有那位高手知道的，詳細賜教
打壓的是作弊的，也就是擾亂網路信息秩序，和產生不良信息的網站。對seo行業的打壓沒有用的，互聯網不斷發展，不是誰說了算的。
2、中國網路第一人是誰？
誰是中國互聯網第一人，這不是一個好問題，至少它不嚴謹，容易引起歧義。 最容易的歧義是誰掌管公司的市值最大，誰的財富最多，誰就是互聯網第一人，不過，這好象更多是中國互聯網市值之王和中國互聯網首富之類的討論，和我們大多數人想的不一樣。最自然想到的誰對中國互聯網的貢獻最大，而且又最早，那就是互聯網第一人，但這同樣也無法清晰界定，至少以下眾人都能與這個互聯網第一人扯上關系：錢天白1987年9月20日22點55分。北京計算機應用技術研究所研究員錢天白正式建成我國第一個國際互聯網電子郵件節點，並發出中國第一封電子郵件。中國互聯網的開創者之一、中科院胡啟恆院士說過這樣一句話：「互聯網進入中國，不是八抬大轎抬進來的，是羊腸小道走出來的。」第一個走上這條小道的人，就是錢天白。錢天白的這個第一人，更准確的是中國互聯網上網第一人。張樹新1995年5月創建了瀛海威信息通信有限責任公司的前身北京科技有限責任公司並擔任總裁。她的公司或許不是中國互聯網早期最大也未必不是最早成立的公司，但卻是最具公眾知名度的公司，說起中國互聯網啟蒙第一人，誰也不爭不過張樹新。馬雲1995年4月，馬雲第一次到美國，第一次接觸了互聯網，第一次在電腦上打入「beer」而搜出了一大堆信息，卻發現互聯網上關於「china」的信息為零，於是他把自己翻譯社做了個網頁放了上去，不一會他收到5個郵件，這5個郵件都說這是他們在網上找的第一個有關中文的網頁。馬雲回國後於1995年4月成立的海博網路技術有限公司從可查的歷史是中國第一家網路公司，其中國黃頁也的確是中國第一家商業網站，馬雲的這個第一人最准確的表達是中國互聯網中文網站(頁)第一人。田溯寧1995年1月，田溯寧和他亞信的5個創業夥伴齊刷刷的回到北京，開始和國家科委聯合做項目，1995年承建中國第一個商業化Internet骨幹網ChinaNet起,亞信先後完成了中國70%的互聯網建設。田溯寧也由此有中國互聯網第一人的稱謂，田的這個第一人應該是中國互聯網基礎建設第一人。馬化騰沒有搞錯，中國互聯網的早期運動中的確有小馬哥的身影，1995年，民間的撥號BBS同時興起，在這一年2月，馬化騰建立Ponysoft，這是1994年5月中國大陸第一個互聯網BBS曙光BBS上線後的第二個BBS,也是第一個非學術背景，純個人背景的BBS，之後有西點、西線、自然等在諸多BBS。BBS雖然只有兩三年的燦爛，但她成功的培養了一代中國本土對網路應用有感覺的工程師企業家，諸如丁磊、雷軍、周鴻一、fishman……，馬化騰當屬中國互聯網技術啟蒙第一人。丁磊丁磊也曾一些媒體稱為中國互聯網第一人，丁磊所領導的網易也的確創造了許多互聯網的第一：中國第一家提供中文全文搜索、第一個大容量免費個人主頁基地、第一個免費電子賀卡站、第一個虛擬社區，第一次網上新品拍賣，第一個中文個性化服務等等，丁磊的這個第一人，應該叫中國互聯網免費服務第一人。到底誰是第一人啊，這是個有趣的問題，也是我最近在做《中國互聯網史話》這本書所產生的系列有趣話題中的一個，趕明咱再一一討論吧。
3、網站seo關鍵詞怎麼做？
推薦你到B站去搜一下，各種大神的視頻，小馬哥教的不錯
4、小馬哥（馬昊）！他是風雲戰隊的隊長。曾經獲得湖北區2012年WCG冠軍。百度星勢力就是他啦，百度：馬昊SEO。
昵稱:姐夫,小馬哥
英文名：star
生日：1990年5月18日
生肖：馬
星座：金牛座
身高：1.74米
籍貫：湖北浠水
出生地：浠水（土匪縣）
職業：建站、網路推廣（打醬油，偶爾）
民族：漢族
語言：漢語、英語、
方言：浠水話，少部分的黃石話
家庭狀況:4口
最喜歡的運動：A點集合
職業：網路工作者
最喜歡的人：自己
最難忘的人：還是自己
最常說的口頭禪：風騷的一天又過去了!
最喜歡吃的東西：不愛吃
最快樂的事情：你個2貨
百度：星勢力
其實宜昌SEO還是不錯的，百度一下宜昌SEO小強。beiseo
5、如何用python實現Markowitz投資組合優化
多股票策略回測時常常遇到問題。
倉位如何分配？
你以為基金經理都是一拍腦袋就等分倉位了嗎？
或者玩點玄乎的斐波拉契數列？
OMG，誰說的黃金比例，讓我看到你的腦袋（不削才怪）！！
其實，這個問題，好多好多年前馬科維茨（Markowitz）我喜愛的小馬哥就給出答案——投資組合理論。
根據這個理論，我們可以對多資產的組合配置進行三方面的優化。
1.找到有效前沿。在既定的收益率下使組合的方差最小。
2.找到sharpe最優的組合（收益-風險均衡點）
3.找到風險最小的組合
跟著我，一步兩步，輕松實現。
該理論基於用均值和方差來表述組合的優劣的前提。將選取幾只股票，用蒙特卡洛模擬初步探究組合的有效前沿。
通過最大Sharpe和最小方差兩種優化來找到最優的資產組合配置權重參數。
最後，刻畫出可能的分布，兩種最優以及組合的有效前沿。
註：
文中的數據API來自量化平台聚寬，在此表示感謝。
原文見【組合管理】——投資組合理論（有效前沿）（包含正態檢驗部分）
0.導入需要的包
import pandas as pd
import numpy as np
import statsmodels.api as sm #統計運算
import scipy.stats as scs #科學計算
import matplotlib.pyplot as plt #繪圖
1.選取幾只感興趣的股票
000413 東旭光電，000063 中興通訊，002007 華蘭生物，000001 平安銀行，000002 萬科A
並比較一下數據（2015-01-01至2015-12-31）
In[1]:
stock_set = ['000413.XSHE','000063.XSHE','002007.XSHE','000001.XSHE','000002.XSHE']
noa = len(stock_set)
df = get_price(stock_set, start_date = '2015-01-01', end_date ='2015-12-31', 'daily', ['close'])
data = df['close']
#規范化後時序數據
(data/data.ix[0]*100).plot(figsize = (8,5))
Out[1]:
2.計算不同證券的均值、協方差
每年252個交易日，用每日收益得到年化收益。計算投資資產的協方差是構建資產組合過程的核心部分。運用pandas內置方法生產協方差矩陣。
In [2]:
returns = np.log(data / data.shift(1))
returns.mean()*252
Out[2]:
000413.XSHE 0.184516
000063.XSHE 0.176790
002007.XSHE 0.309077
000001.XSHE -0.102059
000002.XSHE 0.547441
In [3]:
returns.cov()*252
Out[3]:
3.給不同資產隨機分配初始權重
由於A股不允許建立空頭頭寸，所有的權重系數均在0-1之間
In [4]:
weights = np.random.random(noa)
weights /= np.sum(weights)
weights
Out[4]:
array([ 0.37505798, 0.21652754, 0.31590981, 0.06087709, 0.03162758])
4.計算預期組合年化收益、組合方差和組合標准差
In [5]:
np.sum(returns.mean()*weights)*252
Out[5]:
0.21622558669017816
In [6]:
np.dot(weights.T, np.dot(returns.cov()*252,weights))
Out[6]:
0.23595133640121463
In [7]:
np.sqrt(np.dot(weights.T, np.dot(returns.cov()* 252,weights)))
Out[7]:
0.4857482232609962
5.用蒙特卡洛模擬產生大量隨機組合
進行到此，我們最想知道的是給定的一個股票池（證券組合）如何找到風險和收益平衡的位置。
下面通過一次蒙特卡洛模擬，產生大量隨機的權重向量，並記錄隨機組合的預期收益和方差。
In [8]:
port_returns = []
port_variance = []
for p in range(4000):
weights = np.random.random(noa)
weights /=np.sum(weights)
port_returns.append(np.sum(returns.mean()*252*weights))
port_variance.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights))))
port_returns = np.array(port_returns)
port_variance = np.array(port_variance)
#無風險利率設定為4%
risk_free = 0.04
plt.figure(figsize = (8,4))
plt.scatter(port_variance, port_returns, c=(port_returns-risk_free)/port_variance, marker = 'o')
plt.grid(True)
plt.xlabel('excepted volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[8]:
6.投資組合優化1——sharpe最大
建立statistics函數來記錄重要的投資組合統計數據（收益，方差和夏普比）
通過對約束最優問題的求解，得到最優解。其中約束是權重總和為1。
In [9]:
def statistics(weights):
weights = np.array(weights)
port_returns = np.sum(returns.mean()*weights)*252
port_variance = np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252,weights)))
return np.array([port_returns, port_variance, port_returns/port_variance])
#最優化投資組合的推導是一個約束最優化問題
import scipy.optimize as sco
#最小化夏普指數的負值
def min_sharpe(weights):
return -statistics(weights)[2]
#約束是所有參數(權重)的總和為1。這可以用minimize函數的約定表達如下
cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})
#我們還將參數值(權重)限制在0和1之間。這些值以多個元組組成的一個元組形式提供給最小化函數
bnds = tuple((0,1) for x in range(noa))
#優化函數調用中忽略的唯一輸入是起始參數列表(對權重的初始猜測)。我們簡單的使用平均分布。
opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons)
opts
Out[9]:
status: 0
success: True
njev: 4
nfev: 28
fun: -1.1623048291871221
x: array([ -3.60840218e-16, 2.24626781e-16, 1.63619563e-01, -2.27085639e-16, 8.36380437e-01])
message: 'Optimization terminated successfully.'
jac: array([ 1.81575805e-01, 5.40387481e-01, 8.18073750e-05, 1.03137662e+00, -1.60038471e-05, 0.00000000e+00])
nit: 4
得到的最優組合權重向量為：
In [10]:
opts['x'].round(3)
Out[10]:
array([-0. , 0. , 0.164, -0. , 0.836])
sharpe最大的組合3個統計數據分別為：
In [11]:
#預期收益率、預期波動率、最優夏普指數
statistics(opts['x']).round(3)
Out[11]:
array([ 0.508, 0.437, 1.162])
7.投資組合優化2——方差最小
接下來，我們通過方差最小來選出最優投資組合。
In [12]:
#但是我們定義一個函數對 方差進行最小化
def min_variance(weights):
return statistics(weights)[1]
optv = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
optv
Out[12]:
status: 0
success: True
njev: 7
nfev: 50
fun: 0.38542969450547221
x: array([ 1.14787640e-01, 3.28089742e-17, 2.09584008e-01, 3.53487044e-01, 3.22141307e-01])
message: 'Optimization terminated successfully.'
jac: array([ 0.3851725 , 0.43591119, 0.3861807 , 0.3849672 , 0.38553924, 0. ])
nit: 7
方差最小的最優組合權重向量及組合的統計數據分別為：
In [13]:
optv['x'].round(3)
Out[13]:
array([ 0.115, 0. , 0.21 , 0.353, 0.322])
In [14]:
#得到的預期收益率、波動率和夏普指數
statistics(optv['x']).round(3)
Out[14]:
array([ 0.226, 0.385, 0.587])
8.組合的有效前沿
有效前沿有既定的目標收益率下方差最小的投資組合構成。
在最優化時採用兩個約束，1.給定目標收益率，2.投資組合權重和為1。
In [15]:
def min_variance(weights):
return statistics(weights)[1]
#在不同目標收益率水平（target_returns）循環時，最小化的一個約束條件會變化。
target_returns = np.linspace(0.0,0.5,50)
target_variance = []
for tar in target_returns:
cons = ({'type':'eq','fun':lambda x:statistics(x)[0]-tar},{'type':'eq','fun':lambda x:np.sum(x)-1})
res = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)
target_variance.append(res['fun'])
target_variance = np.array(target_variance)
下面是最優化結果的展示。
叉號：構成的曲線是有效前沿（目標收益率下最優的投資組合）
紅星：sharpe最大的投資組合
黃星：方差最小的投資組合
In [16]:
plt.figure(figsize = (8,4))
#圓圈：蒙特卡洛隨機產生的組合分布
plt.scatter(port_variance, port_returns, c = port_returns/port_variance,marker = 'o')
#叉號：有效前沿
plt.scatter(target_variance,target_returns, c = target_returns/target_variance, marker = 'x')
#紅星：標記最高sharpe組合
plt.plot(statistics(opts['x'])[1], statistics(opts['x'])[0], 'r*', markersize = 15.0)
#黃星：標記最小方差組合
plt.plot(statistics(optv['x'])[1], statistics(optv['x'])[0], 'y*', markersize = 15.0)
plt.grid(True)
plt.xlabel('expected volatility')
plt.ylabel('expected return')
plt.colorbar(label = 'Sharpe ratio')
Out[16]:
6、飛哥seo博客誰知道？
聽說過，還上去看過，，，這是地址百度地址