一、如何区分双面羊绒大衣和羊毛大衣

羊绒大衣和羊毛大衣的区别就是原材料的不同，羊绒和羊毛是不同的原材料。

两者的主要区别如下：

（1）羊毛的鳞片排列比羊绒紧密且厚，其缩绒性比羊绒大。羊绒纤维外表鳞片小而光滑，纤维中间有一空气层，因而其重量轻，手感滑糯。

（2）羊毛的卷曲度比羊绒的卷曲度小，羊绒纤维卷曲数、卷曲率、卷曲回复率均较大，宜于加工为手感丰满、柔软、弹性好的针织品，穿起来舒适自然，而且有良好的还原特性，尤其表现在洗涤后不缩水，保型性好等方面。由于羊绒自然卷曲度高，在纺纱织造中排列紧密，抱合力好，所以保暖性好，是羊毛的1．5倍～2倍。

（3）羊绒的皮质含量比羊毛的高，羊绒纤维的刚性比羊毛的好，即羊绒比羊毛更柔软。

（4）羊绒的细度不匀率比羊毛的小，其制品的外观质量比羊毛好。

（5）羊绒纤维细度均匀，其密度比羊毛的小，横截面多为规则的圆形，其制品比羊毛制品轻薄。

（6）羊绒的吸湿性比羊毛好，可充分吸收染料，不易褪色。回潮率高，电阻值比较大。

（7）羊毛的耐酸、耐碱性比羊绒好，遇氧化剂和还原剂时亦比羊绒损伤小。

（8）通常羊毛制品的抗起球性比羊绒制品好，但毡化收缩性大。

（9）羊毛在天然纤维中吸湿性最好，穿着舒适，且吸收相当的水分后不显潮湿的，易被虫蛀，也会发霉。羊绒面料具有细腻，轻盈，柔软，保暖性好等优点。

扩展资料：

羊绒面料，即利用羊绒原料织成的服装面料。开士米是一层薄薄的细开士米，长在山羊的外皮层，覆盖在山羊粗毛的根部。它在寒冷的冬天生长以抵御风寒，在温暖的春天凋零。羊绒是一种天然适应气候变化的稀有特种动物纤维。

也就是说，羊毛织物分为机织物和针织物。主要的羊毛加工基地有浙江天浦园、浙江杭州、广东大浪、河北清河和内蒙古。

此外，浙江浦源被称为“中国第一毛衫城”，是中国最大的羊绒和羊毛衫集散地。每年的羊毛衫博览会都会吸引中国各大采购商和供应商的关注。

参考资料：羊绒面料-百度百科

参考资料：羊毛面料-百度百科

二、如何用Python和机器学习炒股赚钱

相信很多人都想过让人工智能来帮你赚钱，但到底该如何做呢？瑞士日内瓦的一位金融数据顾问 Gaëtan Rickter近日发表文章介绍了他利用 Python和机器学习来帮助炒股的经验，其最终成果的收益率跑赢了长期处于牛市的标准普尔 500指数。虽然这篇文章并没有将他的方法完全彻底公开，但已公开的内容或许能给我们带来如何用人工智能炒股的启迪。

我终于跑赢了标准普尔 500指数 10个百分点！听起来可能不是很多，但是当我们处理的是大量流动性很高的资本时，对冲基金的利润就相当可观。更激进的做法还能得到更高的回报。

这一切都始于我阅读了 Gur Huberman的一篇题为《Contagious Speculation and a Cure for Cancer: A Non-Event that Made Stock Prices Soar》的论文。该研究描述了一件发生在 1998年的涉及到一家上市公司 EntreMed（当时股票代码是 ENMD）的事件：

「星期天《纽约时报》上发表的一篇关于癌症治疗新药开发潜力的文章导致 EntreMed的股价从周五收盘时的 12.063飙升至 85，在周一收盘时接近 52。在接下来的三周，它的收盘价都在 30以上。这股投资热情也让其它生物科技股得到了溢价。但是，这个癌症研究方面的可能突破在至少五个月前就已经被 Nature期刊和各种流行的报纸报道过了，其中甚至包括《泰晤士报》！因此，仅仅是热情的公众关注就能引发股价的持续上涨，即便实际上并没有出现真正的新信息。」

在研究者给出的许多有见地的观察中，其中有一个总结很突出：

「（股价）运动可能会集中于有一些共同之处的股票上，但这些共同之处不一定要是经济基础。」

我就想，能不能基于通常所用的指标之外的其它指标来划分股票。我开始在数据库里面挖掘，几周之后我发现了一个，其包含了一个分数，描述了股票和元素周期表中的元素之间的「已知和隐藏关系」的强度。

我有计算基因组学的背景，这让我想起了基因和它们的细胞信号网络之间的关系是如何地不为人所知。但是，当我们分析数据时，我们又会开始看到我们之前可能无法预测的新关系和相关性。

选择出的涉及细胞可塑性、生长和分化的信号通路的基因的表达模式

和基因一样，股票也会受到一个巨型网络的影响，其中各个因素之间都有或强或弱的隐藏关系。其中一些影响和关系是可以预测的。

我的一个目标是创建长的和短的股票聚类，我称之为「篮子聚类（basket clusters）」，我可以将其用于对冲或单纯地从中获利。这需要使用一个无监督机器学习方法来创建股票的聚类，从而使这些聚类之间有或强或弱的关系。这些聚类将会翻倍作为我的公司可以交易的股票的「篮子（basket）」。

首先我下载了一个数据集：Public Company Hidden Relationship Discovery，这个数据集基于元素周期表中的元素和上市公司之间的关系。

然后我使用了 Python和一些常用的机器学习工具——scikit-learn、numpy、pandas、matplotlib和 seaborn，我开始了解我正在处理的数据集的分布形状。为此我参考了一个题为《Principal Component Analysis with KMeans visuals》的 Kaggle Kernel：Principal Component Analysis with KMeans visuals

import numpy as npimport pandas as pdfrom sklearn.decomposition import PCAfrom sklearn.cluster import KMeansimport matplotlib.pyplot as pltimport seaborn as sbnp.seterr(divide='ignore', invalid='ignore')# Quick way to test just a few column features# stocks= pd.read_csv('supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv', usecols=range(1,16))stocks= pd.read_csv('supercolumns-elements-nasdaq-nyse-otcbb-general-UPDATE-2017-03-01.csv')print(stocks.head())str_list= []for colname, colvalue in stocks.iteritems(): if type(colvalue[1])== str:

str_list.append(colname)# Get to the numeric columns by inversionnum_list= stocks.columns.difference(str_list)stocks_num= stocks[num_list]print(stocks_num.head())

输出：简单看看前面 5行：

zack@twosigma-Dell-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$./hidden_relationships.py

Symbol_update-2017-04-01 Hydrogen Helium Lithium Beryllium Boron \

0 A 0.0 0.00000 0.0 0.0 0.0

1 AA 0.0 0.00000 0.0 0.0 0.0

2 AAAP 0.0 0.00461 0.0 0.0 0.0

3 AAC 0.0 0.00081 0.0 0.0 0.0

4 AACAY 0.0 0.00000 0.0 0.0 0.0

Carbon Nitrogen Oxygen Fluorine... Fermium Mendelevium \

0 0.006632 0.0 0.007576 0.0... 0.000000 0.079188

1 0.000000 0.0 0.000000 0.0... 0.000000 0.000000

2 0.000000 0.0 0.000000 0.0... 0.135962 0.098090

3 0.000000 0.0 0.018409 0.0... 0.000000 0.000000

4 0.000000 0.0 0.000000 0.0... 0.000000 0.000000

Nobelium Lawrencium Rutherfordium Dubnium Seaborgium Bohrium Hassium \

0 0.197030 0.1990 0.1990 0.0 0.0 0.0 0.0

1 0.000000 0.0000 0.0000 0.0 0.0 0.0 0.0

2 0.244059 0.2465 0.2465 0.0 0.0 0.0 0.0

3 0.000000 0.0000 0.0000 0.0 0.0 0.0 0.0

4 0.000000 0.0000 0.0000 0.0 0.0 0.0 0.0

Meitnerium

0 0.0

1 0.0

2 0.0

3 0.0

4 0.0

[5 rows x 110 columns]

Actinium Aluminum Americium Antimony Argon Arsenic Astatine \

0 0.000000 0.0 0.0 0.002379 0.047402 0.018913 0.0

1 0.000000 0.0 0.0 0.000000 0.000000 0.000000 0.0

2 0.004242 0.0 0.0 0.001299 0.000000 0.000000 0.0

3 0.000986 0.0 0.0 0.003378 0.000000 0.000000 0.0

4 0.000000 0.0 0.0 0.000000 0.000000 0.000000 0.0

Barium Berkelium Beryllium... Tin Titanium Tungsten Uranium \

0 0.0 0.000000 0.0... 0.0 0.002676 0.0 0.000000

1 0.0 0.000000 0.0... 0.0 0.000000 0.0 0.000000

2 0.0 0.141018 0.0... 0.0 0.000000 0.0 0.004226

3 0.0 0.000000 0.0... 0.0 0.000000 0.0 0.004086

4 0.0 0.000000 0.0... 0.0 0.000000 0.0 0.000000

Vanadium Xenon Ytterbium Yttrium Zinc Zirconium

0 0.000000 0.0 0.0 0.000000 0.000000 0.0

1 0.000000 0.0 0.0 0.000000 0.000000 0.0

2 0.002448 0.0 0.0 0.018806 0.008758 0.0

3 0.001019 0.0 0.0 0.000000 0.007933 0.0

4 0.000000 0.0 0.0 0.000000 0.000000 0.0

[5 rows x 109 columns]

zack@twosigma-Dell-Precision-M3800:/home/zack/hedge_pool/baskets/hcluster$

概念特征的皮尔逊相关性（Pearson Correlation）。在这里案例中，是指来自元素周期表的矿物和元素：

stocks_num= stocks_num.fillna(value=0, axis=1)X= stocks_num.valuesfrom sklearn.preprocessing import StandardScalerX_std= StandardScaler().fit_transform(X)f, ax= plt.subplots(figsize=(12, 10))plt.title('Pearson Correlation of Concept Features(Elements& Minerals)')# Draw the heatmap using seabornsb.heatmap(stocks_num.astype(float).corr(),linewidths=0.25,vmax=1.0, square=True, cmap="YlGnBu", linecolor='black', annot=True)sb.plt.show()

输出：（这个可视化例子是在前 16个样本上运行得到的）。看到元素周期表中的元素和上市公司关联起来真的很有意思。在某种程度时，我想使用这些数据基于公司与相关元素或材料的相关性来预测其可能做出的突破。

测量「已解释方差（Explained Variance）」和主成分分析（PCA）

已解释方差=总方差-残差方差（explained variance= total variance- residual variance)。应该值得关注的 PCA投射组件的数量可以通过已解释方差度量（Explained Variance Measure）来引导。Sebastian Raschka的关于 PCA的文章对此进行了很好的描述，参阅：Principal Component Analysis

# Calculating Eigenvectors and eigenvalues of Cov matirxmean_vec= np.mean(X_std, axis=0)cov_mat= np.cov(X_std.T)eig_vals, eig_vecs= np.linalg.eig(cov_mat)# Create a list of(eigenvalue, eigenvector) tupleseig_pairs= [(np.abs(eig_vals[i]),eig_vecs[:,i]) for i in range(len(eig_vals))]# Sort from high to loweig_pairs.sort(key= lambda x: x[0], reverse= True)# Calculation of Explained Variance from the eigenvaluestot= sum(eig_vals)var_exp= [(i/tot)*100 for i in sorted(eig_vals, reverse=True)] cum_var_exp= np.cumsum(var_exp)# Cumulative explained variance# Variances plotmax_cols= len(stocks.columns)- 1plt.figure(figsize=(10, 5))plt.bar(range(max_cols), var_exp, alpha=0.3333, align='center', label='individual explained variance', color='g')plt.step(range(max_cols), cum_var_exp, where='mid',label='cumulative explained variance')plt.ylabel('Explained variance ratio')plt.xlabel('Principal components')plt.legend(loc='best')plt.show()

输出：

从这个图表中我们可以看到大量方差都来自于预测主成分的前 85%。这是个很高的数字，所以让我们从低端的开始，先只建模少数几个主成分。更多有关分析主成分合理数量的信息可参阅：Principal Component Analysis explained visually

使用 scikit-learn的 PCA模块，让我们设 n_components= 9。代码的第二行调用了 fit_transform方法，其可以使用标准化的电影数据 X_std来拟合 PCA模型并在该数据集上应用降维（dimensionality reduction）。

pca= PCA(n_components=9)

x_9d= pca.fit_transform(X_std)

plt.figure(figsize=(9,7))

plt.scatter(x_9d[:,0],x_9d[:,1], c='goldenrod',alpha=0.5)

plt.ylim(-10,30)

plt.show()

输出：

这里我们甚至没有真正观察到聚类的些微轮廓，所以我们很可能应该继续调节 n_component的值直到我们得到我们想要的结果。这就是数据科学与艺术（data science and art）中的「艺术」部分。

现在，我们来试试 K-均值，看看我们能不能在下一章节可视化任何明显的聚类。

K-均值聚类（K-Means Clustering）

我们将使用 PCA投射数据来实现一个简单的 K-均值。

使用 scikit-learn的 KMeans()调用和 fit_predict方法，我们可以计算聚类中心并为第一和第三个 PCA投射预测聚类索引（以便了解我们是否可以观察到任何合适的聚类）。然后我们可以定义我们自己的配色方案并绘制散点图，代码如下所示：

# Set a 3 KMeans clustering

kmeans= KMeans(n_clusters=3)

# Compute cluster centers and predict cluster indices

X_clustered= kmeans.fit_predict(x_9d)# Define our own color map

LABEL_COLOR_MAP={0:'r',1:'g',2:'b'}

label_color= [LABEL_COLOR_MAP[l] for l in X_clustered]

# Plot the scatter digram

plt.figure(figsize=(7,7))

plt.scatter(x_9d[:,0],x_9d[:,2], c= label_color, alpha=0.5)

plt.show()

输出：

这个 K-均值散点图看起来更有希望，好像我们简单的聚类模型假设就是正确的一样。我们可以通过这种颜色可视化方案观察到 3个可区分开的聚类。

使用 seaborn方便的 pairplot函数，我可以以成对的方式在数据框中自动绘制所有的特征。我们可以一个对一个地 pairplot前面 3个投射并可视化：

# Create a temp dataframe from our PCA projection data"x_9d"

df= pd.DataFrame(x_9d)

df= df[[0,1,2]]

df['X_cluster']= X_clustered

# Call Seaborn's pairplot to visualize our KMeans clustering on the PCA projected data

sb.pairplot(df, hue='X_cluster', palette='Dark2', diag_kind='kde', size=1.85)

sb.plt.show()

输出：

构建篮子聚类（Basket Clusters）

你应该自己决定如何微调你的聚类。这方面没有什么万灵药，具体的方法取决于你操作的环境。在这个案例中是由隐藏关系所定义的股票和金融市场。

一旦你的聚类使你满意了，你就可以设置分数阈值来控制特定的股票是否有资格进入一个聚类，然后你可以为一个给定的聚类提取股票，将它们作为篮子进行交易或使用这些篮子作为信号。你可以使用这种方法做的事情很大程度就看你自己的创造力以及你在使用深度学习变体来进行优化的水平，从而基于聚类或数据点的概念优化每个聚类的回报，比如 short interest或 short float（公开市场中的可用股份）。

你可以注意到了这些聚类被用作篮子交易的方式一些有趣特征。有时候标准普尔和一般市场会存在差异。这可以提供本质上基于「信息套利（information arbitrage）」的套利机会。一些聚类则和谷歌搜索趋势相关。

看到聚类和材料及它们的供应链相关确实很有意思，正如这篇文章说的一样：Zooming in on 10 materials and their supply chains- Fairphone

我仅仅使用该数据集操作了 Cobalt（钴）、Copper（铜）、Gallium（镓）和 Graphene（石墨烯）这几个列标签，只是为了看我是否可能发现从事这一领域或受到这一领域的风险的上市公司之间是否有任何隐藏的联系。这些篮子和标准普尔的回报进行了比较。

通过使用历史价格数据（可直接在 Quantopian、Numerai、Quandl或 Yahoo Finance使用），然后你可以汇总价格数据来生成预计收益，其可使用 HighCharts进行可视化：

我从该聚类中获得的回报超过了标准普尔相当一部分，这意味着你每年的收益可以比标准普尔还多 10%（标准普尔近一年来的涨幅为 16%）。我还见过更加激进的方法可以净挣超过 70%。现在我必须承认我还做了一些其它的事情，但因为我工作的本质，我必须将那些事情保持黑箱。但从我目前观察到的情况来看，至少围绕这种方法探索和包装新的量化模型可以证明是非常值得的，而其唯一的缺点是它是一种不同类型的信号，你可以将其输入其它系统的流程中。

生成卖空篮子聚类（short basket clusters）可能比生成买空篮子聚类（long basket clusters）更有利可图。这种方法值得再写一篇文章，最好是在下一个黑天鹅事件之前。

如果你使用机器学习，就可能在具有已知和隐藏关系的上市公司的寄生、共生和共情关系之上抢占先机，这是很有趣而且可以盈利的。最后，一个人的盈利能力似乎完全关乎他在生成这些类别的数据时想出特征标签（即概念（concept））的强大组合的能力。

我在这类模型上的下一次迭代应该会包含一个用于自动生成特征组合或独特列表的单独算法。也许会基于近乎实时的事件，这可能会影响那些具有只有配备了无监督学习算法的人类才能预测的隐藏关系的股票组。

三、选秀日达成的五大“一边倒”交易

由于选秀日的时效性和不可预知性，这一天在各大赛事的日程表上都是最为重要和激动人心的。Kevin Costner甚至为此拍了一部电影。

在NBA的选秀日，每支球队都深深投入其中，让他们的每个决策看起来都经过了深思熟虑。

然而，某些变数——比如一颗冉冉升起的潜力新星——会让某些球队经理做出一些戏剧性的决定。

谁能忘了波士顿凯尔特人队的篮球运营总监丹尼-安吉曾尝试用4个首轮选秀权交易贾斯蒂斯-温斯洛的签约权未果？如果底特律活塞队或者夏洛特黄蜂队当时同意了，那么每支球队的阵容现在又将会是如何呢？

完成这样一笔能决定球队阵容强度的交易只需要一瞬。许多这样的交易都是在选秀日完成的，以下就是NBA中意义重大的选秀日交易。

西雅图超音速将皮蓬交易至芝加哥公牛（1987）

西雅图超音速队在1996年的NBA总决赛上输给了芝加哥公牛队。他们在球场上占据下风，但失利的种子几乎早在10年前就被种下。当时他们将1987年首轮5号签交易给了公牛，得到了8号签并选中了奥尔登-波利尼斯、一个次轮选秀权并选中了西尔沃斯特-格雷，以及1989年的一个首轮签互换权。

芝加哥人用5号签选中了皮蓬，后者成为了历史最佳球员之一，更成为了迈克尔-乔丹的完美搭档。波利尼斯则只是超音速队中一名合格的中锋。皮蓬在2010年入选了名人堂。

这笔交易确实还考虑了其它的一些小的因素，但没有一个是能和皮蓬相提并论的。他在与超音速的六场总决赛中场均拿到15.7分、8.2篮板、5.3助攻、2.3抢断和1.3盖帽。

而彼时，波利尼斯早已离开了超音速队，他被送到了洛杉矶快船，还搭上了若干选秀权，换来了本奥伊特-本杰明，并最终又将本杰明和道格-克里斯蒂打包送到洛杉矶湖人，换来了萨姆-帕金斯。尽管帕金斯在超音速阵中发挥了很大作用，但他在96年总决赛上发挥不佳，投篮命中率仅为37.7%，三分球命中率更是只有23.5%。

如果皮蓬当时与肖恩-坎普和加里-佩顿同队，而乔丹从未有他在身边，那么那个系列赛的结果又将如何呢？

黄蜂将科比-布莱恩特交易至湖人（1996）

1996年，夏洛特黄蜂队使用13号选秀权选择了当时只有17岁、毕业于宾夕法尼亚州费城的劳尔梅里恩高中的科比-布莱恩特。

科比将要开始一段名人堂生涯。他将拿下5座NBA总冠军奖杯（包括两次总决赛最有价值球员）。在他的生涯里，他18次入选全明星，12次入选最佳防守阵容，2007-08赛季拿下常规赛最有价值球员，获得过奥运会金牌，目前在NBA总得分榜上排名第四，仅仅落后于卡里姆-阿卜杜尔-贾巴尔、卡尔-马龙和勒布朗-詹姆斯。

他的生涯并不是从黄蜂队开始的。黄蜂队做了一个现在看来无法理解的决定，用科比的签约权换来了中锋弗拉德-迪瓦茨，后者仅仅为他们效力了两年。

“那个选秀签令许多人很激动，而夏洛特人当时其实并没有那么想完成这笔交易。”时任黄蜂队总经理的米奇-库普切克对Charlotte Observer的Rick Bonnell说，“当时不管是弗拉德（威胁要退役）还是来自球队的压力，都使得那笔交易的达成很悬。”

然而，历史记住了时任湖人总经理的杰里-韦斯特和科比的经纪人Arn Tellum，他们在一系列的训练中想方设法让科比尽可能少地出现在公众视野里。二人达成共识，如果其他球队没有什么机会看到科比，那么他们就不会用一个乐透签选择这名17岁的球员。

事实上，在2015年，科比告诉ESPN的Baxter Holmes，其实他一开始对于为戴夫-考恩斯效力是非常激动的，但与黄蜂主教练的一席对话改变了他的主意。

“黄蜂队从没想要过我，考恩斯告诉我他不想要我。对我来说，我在那里打球完全没有问题。”科比说，不过考恩斯后来反驳了这个说法。“他们已经有几个后卫和小前锋了，所以看起来我捞不到什么上场时间。”

究竟是这一天将科比推上了“黑曼巴”之路，还是科比自己臆想了这一切，就像迈克尔-乔丹在ESPN发布的纪录片《最后一舞》那样，自己想象了一个“打得不错，迈克”的故事呢？不管怎样，这笔交易都堪称是NBA历史上最糟糕的选秀日交易之一。

密尔沃基雄鹿将德克-诺维茨基交易至达拉斯独行侠（1998）

达拉斯独行侠队不仅在选秀日看中了一名将会成为21世纪最佳球员之一的潜力新星，他们还设法交易得到了他。

1998年，达拉斯将用第六顺位选中了来自Michigan Wolverines的大个子“拖拉机”罗波特-特雷勒，并把他交易到了密尔沃基雄鹿，换来了两个选秀权。他们用其中一个选中了Notre Dame大学的前锋帕特-加里蒂，另一个选中了德国大前锋德克-诺维茨基。

特雷勒仅为雄鹿队打了两个赛季，场均上场时间13.3分钟，得到4.5分和3.2篮板。随后他在2000年6月被交易到了骑士队。

诺维茨基彼时已是德国的一名球星，但人们也有理由质疑他在NBA能起到怎样的作用。他拒绝了若干美国大学的邀约，而选择直接进入NBA，这让一些球队望而却步。在NBA中，海外的球探系统并不像如今这样健全，因此很多球队难以确定这样一位非传统的身高七尺的三分投手如何适应NBA。

当然，他的生涯证明了一切。

步行者队将伦纳德交易至马刺，换来乔治-希尔（2011）

交易来一名格雷格-波波维奇最喜欢的球员看起来很明智，但马刺队给出的高昂筹码本应让步行者队好好审视一下这笔交易。圣安东尼奥发现了一个宝贝，那就是2011年的第15顺位新秀科怀-伦纳德。

很快，整个联盟也发现了这一点。

在用乔治-希尔换来伦纳德、戴维斯-贝尔坦斯（第42顺位）和罗贝克后的仅仅三个赛季里，伦纳德就首次跻身NBA最佳防守阵容，并获得了总决赛MVP。

很快，伦纳德就成为了全明星常客，在获得FMVP后的2014-15、2015-16赛季，又拿下了背靠背的最佳防守球员奖项。

这名28岁的球员有理由成为这个星球上最好的球员。他在ESPN的真实正负值上排名第四，而在效率值上排名第五。就算他不是场上最强大的攻防兼备的球员，他离这个标准也非常接近了。

至于希尔，表现也算中规中矩。他的PER值几乎就是联盟平均值（他的生涯PER值为15.1，而联盟平均值为15.0）。他在印第安纳的5年里表现十分稳定，但也从来没被当成一名明星球员。

伦纳德退役时的篮球总统山地位几乎是不可动摇的，印第安那人在这笔灾难性的交易上真称得上是欲哭无泪了。

孟菲斯灰熊将凯文-乐福交易至明尼苏达森林狼（2008）

尽管在当时看来，灰熊和森林狼的这笔将凯文-乐福与OJ-梅奥互换的交易对双方都不错，但结果却完全一边倒。

在2008年，灰熊队将第五号签（选中了乐福）和迈克-米勒、布莱恩-卡迪纳尔和杰森-科林斯交易至森林狼队，换来了三号签（选中了梅奥）、安东尼-沃克、马科-贾里奇和格雷格-巴克纳。

乐福和梅奥都是超级新秀，一个是身经百战的大前锋，另一个是充满活力的得分后卫。两人的新秀赛季都顺风顺水，但他们的生涯轨迹却截然不同。

乐福成为了森林狼队历史上最出色的球员之一，在效力的6年时间里，场均得到19.2分、12.2篮板和2.5助攻。他成功地控制了自己的身材，减了重，还开发了一手稳定的远投。在他的新秀赛季，他仅仅投中了两个三分球，而在职业生涯的第六年，这个数字已经增加到了190。

而他在2014年被送到克利夫兰骑士，帮助骑士队连续四年闯入总决赛，并赢下了2016年的总冠军。

梅奥在新秀赛季的场均得分达到了18.5分，这却成了他的生涯最高。此后，他的饮食习惯、工作热情都渐渐消失了。

仅仅在灰熊队打了四年，梅奥就先后被交易到达拉斯独行侠队和密尔沃基雄鹿队。而在2016年，他因违反NBA禁药规则被NBA禁赛，随后他承认自己使用了大麻和滥用处方止痛药。