考虑汽车厂商自由金融产品解决的问题。
本质是低利率的现金流交换。
传统金融场景里，对于厂商／经销商来说是即期的款项到账。
自有金融的话，则更像是一种债权逆回购。
区别在于当前账面的现金流大小。
换句话说，就是当前的账面现金多少困难并不是一个很重要的问题。
这里隐含的原因一个可能是现金流比较充沛。
一种是现金的远期回报预期不高。
尤其第二种。
如果对于现金的投资回报率预期不高，或者说没有特别好的投资渠道。
那么以放债方式也不是一个不合适的策略。
毕竟可以有一个比较稳定的远期预期。
以上汽集团来说。2015年的营收利润构成是
制造业661 billion - 585 billion = 72 billion（10.8%）
金融服务9 billion - 2 billion = 7 billion（77.7%）
但从利润率上看，是金融服务占有绝对优势的。
如果不考虑金融构成的话，打包一下。
假如所有销售都转换为自由金融产品的贷款的话，那么简单的算术就是10.8+77.7=88.5了。
当然，这里的问题在于金融服务实际会可能复杂些。
至少包括融资资金的利差和自有资金的直接放贷。
即比如能以2%的利率融资，然后再以3%的利率贷出的话，那么利润率就是50%了。
但自由资金的话，可能就是3%。
然后考虑下实现周期或者说周转周期。
因为债权毕竟是一个中长期的预期。
如果现金周转比较快的话，那么实际利润率就没那么高了。
毕竟周期在那。
所以这里应该是存在一个类似供需曲线的金融实业资本比例的。
假设这条曲线符合供需曲线的大部分特征的话。
那么理论上就在给定利差的情况下，有一个均衡的金融实业的比例点。
从性质上来说，利差越大，那么对应的金融资产的构成比例就会越高。
或者说，如果实业的回报率进一步降低的话，那么同样的金融资产的比例会相对的变高。
如果刺激实体的货币政策依然以低利率宽松为主的话，那么曲线就会相应地继续推高金融资产的比例。
因为利差在不断扩大，或者说利差的空间再不停提升。
然后考虑资金流动周期的问题。
因为金融资产的本身性质，所以前面也说了，资金的流动性会变差。
流动周期变长。
金融资产比例高就意味着货币乘数效应降低。
而由于刺激／宽松的一个目的是保证现有现金流量级的。
所以一个直接的后果应该就是流动性差的资金会越来越多。
一个极端的例子就是超发的货币马上转变成了长期存款 。
导致的后果就是实际上的宽松变成无止尽的货币增发。
从财务角度来说，就是低利率的给企业融资，然后转换为企业自身的长期债权。
对应的，企业的“促销”导致的高额度的居民消费转变为了这种长期的企业债权。
由于不能及时变现，所以从现金的角度上来说，企业的可流动资金并没有增加多少。
如果进一步从上而下地宽松的话，那么只会加剧这种困境。
那么如果把债务以CDS之类的方式转售给银行呢？
这样的话，至少可以不用从上而下的释放流动性。
可以把企业的中长期“固定资产”变为银行的中长期”固定资产“。
这样的话，只要没有大规模的违约，就不会触发银行的系统性风险造成更大的问题。
但是如果有潜在的一定规模的违约风险的话，这种做法就是显而易见的次贷重现了。
然则，如果不这么做的话，无限制的宽松也只是在推后和加剧问题的严重性而已。
所以可能更重要的考虑如何减少和降低违约风险以及对应造成的伤害。
2016-09-10
关于Softmax的一些想法
考虑softmax = e^{x_k} / \sum e^{x_i} .
如果令y=e^x的话,则是一个较为一般的形式:
softmax = y / \sum y_i.
更一般的,假设y>0的话,则其实是一个类似percentage的东西.
比如y是一个投资份额/资金比例,那么\sum y就是每个个体的资本之和.
也就是总资本.
所以本质上来说,这种情况下更类似于一种dimension contribution的衡量方式.
那么,如果 考虑下数据分布呢?
一个极端的情况就是y=y_c,也就是所有y具有同一个值.
也就是说每个dimension的contribution区分度不会太大.
宽松一点来说,如果 y的variance的不大的话.
那么softmax的值也不会有太大的偏差.
再考虑一种情况.
即对于y来说,存在两个value group,y_a和y_b.
且y_a << y_b,或者宽松一点,y_a < y_b. 如果整体\sum y比较大,或者dimension比较多. 那么即使是y_b/ \sum y 的值可能也不会比 y_a/ \sum y的值来地更显著. 但从数据分布的人工直觉上来说,y_a和y_b的 contribution应该是存在有区分度的. 所以,单从这个角度来说,softmax对于高维度的feature vector来说,可能并不是一个很好的选择. 或者从某个层面上来说,更适合于一组互斥的feature set或者说classification/category. 如果去掉y>0的约束呢?
如果允许y<=0的话,那么直觉上就不太能将之于contribution做关联/联想了. 考虑坐下变化. softmax=y / \sum y_i ->
softmax = (y/n) / mean(y)
对于给定的数据来说,n和mean(y)可以认为是一个常量.
那么这样的话,softmax实际上就是一个对于feature y的scalar function.
反过来说,对于每个特定的 feature set的 单个feature来说.
这个 scalar是在某种程度上encdoe/ embeded了n和mean(n)这个样本相关的信息的.
所以,从这个角度考虑的话,softmax更像是一种 relative measure.
而且是针对每个独立的feautre set的一种某种程度上来说是标准的映射/转换过程.
但,这种映射在不同的feature set/ vector之间是不是有可比性呢?
因为维度n是固定相同的.
所以,实际上就两张情况.
mean(y)相同或相近的情况自然不用说了.
考虑mean(y)差异比较大的情况.
假设mean_a(y) << mean_b(y). 那么,对于给定的y其对应的softmax的值对应的relative position就会有比较大的偏差了. 从直觉上来说,虽然可能再这些值当中存在着某种程度的structure/level. 但由于数值上的区分度差异或者说classification的需要. 这些差异信息就可能被从计量的层面上被抹掉. 所以,从信息完整程度上来说,softmax也不太适合这种差异比较大的情况. 当然,这个可能可以通过具体地再套一层 normalize function. 或者再加一层network layer去 project到更高的维度再做softmax. 但考虑y>0的情况的话,可能也不是一个好的解决方法.
某种程度上来说,就像softmax名字所说的,着重点在max,注意点在soft.
也就是针对某个单一 dominated的 feature的产生作用.
所以从这个角度考虑的话,也不是说DNN和NN有多大的本质区别.
可能只是一些数据分布差异所带来的工程化处理/解决方案/方式/方法而已.
如果令y=e^x的话,则是一个较为一般的形式:
softmax = y / \sum y_i.
更一般的,假设y>0的话,则其实是一个类似percentage的东西.
比如y是一个投资份额/资金比例,那么\sum y就是每个个体的资本之和.
也就是总资本.
所以本质上来说,这种情况下更类似于一种dimension contribution的衡量方式.
那么,如果 考虑下数据分布呢?
一个极端的情况就是y=y_c,也就是所有y具有同一个值.
也就是说每个dimension的contribution区分度不会太大.
宽松一点来说,如果 y的variance的不大的话.
那么softmax的值也不会有太大的偏差.
再考虑一种情况.
即对于y来说,存在两个value group,y_a和y_b.
且y_a << y_b,或者宽松一点,y_a < y_b. 如果整体\sum y比较大,或者dimension比较多. 那么即使是y_b/ \sum y 的值可能也不会比 y_a/ \sum y的值来地更显著. 但从数据分布的人工直觉上来说,y_a和y_b的 contribution应该是存在有区分度的. 所以,单从这个角度来说,softmax对于高维度的feature vector来说,可能并不是一个很好的选择. 或者从某个层面上来说,更适合于一组互斥的feature set或者说classification/category. 如果去掉y>0的约束呢?
如果允许y<=0的话,那么直觉上就不太能将之于contribution做关联/联想了. 考虑坐下变化. softmax=y / \sum y_i ->
softmax = (y/n) / mean(y)
对于给定的数据来说,n和mean(y)可以认为是一个常量.
那么这样的话,softmax实际上就是一个对于feature y的scalar function.
反过来说,对于每个特定的 feature set的 单个feature来说.
这个 scalar是在某种程度上encdoe/ embeded了n和mean(n)这个样本相关的信息的.
所以,从这个角度考虑的话,softmax更像是一种 relative measure.
而且是针对每个独立的feautre set的一种某种程度上来说是标准的映射/转换过程.
但,这种映射在不同的feature set/ vector之间是不是有可比性呢?
因为维度n是固定相同的.
所以,实际上就两张情况.
mean(y)相同或相近的情况自然不用说了.
考虑mean(y)差异比较大的情况.
假设mean_a(y) << mean_b(y). 那么,对于给定的y其对应的softmax的值对应的relative position就会有比较大的偏差了. 从直觉上来说,虽然可能再这些值当中存在着某种程度的structure/level. 但由于数值上的区分度差异或者说classification的需要. 这些差异信息就可能被从计量的层面上被抹掉. 所以,从信息完整程度上来说,softmax也不太适合这种差异比较大的情况. 当然,这个可能可以通过具体地再套一层 normalize function. 或者再加一层network layer去 project到更高的维度再做softmax. 但考虑y>0的情况的话,可能也不是一个好的解决方法.
某种程度上来说,就像softmax名字所说的,着重点在max,注意点在soft.
也就是针对某个单一 dominated的 feature的产生作用.
所以从这个角度考虑的话,也不是说DNN和NN有多大的本质区别.
可能只是一些数据分布差异所带来的工程化处理/解决方案/方式/方法而已.
订阅：
博文 (Atom)