“A miniskirt was a way of rebelling.”

這段來自60年代英國設計師Mary Quant說過的一段話
大家知道迷你裙真的在女裝趨勢上是一個很大的突破
尤其在秋季的服飾當中，也常被擺在首位
除了知道60年代開始將裙子變短
其實這迷你裙是如何演變而來的呢？
-
小精靈帶你來回顧一下：
有人說，其實早在古埃及就有壁畫描繪穿著迷你裙的女雜技演員
但在當時都是因應表演而生
到了1926年，也有藝人在巴黎演出“Folies Bergère”穿著
直到1950s，也是在電影中像是“Flight to Mars”或是“Forbidden Planet.”的科幻電影中，
有所謂的未來感的時裝穿著
-
真正在一般人民穿著，是到了1962年
當時候連報紙都對於短裙有非常大的爭議，也成了很多
女權主義，或是反叛與爭取女性衣著自由上
很大的轉淚點
-
1964年，英國女設計師瑪麗·匡匡（Mary Quant）
我們也稱它為『迷你裙之母』
在當時他受到了女權、青年運動和普普藝術的影響
1955年與朋友在英皇大道開了一間名為『Bazaar』時裝店
設計以當時來說年輕人也可負擔的時裝
『迷你裙』『熱褲』『漆皮靴』
就是代表著兩大成功的icon
而『mini skirt』的名詞，就是用她的愛車『mini』來命名
Mary Quant還於1966年獲頒發大英帝國勳章，
以表揚她在時裝界的成就，當時她只有32歲！
-
一件現在看來習以為常，甚至被普遍大眾化的商品
若是更了解了他的身家背景
穿起來的自信與姿態定會更加迷人！
-
這次來自日本以及歐美的品牌，
厲害的剪裁與圖案設計
要讓你一改平日的中性『性感一波』吧！

-----------------------------------------------------
#古著 #HeadXLover #ootd #西部襯衫 #保齡球衫
#MaryQuant #miniskirt #迷你裙
#軍褲 #polo衫 #westernshirt #古著tshirt #HxL
▍HxL 介紹 - 於2010年成立於台北，以織品與編織技術為底，選品強調修身剪裁與舒適材質。善於製作各式手織帽款。公司成員皆為古著狂熱份子，各自擅長不同領域，鑽研各種古著知識。每年發掘各式不同的老品，飾品、服裝、鞋款、玩具等皆有販售，從近代低價位款式到正老高價古著，絕對能滿足古著初心者與高端老品玩家的正統古著店！並強調穿搭的重要，以熱情代客的精神服務每位來店的訪客，最樂於分享古著知識的品牌！
▍HxL 知識分享. 保齡球衫特輯→ https://www.facebook.com/112641902137505/posts/1704030196331993/
▍HxL 知識分享. 夏威夷衫特輯→ https://www.facebook.com/112641902137505/posts/1690705307664482/
▍HxL 知識分享. POLO衫特輯→ https://www.facebook.com/112641902137505/posts/1715637025171310/
▍HxL instagram 粉絲募集中.FB沒有的最新情報都在這！→ https:// www.instagram.com/headxlover
▍HxL 蝦皮賣場.各種物超所值的好康.等妳來發掘. → https://shopee.tw/headxlover2018
▍HxL worship. 正老高價古著專區.收藏家與高端古著玩家必看！→ https:// www.instagram.com/headxlover_worship

機器學習財務學

經濟學家，尤其是計量功夫不錯的，要學「機器學習」這現今人工智慧的顯學，困難度不算太高。所以一開始學，不少人都嗤之以鼻，這有什麼，明明是loss function, OLS, logit這些東西的變形，有什麼了不起。Sendhil Mullainathan這堂在年會開給財務經濟學家聽的課，一開始也是讓我這樣感覺，「又一個瞧不起機器學習的傢伙」。我自己也涉獵了一點點機器學習，所以我知道不是這樣的，人工智慧可深可廣，經濟學可以從中學到的東西可多了。

但Mullainathan很快進入正軌，沒有了嗤之以鼻，而指出了機器學習和經濟計量的最大不同，果然行家一出手，便知有沒有。他用的名詞是y hat和 beta的不一樣。讓我用一個簡單的例子說明。網路上有一些幫你算房價的服務，房價在預測模型裡，在等式的左邊，也就是y變數，等式的右邊就是一大堆x變數。x變數的前面有大小不等的係數，比如說房子大小，就是一個x變數，直觀來說，係數該為正，越大的房子，房價越高。

對經濟學家來說，模型好壞很重要，關乎到能不能解釋房價的差異，所以我們注重這些係數，我們上窮碧落追查係數的統計分佈，要知道這些係數有沒有統計上的意義，所以我們的問題是係數的問題，也就是beta的問題。我們擔心這些x變數彼此間的互動關係，會影響係數的準確度，所以我們不敢亂加x變數，但我們也擔心未知變數和x變數的關係太大，也影響準確，所以加與不加，都是一門學問。

但機器學習管你統計分佈去死。除了少數情況外，變數越多越好，數據越大越好，只要「預測」的工作做得好，模型再醜，再沒道理，都沒關係。如果你的服務只是提供客戶準確的房價預測，而不是決定房地產政策，你真的不用管統計分佈，不用管beta，只要管預測值y hat好不好就好。

Mullainathan說明beta問題和y hat問題的不同時，說得生動有趣。他說，經濟學家不但要知道係數有沒有統計意義，甚至還要找出因果關係，有點太貪心了，數據科學家根本不管這些。的確，我們在學院裡受訓練時，討論選題目的重要條件，其中一個要件就是這題目的政策意義是什麼。經濟學家關心的是建出來的模型對政策制定者的建議是什麼，關心的是跑出來的模型係數代表的意義。因果關係如果不是最重要的發現，至少也是追求的方向。但無人自動車仰賴的人工智慧，要的不是漂亮無比的模型，不是要了解環境對車子運行的影響，而是怎麼樣「預測」最好的路徑，不要撞到人車，而穩穩前進。兩種觀點有相關，但角度完全不同。

Mullainathan說，機器學習可以給經濟學家許多的新角度。比如說，機器學習的方法，可以帶來新的數據，real time即時的數據。建傳統的經濟模型，為求係數準確，變數值很少可以即時。但大數據的機器學習，不管係數準確，只管預測值好，所以什麼都用。如果什麼都用作變數，即時的預測，是可行的。而且，越多數據，預測越準。他講著講著，我就想到當年葛林斯潘講過的一個故事。葛林斯潘在福特總統的時候當CEA主席，遇到突如其來的景氣衰退，白宮不知道要採取什麼政策應對，很需要一套即時的景氣指標指導政策。當時還用GNP為主要數據，但GNP一季才統計一次，緩不濟時，葛林斯潘採了許多捷徑，硬弄出一套一週一次的GNP預估，而據以指出當時的景氣衰退只是庫存增加的短期衰退。如果有大數據支持的機器學習預測，憑著這許多即時的數據，其實經濟政策執行者，已經可以有很好的預測模型。這會是總體經濟學家很有用的工具。

又比如說，建造模型。經濟學家可以用機器學習的散彈槍打鳥方式，先求多不求準的塞入x變數，取得一個預測成果。再把經濟學家真正有興趣的變數拿走，再取得一個預測成果。比較下來，我們就可以猜測這x變數本身，是不是有價值，值得加入模型。史丹福的Susan Athey之前在EconTalk裡的一個訪談，也提到類似的模型選取方式，英雄所見略同。Athey也是個經濟學家涉足機器學習的例子。

Mullainathan整篇演講最有意思的一點就是，他說財務學之所以在經濟學的領域裡，堪稱發展最蓬勃的原因之一，就是我們一直都是在做「預測」有關的事。係數對我們來說很重要，但預測成果也很重要。資產鑑價的模型，最後都得拿到真實世界裡做樣本外的「預測」。沒錯，我們做財務的，本來就有許多沒有統計分佈的分析，像是「和random walk比賽」這樣的論文，比比皆是。而且許多財務學家，在找要素解釋資產回報異常的時候，也不一定是要了解係數和政策意涵，我們很多都是在找一個可以發財的要素而已!

從這演講衍生，我有兩個很重要的觀點。一是，社會科學常被詬病缺乏可複製性，不像自然科學，A實驗室做得出來，B實驗室做不出來，是不行的。社會科學多的是你做你的，我出我的論文，沒有可複製性，這樣怎麼推進科學呢? 問題出在那裡? 我覺得很大的一部份原因，就是社會科學家不管「預測」，只管「統計意義」。如果論文的結果，是以「預測」的成功度衡量，可複製性的問題，就去了一大半。

另外的一個觀點是，我相信華爾街的大quant避險基金如Renaissance, Two Sigma，一定早就用上了機器學習。人家早就用人工智慧在賺錢，小散戶還覺得自己有機會嗎?還不乖乖買大盤，抱長期嗎?但另外一個問題是，當主要投資者，都能準確預測未來時，未來還會是未來嗎?模型還會準嗎? Yogi Berra說，「預測是最難的了，尤是和未來有關的預測」，此話不假。