hello，老铁们大家晚上好！

昨天那一篇文章首战即终战！为何我觉得解放军飞临台湾领空是高考前的二模考试？

很火爆，写得有些仓促都是我的一家之言，说得不是那么准确的地方还请大家批评指正。

但火爆背后，留言也有点尖锐，在现在这个敏感的时间点，留言被封都只是时间问题！

精选几个评论：

昨天的投票结果如上图，也能说明很多问题，反正我的态度是希望尽早完成台湾回归，越早越好！我不想再拖到我们下一代，下下一代。。。。

说完了昨天遗留的台湾问题的讨论，今天又出来一个重磅消息：李嘉诚的和记黄埔被严查了！

9月23日，一份《关于禁止和记黄埔地产(成都)有限公司融资、贷款和重大资产重组的函》的文件在网上流传。这份流传的函件显示是由成都市高新区财政金融局向辖区内金融机构发出。

一位接近成都高新区金融财政局人士证实，该局确实发过上述函件。

函件指称，和记黄埔地产(成都)有限公司存在捂地、捂盘不良行为，严重影响区域房地产市场平稳发展，经研究，禁止高新区内金融机构向和记黄埔地产(成都)有限公司及项目提供新增融资、贷款，禁止高新区内金融机构向和记黄埔地产(成都)有限公司进行重大资产重组提供帮助。

目前，和记黄埔（成都）项目只有位于成都高新区的南城都汇项目。2004年，长实集团以21.35亿元总价拿下，成交楼面价1030元/平米，这个占地面积达到1036亩的超级大盘计划分8期来建设，目前为止，南城都汇只推出过6期产品。

 

香港一学生的作文《李家的城》，其中写道：

“李嘉诚，名副其实，香港就是李家的城。他是我们的上帝，万物都是他所创造。当然，香港传说中的三位一体就是他们：李嘉诚、李泽楷、李泽钜。他们的力量远超人类，为打工仔遮风避雨，使香港免受风球、暴雨的侵袭。他们付出了那么多，只是希望我们可以准时上班，不准时下班。这都是诚哥的伟大。”

随后，该作文引来众多香港网友的共鸣。tea-for-two也说：“写得好真实，其实就是不去商场消费，港岛居民就连在家，足不出户都要付钱给李家，灯总要开吧，电费总要给吧，李家的城啊。”

 

Sunny_GuYu说：“只是希望我们可以准时上班，不准时下班。”真tm绝。

 

“百乐门小艳红”说，一下就点出了香港的两大问题：寡头垄断以及不健康的加班文化。

可以这么说，在所有的欧美亚发达经济体中，香港底层老百姓是最苦的，没有之一，看看上面李嘉诚给他们准备的牢笼吧，有些底层百姓就是一辈子住在这里面，你还别嫌弃这个牢笼，这个每个月一个笼子也要2000港币以上！

资本是血腥的，是吃人的，但香港这种特殊的财阀垄断体制，出人意料让李嘉诚等四大家族变得更加嗜血，更加残暴！牢牢掌握了千万老百姓的生死，而且牢不可破。

归根究底，香港经济的逐渐衰败和地产财阀的兴盛密不可分！

李嘉诚们在香港嗜血的根本原因在于：

1 地产商联合起来控制政府，严格控制土地出让数量，比如市场每年需要新增10万套房屋，只出让1万套的土地。

2 利用土地升值赚到的钱，控制各种香港公用设施，水电煤气地铁便利店，你能想到的轻松赚大钱的生意都在他们手里。

3 严厉打击高科技产业，利用土地税和高地租，让本来有希望成为小硅谷的数码城变成房地产项目，没有高科技年轻人再也无法跳跃阶层，老老实实被李嘉诚们吃干抹净！

4 收买媒体学校等，让年轻人没有发声渠道。

李嘉诚来内地开发房地产也有20-30年了，给内地带来了香港独特的规则：

1 招拍挂制度，谁出价高土地归谁

2 公摊面积，2000年之前我们恐怕还不懂什么是公摊，现在有的公摊面积一套100平房子有20-30平米很吓人，欧美一般都是套内面积！

3 囤积居奇，尽量不开发少开发，等土地升值

李嘉诚最得心应手的就是炒地皮。众所周知，李嘉诚旗下的房地产项目开发速度都非常的慢，这与碧桂园如今这种拼命赶工的做法完全不同。而李嘉诚旗下的房地产项目之所以开发时间周期长，那是因为李嘉诚拿地时间非常早，而随着内地房地产市场的发展，地皮就会随之涨价，这部分土地溢价带来的收益也远远超过单纯的地产开发收益。

其中，李嘉诚在北京的一个房地产项目，1993年拿地，直到2018年才开发完成，整个项目耗时25年，但是房价却从2000元每平米涨到了超过40000元每平米。

在2006年，李嘉诚旗下的长实集团以22亿元的价格拍下上海“高尚领域”项目，而截止到如今还未完全完工，而这个“高尚领域”的项目就是近日传出来李嘉诚即将出售的位于上海的最后一个房地产项目，估值约200亿元。

而2008年，长实集团在重庆以20亿元拿下的土地，也在2018年以200亿元的价格出售。当然，像李嘉诚这种拖延开发的策略，也并不是没有受到过处罚。此前，李嘉诚在东莞的一个房地产项目，就因为囤地而被罚款8000万元。

 

靠囤地赚钱，这当然令大家愤怒的，即使是李嘉诚也不能例外。但屡试不爽的背后却说明在道德判定之后，市场却认为它并没有违规。很多人怀疑，李嘉诚为什么10年不开发还能继续持有该地块？因为我们都知道“地块2年不开发就会被收回”。

李嘉诚囤地赚钱能够成功说明规则出了问题。

那么问题到底出在哪？

 

“地块2年不开发就会被收回”和要求开发商接受公积金贷款买房有很多相似之处，规则是一回事，落地执行又是一回事，所以李嘉诚能够屡试不爽。

 

就拿“地块2年不开发就会被收回”这个规则来说吧，这里的“收回”也并不是不可破的，只要找到一些“不可抗力因素”就可以规避，这对开发商来说并不是什么难事。

再回来看看李嘉诚这些地，基坑还是挖了，进度虽然挺慢，但那是因为方案在调整，说我没开发不行。

 

开发商可以操作，但上面也并不是吃素的。他们想收回也是有很多办法的。开发商拿了一大块地，开发商大多采用分期开发，产权也是分成很多块的。某个产权地块两年不开发，照样能收回。

 

所以类似囤地这种事能够成功，是因为有默契存在的。

为什么我认为李嘉诚囤积居奇的行为是吃人的行为？

1 正是因为很多优质地块囤积在李嘉诚们的手里，市场缺少房源自然房价越炒越高！

2 地产增值往往伴随着地方政府举债进行市政建设，道路桥梁地铁学校购物中心等开发花了巨资，有些城市一年花几千亿进行市政工程，这方面的花费李嘉诚没有掏出来一毛钱，却白白享受增值。

当然市政花的钱最后都是买房人买单，高房价对应高负债，钱从老百姓的口袋落入李嘉诚的口袋，然后李嘉诚带着几千亿前往英国投资避险。

这就是赤裸裸的现实啊！

3 李嘉诚囤积居奇的行为助长了国人炒房的风气，反过来房价越来越高，依附在房产上的蛀虫也越来越多。地租越来越高，实体经济越来越困难！

今年因为疫情，大概20%的电影院倒闭了，30%的小餐馆倒闭，其中很大原因就是因为房租太高，如果房租低还能再扛一段时间，高额房租同时也在不停劝退优秀的学生，还是回老家吧！

这20多年来，李嘉诚等香港资本在内地享受了太多超额的超国民待遇，有时候法律奈何不了他！他们遵循的原则和香港一样，房子是用来炒的，不是用来住的，地皮是用来囤的，不是用来开发的！

 

这和目前房住不炒的基本国策产生了巨大的分歧，所以我认为成都对李嘉诚下手可能代表着风向改变，意图敲山震虎！

 

李嘉诚代表着最大的香港资本，敲打李嘉诚就意味着对所有房地产商一视同仁，告诫他们不要再囤积居奇了！连李嘉诚都被干了，别的资本也就不太敢了！

 

震虎震的是什么老虎？

 

震的就是部分还不死心，不好好开发老是想囤土地不开发赚大钱的开发商，同时震的哪些到现在还是想着炒房的炒房客们！

 

我在微博说，敲打李嘉诚震融创恒大碧桂园，不一定对，很多朋友也提出了自己的观点

7月23日晚，李嘉诚的长实集团(01113.HK)发布公告，出售成都南城都汇项目50%股权，作价约78.47亿元。

买方为一家名为RZ3262019 Limited的公司，股东分别为禹洲集团控股有限公司和成都瑞卓置业有限公司，各占股50%。

也就是说，在这个交易中，长实集团子公司将所持有的成都南城都汇项目估价约为78.47亿元港币，卖给了由禹洲集团和成都瑞卓置业分别持有50%股权的受让方。通过出售该项目，长实集团未经审核利润为港币38.11亿元。

因此，此次被政府部门禁止和记黄埔融资贷款，受影响的是接手方禹洲集团和成都瑞卓置业。

不过，禹洲集团相关人士表示，这则处罚是针对原来股东，也只面向成都高新区内的金融机构，对公司收购的项目没有影响，他们正在争取项目尽快入市。

接手方在进入南城都汇项目之后，已经遇到诸多历史遗留问题。

现在接盘的是禹洲集团和成都瑞卓，他们准备在收购以后按照新项目来核定预售价格，拟提高售价，但是相关部门认为交易是股权转让不能认定为新项目，只能按照续建项目核定价格，只能按照续建项目核定价格，就是说不能超过上一批次备案价或者是预售价。

 

这几年刚毕业的大学生被高房价坑惨了，面对动辄5万7万10万的北京上海深圳房价，仅仅一万多的月薪怎么买房？怎么安心工作和搞科研？怎么让人安居乐业？

安得广厦千万间，大庇天下寒士俱欢颜？

 

反正我一直觉得李嘉诚们的吃相太难看了，这次成都敲山震虎的行为不知道大家怎么看？欢迎在评论区留言！

 

转自：https://mp.weixin.qq.com/s/8gOLec7U4m8IkZFrrQt1pA

做广告业务1年多时间了，但是平时的工作主要和广告工程有关，核心的广告算法由 AI 部门支持，对我们而言可以说是「黑盒般」的存在，只需要对训练好的模型进行调用即可。

近期，我打算系统性地学习下广告中的搜索和推荐算法，当然更多是从工程的视角去弄清楚：算法的基本原理、以及面对线上海量数据时算法是如何解决性能问题的？整个过程，我会将有价值的技术点输出成系列文章。

这篇文章属于推荐系统的入门篇，本文暂不考虑线上环境的海量数据，目的是先了解清楚推荐系统的基本构成，我会通过图解推荐算法以及程序demo的形式展开，内容包括：

01 走进推荐系统的世界

“啤酒与尿布” 的故事相信很多人都听过，年轻爸爸去超市购买尿布时，经常会买点啤酒犒劳自己。因此，沃尔玛将这两种商品进行了捆绑销售，最终获得了更好的销量。

“啤酒与尿布”的故事

这个故事背后的理论依据就是 “推荐算法”，因为尿布和啤酒经常出现在同一个购物车中，那么向购买尿布的年轻爸爸推荐啤酒确实有一定道理。

1. 推荐系统到底解决的是什么问题？

推荐系统从20世纪90年代就被提出来了，但是真正进入大众视野以及在各大互联网公司中流行起来，还是最近几年的事情。

随着移动互联网的发展，越来越多的信息开始在互联网上传播，产生了严重的信息过载。因此，如何从众多信息中找到用户感兴趣的信息，这个便是推荐系统的价值。精准推荐解决了用户痛点，提升了用户体验，最终便能留住用户。

推荐系统本质上就是一个信息过滤系统，通常分为：召回、排序、重排序这3个环节，每个环节逐层过滤，最终从海量的物料库中筛选出几十个用户可能感兴趣的物品推荐给用户。

推荐系统的分阶段过滤流程

2. 推荐系统的应用场景

哪里有海量信息，哪里就有推荐系统，我们每天最常用的APP都涉及到推荐功能：

• 资讯类：今日头条、腾讯新闻等
• 电商类：淘宝、京东、拼多多、亚马逊等
• 娱乐类：抖音、快手、爱奇艺等
• 生活服务类：美团、大众点评、携程等
• 社交类：微信、陌陌、脉脉等

头条、京东、网易云音乐中的推荐功能

推荐系统的应用场景通常分为以下两类：

• 基于用户维度的推荐：根据用户的历史行为和兴趣进行推荐，比如淘宝首页的猜你喜欢、抖音的首页推荐等。

• 基于物品维度的推荐：根据用户当前浏览的标的物进行推荐，比如打开京东APP的商品详情页，会推荐和主商品相关的商品给你。

3. 搜索、推荐、广告三者的异同

搜索和推荐是AI算法最常见的两个应用场景，在技术上有相通的地方。这里提到广告，主要考虑很多没做过广告业务的同学不清楚为什么广告和搜索、推荐会有关系，所以做下解释。

• 搜索：有明确的搜索意图，搜索出来的结果和用户的搜索词相关。

• 推荐：不具有目的性，依赖用户的历史行为和画像数据进行个性化推荐。

• 广告：借助搜索和推荐技术实现广告的精准投放，可以将广告理解成搜索推荐的一种应用场景，技术方案更复杂，涉及到智能预算控制、广告竞价等。

02 推荐系统的整体架构

推荐系统的整体架构

上面是推荐系统的整体架构图，自下而上分成了多层，各层的主要作用如下：

• 数据源：推荐算法所依赖的各种数据源，包括物品数据、用户数据、行为日志、其他可利用的业务数据、甚至公司外部的数据。

• 计算平台：负责对底层的各种异构数据进行清洗、加工，离线计算和实时计算。

• 数据存储层：存储计算平台处理后的数据，根据需要可落地到不同的存储系统中，比如Redis中可以存储用户特征和用户画像数据，ES中可以用来索引物品数据，Faiss中可以存储用户或者物品的embedding向量等。

• 召回层：包括各种推荐策略或者算法，比如经典的协同过滤，基于内容的召回，基于向量的召回，用于托底的热门推荐等。为了应对线上高并发的流量，召回结果通常会预计算好，建立好倒排索引后存入缓存中。

• 融合过滤层：触发多路召回，由于召回层的每个召回源都会返回一个候选集，因此这一层需要进行融合和过滤。

• 排序层：利用机器学习或者深度学习模型，以及更丰富的特征进行重排序，筛选出更小、更精准的推荐集合返回给上层业务。

从数据存储层到召回层、再到融合过滤层和排序层，候选集逐层减少，但是精准性要求越来越高，因此也带来了计算复杂度的逐层增加，这个便是推荐系统的最大挑战。

其实对于推荐引擎来说，最核心的部分主要是两块：特征和算法。

推荐引擎的核心功能和技术方案

特征计算由于数据量大，通常采用大数据的离线和实时处理技术，像Spark、Flink等，然后将计算结果保存在Redis或者其他存储系统中（比如HBase、MongoDB或者ES），供召回和排序模块使用。

召回算法的作用是：从海量数据中快速获取一批候选数据，要求是快和尽可能的准。这一层通常有丰富的策略和算法，用来确保多样性，为了更好的推荐效果，某些算法也会做成近实时的。

排序算法的作用是：对多路召回的候选集进行精细化排序。它会利用物品、用户以及它们之间的交叉特征，然后通过复杂的机器学习或者深度学习模型进行打分排序，这一层的特点是计算复杂但是结果更精准。

03 图解经典的协同过滤算法

了解了推荐系统的整体架构和技术方案后，下面带大家深入一下算法细节。这里选择图解的是推荐系统中的明星算法：协同过滤（Collaborative Filtering，CF）。

对于工程同学来说，可能觉得 AI 算法晦涩难懂，门槛太高，确实很多深度学习算法的确是这样，但是协同过滤却是一个简单同时效果很好的算法，只要你有初中数学的基础就能看懂。

1. 协同过滤是什么？

协同过滤算法的核心就是「找相似」，它基于用户的历史行为（浏览、收藏、评论等），去发现用户对物品的喜好，并对喜好进行度量和打分，最终筛选出推荐集合。它又包括两个分支：

• 基于用户的协同过滤：User-CF，核心是找相似的人。比如下图中，用户 A 和用户 C 都购买过物品 a 和物品 b，那么可以认为 A 和 C 是相似的，因为他们共同喜欢的物品多。这样，就可以将用户 A 购买过的物品 d 推荐给用户 C。

基于用户的协同过滤示例

• 基于物品的协同过滤：Item-CF，核心是找相似的物品。比如下图中，物品 a 和物品 b 同时被用户 A，B，C 购买了，那么物品 a 和 物品 b 被认为是相似的，因为它们的共现次数很高。这样，如果用户 D 购买了物品 a，则可以将和物品 a 最相似的物品 b 推荐给用户 D。

基于物品的协同过滤示例

2. 如何找相似？

前面讲到，协同过滤的核心就是找相似，User-CF是找用户之间的相似，Item-CF是找物品之间的相似，那到底如何衡量两个用户或者物品之间的相似性呢？

我们都知道，对于坐标中的两个点，如果它们之间的夹角越小，这两个点越相似，这就是初中学过的余弦距离，它的计算公式如下：

举个例子，A坐标是（0，3，1），B坐标是（4，3，0），那么这两个点的余弦距离是0.569，余弦距离越接近1，表示它们越相似。

除了余弦距离，衡量相似性的方法还有很多种，比如：欧式距离、皮尔逊相关系数、Jaccard 相似系数等等，这里不做展开，只是计算公式上的差异而已。

3. Item-CF的算法流程

清楚了相似性的定义后，下面以Item-CF为例，详细说下这个算法到底是如何选出推荐物品的？

第一步：整理物品的共现矩阵

假设有 A、B、C、D、E 5个用户，其中用户 A 喜欢物品 a、b、c，用户 B 喜欢物品 a、b等等。

所谓共现，即：两个物品被同一个用户喜欢了。比如物品 a 和 b，由于他们同时被用户 A、B、C 喜欢，所以 a 和 b 的共现次数是3，采用这种统计方法就可以快速构建出共现矩阵。

 

第二步：计算物品的相似度矩阵

对于 Item-CF 算法来说，一般不采用前面提到的余弦距离来衡量物品的相似度，而是采用下面的公式：

其中，N(u) 表示喜欢物品 u 的用户数，N(v) 表示喜欢物品 v 的用户数，两者的交集表示同时喜欢物品 u 和物品 v 的用户数。很显然，如果两个物品同时被很多人喜欢，那么这两个物品越相似。

基于第1步计算出来的共现矩阵以及每个物品的喜欢人数，便可以构造出物品的相似度矩阵：

第三步：推荐物品

最后一步，便可以基于相似度矩阵推荐物品了，公式如下：

其中，Puj 表示用户 u 对物品 j 的感兴趣程度，值越大，越值得被推荐。N(u) 表示用户 u 感兴趣的物品集合，S(j,N) 表示和物品 j 最相似的前 N 个物品，Wij 表示物品 i 和物品 j 的相似度，Rui 表示用户 u 对物品 i 的兴趣度。

上面的公式有点抽象，直接看例子更容易理解，假设我要给用户 E 推荐物品，前面我们已经知道用户 E 喜欢物品 b 和物品 c，喜欢程度假设分别为 0.6 和 0.4。那么，利用上面的公式计算出来的推荐结果如下：

因为物品 b 和物品 c 已经被用户 E 喜欢过了，所以不再重复推荐。最终对比用户 E 对物品 a 和物品 d 的感兴趣程度，因为 0.682 > 0.3，因此选择推荐物品 a。

04 从0到1搭建一个推荐系统

有了上面的理论基础后，我们就可以用 Python 快速实现出一个推荐系统。

1. 选择数据集

这里采用的是推荐领域非常经典的 MovieLens 数据集，它是一个关于电影评分的数据集，官网上提供了多个不同大小的版本，下面以 ml-1m 数据集（大约100万条用户评分记录）为例。

下载解压后，文件夹中包含：ratings.dat、movies.dat、users.dat 3个文件，共6040个用户，3900部电影，1000209条评分记录。各个文件的格式都是一样的，每行表示一条记录，字段之间采用 :: 进行分割。

以ratings.dat为例，每一行包括4个属性：UserID, MovieID, Rating, Timestamp。通过脚本可以统计出不同评分的人数分布：

2. 读取原始数据

程序主要使用数据集中的 ratings.dat 这个文件，通过解析该文件，抽取出 user_id、movie_id、rating 3个字段，最终构造出算法依赖的数据，并保存在变量 dataset 中，它的格式为：dict[user_id][movie_id] = rate

3. 构造物品的相似度矩阵

基于第 2 步的 dataset，可以进一步统计出每部电影的评分次数以及电影的共生矩阵，然后再生成相似度矩阵。

4. 基于相似度矩阵推荐物品

最后，可以基于相似度矩阵进行推荐了，输入一个用户id，先针对该用户评分过的电影，依次选出 top 10 最相似的电影，然后加权求和后计算出每个候选电影的最终评分，最后再选择得分前 5 的电影进行推荐。

5. 调用推荐系统

下面选择 UserId=1 这个用户，看下程序的执行结果。由于推荐程序输出的是 movieId 列表，为了更直观的了解推荐结果，这里转换成电影的标题进行输出。

最终推荐的前5个电影为：

05 线上推荐系统的挑战

通过上面的介绍，大家对推荐系统的基本构成应该有了一个初步认识，但是真正运用到线上真实环境时，还会遇到很多算法和工程上的挑战，绝对不是几十行 Python 代码可以搞定的。

1、上面的示例使用了标准化的数据集，而线上环境的数据是非标准化的，因此涉及到海量数据的收集、清洗和加工，最终构造出模型可使用的数据集。

2、复杂且繁琐的特征工程，都说算法模型的上限由数据和特征决定。对于线上环境，需要从业务角度选择出可用的特征，然后对数据进行清洗、标准化、归一化、离散化，并通过实验效果进一步验证特征的有效性。

3、算法复杂度如何降低？比如上面介绍的Item-CF算法，时间和空间复杂度都是O(N×N)，而线上环境的数据都是千万甚至上亿级别的，如果不做算法优化，可能几天都跑不出数据，或者内存中根本放不下如此大的矩阵数据。

4、实时性如何满足？因为用户的兴趣随着他们最新的行为在实时变化的，如果模型只是基于历史数据进行推荐，可能结果不够精准。因此，如何满足实时性要求，以及对于新加入的物品或者用户该如何推荐，都是要解决的问题。

5、算法效果和性能的权衡。从算法角度追求多样性和准确性，从工程角度追求性能，这两者之间必须找到一个平衡点。

6、推荐系统的稳定性和效果追踪。需要有一套完善的数据监控和应用监控体系，同时有 ABTest 平台进行灰度实验，进行效果对比。

写在最后

这篇文章是推荐系统的入门篇，目的是让大家对推荐系统先有一个整体的认识，后续我会再连载出一些文章，详细地介绍面对具体业务和线上海量数据时，推荐系统应该如何设计？

 

一、掌握撇画书写技巧

 

撇的写法特别多。按方向分有，平撇、斜撇（斜撇又分短撇与长撇）、竖撇等；按用笔来分，有回锋撇、兰叶撇、弯头撇等。

撇画在一个字中很有装饰性，如能写得自然舒展，会增加字的美感。

本文先介绍：短撇，平撇，斜撇，大长撇、竖撇

 

1、短撇

 

笔尖朝向10点钟方向下笔，轻入笔+顿笔，再向左下角运笔，由粗到细，逐渐变细出峰，整体呈现轻微的弧度，斜度是45度左右浮动。

 

2、平撇

 

笔尖朝向10点钟方向下笔，轻入笔+顿笔，再向接近水平的左边运笔，由粗到细，逐渐变细出峰。

 

3、斜撇

 

运笔技巧和短撇一样的动作，只是将长度加长。但是不可以弯的太大或者太直，不可以一样的粗细，需要有由粗到细的变化，或者整体粗细均匀末端时出峰变细。

 

4、大长撇

 

书写方式与长撇接近，长度要略大。

 

5、竖撇

 

笔尖朝向 10 点钟方向下笔，轻入笔+顿笔，再向垂直方向运笔，底部往左弯出锋。

提示：撇画长度也没有明确界定，同上。

 

 

二、掌握撇类笔画

 

所谓撇类笔画是指带撇画特征的笔画，比如撇折的撇，撇点（大撇折）的撇，竖折撇的撇，横折折撇的撇，都是撇类笔画。

书写要领：撇类笔画需要与同类型撇画写法一致，方向一致。

 

三、掌握撇画规律

 

同类型撇画方向平行，多撇画出现在一个字中可平行，可延长线相交，可发散型，且具备长短之分参差变化。

多撇在一起可间隔接近，可递增放大。

撇捺成交叉状态，撇画弧度会变大。

竖撇分两种情况，如果在左边出峰角度缓和，如果在字中间出撇角度要急且往水平方向。

 

1、平行关系

 

叠加撇画，通常采用平行关系处理撇画，这时我们的运笔习惯就能很好的体现出来，不管如何撇，弧度和方向基本一致。

 

2、发散关系

 

从表面看形态，仿佛撇画是从一个地方出发，向不同方向发散出去，并且存在每个撇画之间间隔均等或者渐变间隔的格局。

 

3、聚拢关系

 

聚拢关系，每个撇画往一个方向去，一般不能将这些撇画直接写到一起去，应该是延长线在一个地方相交，这些撇画多数是不同类型的撇画在一起的状态。

 

四、例字分析

 

1、彩

 

书写要领：

彩字的横画左边可以长可以延伸，右边需要缩短进行避让。三撇要注意平行关系。

 

2、人

 

书写要领：

人字的结构，注意撇画的整体角度与捺画的角度可以接近，可以撇画角度45度左右，捺画角度小于45度，但是要注意落脚点接近平衡。

 

3、天

 

书写要领：

天字的第二横只需要比第一横长一点点就可以了，两个横画带大坎肩，撇画要用竖撇，撇捺的角度和人的处理接近。

这几天，恒大刷屏了。

事情是这样的，9月24日下午，突然有一份盖了恒大集团公章的文件流传到了网上，引发了大量媒体的追踪报道。 

文件写的很经典，内容的大意是先巴拉巴拉说一大堆恒大这些年为经济做出的贡献，一直在依法依规的做事等等。

然后话锋一转，说自己2016年开始就和深深房谈借壳上市，因此融资来了1300亿入股，但至今已经4年了，还未能成功资产重组。

按照当初签的抽屉协议，如不能在2021年1月31日前按时登陆A股上市，这1300亿就要股转债，从股份变成债务，还要支付137亿的分红，但自己已经欠了8355亿了，这突然多出来的1400多亿实在是支付不起。

所以，恒大的资金链可能发生断裂，并可能引发系统性金融风险。

同时可能影响331万人的就业，可能影响已售未交楼的61.7万套商品房的204万业主的权益，导致其面临烂尾楼的风险。 

话里话外就一个意思，恳请政府救命。

明股实债这是典型的违规操作，还一口气弄了1300亿，总结一下就是：

发了财归自己，出了事找政府。

这文件刷屏全网的当天晚上，恒大官方就出了一个通知，声称这份文件纯属凭空捏造，子虚乌有。

这份文件到底是真的还是假的？恒大究竟有没有这1300亿的隐藏地雷？

很多人催我谈恒大这件事，我一直没有动笔写，也是出于这个原因的考虑。

首先谈个人观点，我个人猜测这份文件大概率是真的。

但这只是个人猜测，我没有证据来证明，所以不能做为写文章的依据。

写文章的所有分析，都必须建立在事实之上，否则所有分析结果都是沙滩之上的楼阁，压根站不住脚。

而在法律上，中国遵循无罪推定原则，也就是除非你能证明嫌疑人有罪，否则他就是无罪。

在这份真假文件疑云上，没有99%概率为真这一说，只有0%和100%。

如果你没有100%的证据证明为真，那它就是假。

但这种事，无人能拿出100%的证据，也不可能拿出来。

所以从法律上，这份流传于网络上的恒大文件，目前为止，为谣言。

那我能不能按照这份文件为假作为事实基准分析，来写一篇文章呢？

当然也不行。

因为这么写的话，那就只能写到底是何方神圣能造出这么逼真这么完美的假文件，对恒大的底细摸的这么清楚，公文水平写的如此之高，和大家探索学习一下如此登峰造极的造假技术。

这么去写文章没意思，而且我也开不了这个口。

因为标普评级机构根本不信恒大的辟谣，直接下调了恒大的信用评级。 

随后，国资委发出公函，要求旗下信托公司立即核查和恒大的存续业务，评估其风险并提供处置措施。 

而第二天，也就是9月25日，恒大债券连续跌停，触发2次停牌。

这可是债券啊，不是股票，是那种一年只能涨几个点收益的债券，居然能单日大跌30%触发二次停牌。 

市场上的资本对这份文件真假的态度到底如何，简直是一目了然，我再怎么样也没办法按文件为假去写分析文章啊。

2016年那会，我要是按照乐视网的辟谣公告去写文章，一年后怕不是要被人给骂死。 

所以没办法写。

默认文件为真这个角度不能写，默认文件为假这个角度也不能写。

这就是我本不打算写这个话题的原因，因为再怎么写也就只能把事实罗列罗列就结束了，根本没有办法进行深度分析。

但是大家的呼声很强烈，非要我写，于是我只能把恒大的资料分析来分析去，最终找到了一个非常好玩的地方。

先声明一下，以下内容，全部依据事实所写。

中国恒大的港股代码是03333，在2017年1月的股价为1.5~1.6元/股。

但是到2017年11月，恒大的股价飙升到了28元/股，暴涨17.5倍。

恒大因此，一举成为了千亿级房企，许家印的身家自然也跟着暴涨。 

什么叫股王，这才是股王啊，吊打茅台。

地产大牛市的时候，买房真的不如买地产股。

是不是有人强行拉高恒大股价，人为制造泡沫呢？

也不是，3年后的今天，恒大的股价也还有14元，差不多相当于17年初的9倍，经历三年震荡恒大依然可以维持这个市值，且市盈率仅为19左右。

这说明恒大提供出来的盈利，足以支撑这个市值。

16~17年那会，全国的房价平均涨幅大约为1倍，恒大持有的大量土地都升值了，市值跟着暴涨理所当然，合情合理。

但房价涨幅才1倍，为什么恒大的市值可以暴涨17.5倍？这账算不明白啊。

打开年线看就更夸张了，恒大在香港上市很多年了，一直是横盘微涨的走势，在2015年大牛市里也就只涨了2~3倍，但是股价却在2017年突然拉出17倍以上的超级大阳线。 

能解释的理由只有一个，那就是恒大集团在高周转之外，还用了一个超级高的杠杆，借了很多钱赌了一把，而且赌赢了，所以市值跟着暴涨了。

说到杠杆，就不提不得到8月份的时候央行和住建部对房地产企业设立的3道红线，严控房企融资。 

而恒大，就同时触犯了三道红线，综合排名为第一名。 

同时触犯3道红线的房企，总共有9个，其中嘉禾集团已经彻底暴雷，资金链断裂。

泰禾北京院子二期，1150万元/套起，而那些拿出巨款买房的业主们目前正在维权。 

而第二个出问题的，是恒大，当然目前只是疑似出问题。

财务状态出问题，只可能是两个原因：第一个原因是这些年投资非常差，屡屡亏钱，硬生生的把自己给亏没了。第二种原因，就是借了超高的杠杆，虽然投资的情况还不错，但如今全球金融状态急刹车，一口气没上来给弄挂了。

我一时心痒，就搜了下这份名单里风险程度排第二名的融创中国。

正好融创也是在港股上市，代码01918，和恒大是同在港股市场，可对比的程度极强。

而融创的走势，和恒大高度相似。

2017年1月，融创的股价是4元，年底前最高价摸到了40元，翻了接近10倍。

暴涨前，融创的走势图很像恒大，暴涨后，融创的走势图还是很像恒大。 

区别肯定也是有，2017年那一波恒大涨幅是17倍多，融创不足10倍，假设投资水平差不多的话，融创的杠杆明显偏小。

但1倍的房价涨幅，同样不可能带来10倍的股价涨幅。

所以很明显，融创肯定也在2017年之前上杠杆了，而且赌赢了，但杠杆的力度不如恒大。

今天的融创上了融资红名单的原因，也并不是因为亏钱太厉害，而是和恒大一样，当年的杠杆出问题了。

大家印象中地产的龙头老大是万科，但是在2017年的这波地产大牛中，万科的涨幅低的可怕。

不仅是在A股低，在港股也低。

万科在港股的股票代码是02202，在2017年初的股价为15元，到了2018年初，极限峰值股价，也才39元，仅仅只涨了1倍多一点。

这个股价走势其实反应了一个问题，万科在这一轮暴涨之前，没有大幅度上杠杆，盈利跑输了恒大和融创。

利润和风险同在，万科放弃了激进杠杆带来的利润，也在2020年降低了风险。

在2020年监管层发布的3道红线中，万科仅触犯了一条，安全程度远远高于融创和恒大。

万科的净负债率，甚至仅为恒大的1/5，差距非常巨大。

但是在这个表里，我惊讶的发现，碧桂园的财务状态居然和万科差不多，综合风险程度只高了一丝丝。

碧桂园不是高周转高杠杆到处拿地的激进派代表性人物么？怎么会和天天喊着活下去的保守派代表人物万科的财务状况差不多？

巧的是，碧桂园也是在港股上市，代码02007，于是我又找来了碧桂园的走势图看了一下。

碧桂园的股价，也是在2017年有了一个突飞猛进。

2017年初，股价大约是2.2元。

2018年初，股价飙升到了17元。 

一年时间里，碧桂园的股价暴涨7.7倍，虽然弱于恒大和融创，但依然是一个天文数字的战绩，远高于万科，同样和房价涨幅不成正比。

2018年中旬，身价暴涨的碧桂园被列为高周转的代表性房企，遭到了全国舆论的一致炮轰，被骂的狗血喷头。

重压之下，碧桂园不得不降低周转率和拿地速度，被迫卸掉了杠杆。

对于刚靠高杠杆和高周转把企业市值拉升了7.7倍的碧桂园来说，这无疑是黑暗的一刻，失去了和恒大、融创竞争的资格。

但谁都没有想到，在2018年被全国网民喷到自闭的碧桂园，因为被迫卸了杠杆，财务状态目前无比的健康，健康程度甚至可以比肩天天喊着活下去的万科。

当年高杠杆的红利，碧桂园杨老板吃到了。

面对高利润带来的惊人诱惑，杨老板还准备大干快上继续卯足劲向前冲的时候，全国网民齐出手，硬生生的把杨老板给摁住了，卸了碧桂园的杠杆，强制杨老板金盆洗手。

在杠杆红利达到颠峰的时刻，杨老板金盆洗手，虽然是被迫的，但确实是最佳时机，让碧桂园的财务状态得以安全落地。

既吃到了高杠杆的红利，又避开了高杠杆的风险，简直是完美。

2年后回头看，2018中旬那真的是房企去杠杆的最后时机了，再不去杠杆就真的来不及了。

在2018年骂过碧桂园的所有人，有一个算一个，都是碧桂园的大功臣。

杨老板在这里，谢谢你们了。

祸兮福所倚，福兮祸所伏。

2018年一路风光，无人指责，不受任何压力的恒大，如今却因为当年的顺境，而陷入了天大的麻烦。

人生在世，真的是福祸难料。

触犯了监管层三道红线的房企总共9家，一家泰禾已经出问题了，一家恒大疑似出问题，出事概率有点高。

从侧面说明，监管层的红线标准，定的还是很权威的，参考意义其实很强。

我个人在这里郑重的建议大家，触碰监管层三道红线的房企，他们的期房谨慎购买。

那种两年三年才交房的坚决不要碰，还有三个月半年就交房的，倒是可以考虑一下，当然现房最好，一手交钱一手交货。

购买期房风险概率较大的房企，共有9家，大家一定要记住名字，不要让身边的朋友掉坑里了，名单上面有，可以回头看一看。

不对，只需要记8家就可以了，泰禾集团已经没了，买房的业主正在维权。