【小蒙淘金】1.11金评-黄金白银分析及部分操作建议
【基本面】
西班牙财政部周四公布的拍债结果显示，在今年首次的债券拍卖中，总计拍债规模达到58亿欧元，远超出40-50亿欧元的计划拍债数量，三类短、中、长期国债发售结果均较为理想。
欧洲央行周四(1月10日)公布了其最新的利率决议。虽然欧银维持利率不变的决议符合预期，不过，欧元区本周公布的去年第三季度国内生产总值(GDP)显示该区经济再度萎缩。在欧债危机仍未平息，经济前景仍不明朗的背景之下，市场普遍预期，欧洲央行未来或将放宽货币政策以提振经济。然而，德拉基的鹰派言论一举击破了这一预期。讲话之前，市场普遍预期德拉基将对欧元区经济持悲观态度，并将暗示于未来放宽货币政策以提振该地区经济。然而，德拉基的讲话却令市场大跌眼镜。
【技术面】
天通银：
白银昨日呈现大幅上行走势，打破了维持10个交易日盘整走势。于日线中轨一线承压，小蒙再次提醒，打破弱势格局，呈现多头反攻就必须看要强有力的大阳拉升，带动上涨节奏。昨日大阳收尾，今日有继续走高动力，但我们从日线来看k线呈现了6个交易的阳阴交替走势，那么通过时间循环法则今日有可能继续收阴维持周期性的延续，但今日收阴就对看涨不利，在多头强势拉升呈现中阳后，技术面有续涨动能，在昨日强势拉升后今日可能维持震荡走势，操作思路高估低渣。4小时一直维持一个箱体走势昨晚被打破，那么打破后上方呈现的一个空间也是前期箱体震荡一个空间那么也是今日多头上行重要压制区域，综合来看白银强势拉升打破了日线给予中轨一线压制，那么今日回踩中轨一线附近考虑多单跟进，今日中午或将面临获利回吐，在操作中谨防高位追多。
现货金：
黄金在昨日一根大阳之后彻底宣告中期低点1626的成立，从大周期周线的形态来看，本周收阳基本没有太多的悬念，同时价格在破位短期均线MA5之后有继续试探MA10一线的可能，虽然目前在MA30均线这里遭到一丝小小的挫折，但依然不阻碍多头继续冲击1695一线；日线昨日收高于1675一线，连续攻破MA5，MA10以及MA20等多根均线的阻力，虽然消息面一度有推波助澜的意思，但是观察附图指标MACD的走势也可以发现一些端倪，即价格在创下新低的时候，作为同周期的指标并没有跟随着创新低，反而相比之前的低点对应的指标还收高了，这就是底背离形态，通常这种形态预示着行情的反向发展，周期越长其力度也越大，目前这种底背离形态已然成立，快慢线在0轴下方的金叉开始放量，下一目标即日线MA30均线，更长远的目标将在月线MA5即1710一线；短周期4小时节奏已经呈现出强势的多头形态发展，4连阳之后报收的一根小阴在我看来只不过是短线强势多头的插入式调整而已，低多很明显是主基调，不过小时线的走势已经稍微有一些超买的嫌疑，故在操作多单的同时尽量不要盲目的追单，以免被随机出现的回撤打乱节奏，得不偿失。
操作建议：
天通银：
1.下方可在6180附近做多，止损40个点，目标看6250破位看6280附近！
2.白天上方见到6280附近做空，止损40个点，目标看6230-6200附近！
3.白天上方站稳6300做多，止损40个点，目标看6350-6370附近！
4.下方再次有效跌破6180做空，止损40个点，目标看6140-6120附近！
现货金：
1.白天下方可在1668-1671一线做多，止损4美元，目标1675--1678附近！
2.上方见到1680-1782做空，止损4美金，目标1675-1672附近！
3.白天站稳1682做多，止损1677.2，目标1685-1688附近破位了持有！
4.下方再次跌破1667做空，止损1672上，目标1662--1660破位了持有！
【今日关注】
21:30美国12月份出口前值1805.1亿美元
21:30美国12月份进口前值2227.5亿美元
21:30美国12月份出口物价指数前值-0.7%/月
21:30美国12月份进口物价指数前值-0.9%/月,-1.6%/年;预测0.1%/月
1、文本输入包括文本输入框和文本输入域，以及HTML5中新增的输入类型。
2、示例代码：
<HTML>
<HEAD>
<TITLE> New Document </TITLE>
<meta name="viewport" content="width=device-width,initial-scale=1"/>
<link href="/blog_article/Css/jquery.mobile-1.2.0.min.css" rel="Stylesheet" type="text/css"/>
<script src="/blog_article/Js/jquery-1.8.3.min.js" type"text/javascript"></script>
<script src="/blog_article/Js/jquery.mobile-1.2.0.min.js" type="text/javascript"></script>
</HEAD>
<BODY>
<div data-role="page">
<div data-role="header">
<h1>头部栏</h1>
</div>
<div data-role="content">
搜索：<input type="search" name="search" value=""/>
姓名：<input type="text" name="name" value=""/>
年龄：<input type="number" name="number" value="0"/>
</div>
<div data-role="footer"><h4>@2013 3I Studio</h4></div>
</div>
</BODY>
</HTML>
3、效果图预览：
1. 八叉树、k-d树的原理
2. 八叉树、k-d树的应用、优缺点
3. 八叉树、k-d树的实现
八叉树和k-d树都经常用来处理三维空间数据，k-d树的使用范围更宽泛些，适用于k维空间的数据，在Sift算法中，k-d树被用于在k维的空间内搜索邻近特征点。
1. 八叉树、k-d树的原理
wiki或百科上面都有详细的介绍。
http://en.wikipedia.org/wiki/K-d_tree
http://en.wikipedia.org/wiki/Octree
八叉树，一个立方体等分为八份，并可以持续的细分下去，虽然每个节点都能分出八个叉，但形象，且等分空间，简单容易理解。我曾经应用八叉树来离散化一个三角片表示的曲面，离散曲面。
单看下面的k-d树的图示，就让人眼晕了，虽然k-d树只有两个叉。眼晕的主要原因就是空间不等分。所以，只要理解k-d树划分空间的依据，剩下的细节都与八叉树类似了。其实k-d树叶可以有均分的模式，只要让划分依据变为node的中心点就行了，只不过这样做k-d的效率就不高了。
从下图看，其k-d每个节点划分的依据是 挑选一个维度，在这个维度上 找到 本节点内所有点的中值点，然后，进行划分。
k-d树的其他划分依据：
取本节点内所有点的重心。
均分法。
使用这些方法时，要注意建树时的终止条件，避免陷入无限的循环（或递归）中。
(src: http://homes.ieu.edu.tr/hakcan/projects/kdtree/kdTree.html)
2. 八叉树、k-d树的应用、优缺点
八叉树一般都用于三维空间，若二维空间，可以用四叉树，原理是一模一样的。八叉树，常用于离散化空间，数据划分存储，数据查找等。
k-d树虽然是二叉树，却适用于k维的空间，而且在k邻域查找时，比较有优势。k-d也长用于数据划分存储，邻域查找等。
二者特性的比较：
八叉树算法的算法实现简单，但大数据量点云数据下，其使用比较困难的是最小粒度（叶节点）的确定，粒度较大时，有的节点数据量可能仍比较大，后续查询效率仍比较低，反之，粒度较小，八叉树的深度增加，需要的内存空间也比较大（每个非叶子节点需要八个指针），效率也降低。而等分的划分依据，使得在数据重心有偏斜的情况下，受划分深度限制，其效率不是太高。
k-d在邻域查找上比较有优势，但在大数据量的情况下，若划分粒度较小时，建树的开销也较大，但比八叉树灵活些。在小数据量的情况下，其搜索效率比较高，但在数据量增大的情况下，其效率会有一定的下降，一般是线性上升的规律。
也有将八叉树和k-d树结合起来的应用，应用八叉树进行大粒度的划分和查找，而后使用k-d树进行细分，效率会有一定的提升，但其搜索效率变化也与数据量的变化有一个线性关系。
3. 八叉树、k-d树的实现
采用递归的方式，代码比较简单，逻辑明了，前提是对递归不要太陌生。
网上有很多Octree的实现和库。如
http://www.flipcode.com/archives/Octree_Implementation.shtml
http://code.google.com/p/efficient-sparse-voxel-octrees/
http://akbar.marlboro.edu/~mahoney/support/alg/alg/node41.html
http://nomis80.org/code/octree.html
opencv中的也有octree的实现
Octree建树的逻辑：
自定义哪些数据类型？
tree类型，node类型；
每个节点应该包含哪些数据？
8个子节点指针，本节点的中心（划分与搜索的依据）和半径，点的个数，和子节点保存数据的容器
常用的手法是非叶子节点的点的个数为0，容器内无数据
如何划分数据？如何建立索引？
每个节点都会保存自己的中心坐标和半径，子节点保存数据，非子节点一般不保存数据，有了中心半径和本节点内的数据，就能划分建树，或者搜索
BuildTree(数据集, 数据个数, 中心，半径，当前深度) // 递归建树函数
确定递归停止条件和动作，count < num_threshold 或 递归深度达到最大 时，为子节点
并保存子节点数据和个数
若无中心和半径，计算数据集的最小包围盒半径和中心
依据中心和半径，将数据划分为八份，计算八个子节点的中心和半径
进行新的八次递归建树 child[i]->BuildTree(新的数据集，新的数据个数，新的中心、半径，深度+1).
删除临时数据容器，释放内存
Search(point)
确定递归停止条件：子节点的个数为小于阈值，或递归深度达到最大
搜遍本节点内的数据，查找给定的点，若找到，返回true，找不到，返回false
取本节点的中心和半径，计算出应该在下一层那个子节点进行搜索，如k
子节点递归搜索，child[k]->search(point);
K-D树的逻辑：
自定义数据类型？
tree： 提供建树和搜索的接口
node节点，node节点里包含中心，半径，划分的维度，两个子节点指针，数据容器（子节点专用）
如何划分数据？
每个node计算数据的包围盒，每个维度的宽度，最大宽度的维度用于划分，计算中心（重心法，或排序中值法），然后子节点继续划分
Build（）
确定递归停止条件，本节点数据点数小于阈值，或达到最大深度，为子节点，保存数据。
由本节点的数据，计算包围盒，每个维度的宽度，最大宽度的维度用于划分计算中心（重心法，或排序中值法），然后划分数据
子节点由划分的数据继续下一步的划分建树child[i]->build()
最邻近点搜索，递归法：
find_closest_point(point)
确认本节点是子节点，停止递归，计算本节点内最邻近的点，及距离d。
若非子节点：
计算点到分割面的距离spd, 为正数，child[0]->find_closest_point(point)，在子节点0中继续搜索。
若计算出的最近点距离d 大于 分割面距离 spd，则仍需要在节点1中继续搜索最邻近点。
若距离分割面是非正数，在子节点1中搜索。
若计算出的最近点距离d 大于 分割面距离 spd，则仍需要在节点0中继续搜索最邻近点。