考虑,如果交易都是等价交换的,那么理论上来说,这个市场的量化描述应该是零和的.
因为"价值"不过是从一边移动到另一边.
即便考虑现实一点的非等价交换,即某些交易有人愿意付出额外/高于实际价值的成本的话,也可以把这种额外成本量化为某种确定参数.
附加到等式左右,使其保持平衡.
而且这种做法也有着比较符合直觉的现实意义解释.
尽管,从总体上来说,这种量化会使得某些"价值"沉默下来.
因为这种额外量化不一定能在其他交易种交换出去/流动起来.
一个简单的例子就是,一个人A愿意以高于市场价10%的价格从B购买某样物品.
那么这10%就是它的private held的成本.
如果没有其他的第三者C在其他的交易里以对应C的private value把这个A的private held的10%的成本转嫁出去的话.
那么对于A来说,就有了10%的沉默资本.
当然,因为有着A->C的交易的存在可能,所以理论上也并不一定会让市场上的所有价值沉默下来.
那么,有没可能让所有价值都沉默/流动性死亡呢?
回头重新审视这个交易过程的话.
实际上,这里的"价值"是通过"交易"这个动作展示的.
从某种程度上来说,在交易没有发生之前,价值是不存在的.
也就是是说,价值这个衡量标准是依附于交易而存在的.
不管是完全的等价交换,还是通过假如private value的强制平等交换形式.
从数值角度上来说,都是仅仅跟当前交易相关的.
所以,从这个角度上来说,价值沉默或者说流动性死亡是个伪命题.
因为只要有交易行为,就有价值.
只有有交易行为,才有价值.
于是考虑一下financial bubble的问题.
一些形式的market crisis是由于对资产/资本的overvalued导致的.
前面说到,value只存在于交易行为中.
那么,没有交易的话,是如何兼容overvalued的呢?
如果把overvalued的value看作是某种对资产的public agreement的话.
那么这些private value作为某种形式的common sense也并不是不可以.
也就是说,虽然没有交易发生,但是如果认为市场认为这个价值是公允的.
那么,即使没有交易发生,也可以认为它的价值存在.
即是说,即便没有交易,但如果市场认为价值公允,那么也是可以计量的.
比如说,对于资产Asset A,整个市场都认为如果发生交易的话,其价值Value是V,则可以计量A的价值V为AV.
如果市场上有n个Asset的话,则整体市场价值Capital C为
C=\sum_{i}^{n} AV_i
然后考虑一下货币M.
出于一般等价物和交换的需要.
理论上上来说,存在C的capital就需要对应的M的货币量money供应.
也就是理想状态下应该有
M=C.
但如果Asset存在overvalued的情况,
也就是实际的AV_* < AV的话.
则有
C_* = \sum_{i}^{n} AV_*_i < \sum_{i}^{n} AV_i
->
C_* < C < M
->
M - C_* > 0
即,在overvalued的情况下,总体货币量大于实际的资产交易价格.
这是什么意思呢?
考虑下这里M的具体含义.
假设有\alpha要像\beta出售新增Asset A.
双方agree的value为V.
那么对于市场来说,就是新增了V的asset,因为这个A在之前是不存在的.
相对于货币侧来说,就需要新增对应V的M来作为记账/等价物进行流通.
也就是说M的意义在于\alpha出售完之后,需要持有M来保持交易的平衡.
如果\beta再将其出售给\gamma的话,由于A已经在市场上存在/登记过了.
所以不需要重复的投入M来保持平衡.
即M的意义是对市场新增资本的初始公允界定.
于是重新考虑
M - C_* > 0.
因为存在的overvalued,所以实际在后期的交易中C_*的价值低于初期.
而由于M是一个初期的估值量化固定.
那么dead capital D
D = M - C_*
的意义就代表这overvalued的部分,也就是不可交易的部分.
一个极端的情况就是D=M.
也就是市场上对所有资本的交易时估值都是零.
即没有人愿意做交易.
但同时有存在的等量的货币M.
由于没有交易的动机,所以M的存在意义也等于0.
在这种情况下market crash的话,即便是通过货币政策调控M也是无济于事.
以为M的意义只在于衡量动态交易时的公允价值.
或者说动态价值.
如果动态价值不恢复到初期水平,也就是D>0的话.
无论如何调整M都是无用的.
这跟实际的直觉比起来好像感觉有点odd.
考虑比如dotcom bubble.'
一家高科技公司估值上扬,那么对于市场来说就存在一个option.
即在未来的某个时期,其估值能够兑现.
对于市场的表现来说,就是资金流向/买入这个long position.
如果是小范围的,或者说这个long position对整体C而言是可以忽略不计的.
那么,即使未来这个option不能兑现,那么对应的D值也很小.
加上如果存在一些理论上C_* > C的情况的话,D还是可以为0甚至<0的.
而且考虑到货币的乘数效应,在M 真正realize C之前,C的值已经等于或者接近C_*了.
但如果是大范围的行为的话.
或者说,已经触发的M的实际补给.
比如,通过各种借贷和杠杆进入long position.
对应的作为的借出方的银行等金融机构就可能存在暂时性的流动性需求.
这样的话,就可能触发中央机构的宽松/流动性补充机制,快速/短期内地锁定/realize C的值的话,就可能造成D的快速兑现.
于是,都让market crash的时候,这里的D就对应了这些无法回收的债务/坏账.
所以,这里的本质在于对C价值的过早实现.
而过早实现的契机在于银行等金融机构的流动性缺失.
或者说货币投放的直接下游的流动性确实.
因为如果这些下游还有流动性的话,那么只不过是D分布在有偿还能力的借款方还是作为自己的坏账而已.
因此,某种程度上来说.
宽松的货币政策是对某个是个市场所有动态交易价值的一个快照.
2016-06-26
2016-06-10
维度问题
下午在某猫咖啡的一个发散的延续.
可能以前也有过类似的想法,记不太清楚了.
考虑一个简单定义.
Revenue = Earning - Cost.
即利润为收入减去之处.
一般来说,maximize revenue的方式基本就是maximize earning.
但很多时候,earning并不是可以无限增加的.
尤其如果考虑cost本身可能跟earning存在一定程度的关联关系/受同一类变量控制/相关.
所以,如果考虑给定earning存在一个upper bound的话.
那么,剩下的maximize的思路就落在minimize cost/cost down上面了.
下午的思路是构造一个类产业链的闭环,也就是把cost转化为earning.
也就是做类似于把
Revenue = Earning - Cost
中的cost的符号允许负值.
这个其实也就是石油化工行业里常见的产业链的群聚效应.
把某个链条上的支出成本转化为收入利润.
或者类似与金融银行业对资产负债表的一些腾挪手段.
尤其是资产打包转售等,改变会计计量性质的东西.
这个从本质上来说,有点类似于剩余价值理论.
在既有的支出成本的基础上,尽可能地把它从资产负债表的一端移动到另一端.
某种程度上来说,就是一种资源优化配置的特例.
那么以这个角度考量Uber的话.
原则上来说,Uber是作为一种闲散资源的再组合利用.
一种类似中介/agency的东西.
从广义上来说,也就是社会资源的优化配置的方式.
在之前考虑这个的角度是以附加值的形式所做的资源调度.
即,考虑司机用车作为一个既成现实的话.
Uber所做的是让这个事实支出的同时带来跟多的附加收益.
是在
Revenue = Earning - Cost
中对Earning做加法的一个思维方式.
如果这里尝试用cost down的思路看呢?
即不把Uber的行为作为对司机的一种added value,而是作为一种cost down的方式理解.
对于整个social group来说.
纯理想状态下,没有Uber等公共交通方式的话,那么就是一人一车的情况.
公共交通的出现,形式上就是对activities做了一个group/batch,缩减了对应的一些固定开销.
比如空气/交通拥挤度/燃料等各种广义上的公共成本.
所以,从这个角度来说,把Uber理解为cost down的一种模式也不无不可.
跟added value相比,cost down有一个诡异/有趣的在于.
added value的角度里,某个行为是认为可以避免的,或者说可以层叠的.
以Uber来说,载不载人是一个可选项,获得收益只是一个better choice.
但是cost down的角度则是,这是一个不可避免的开销.
因为是必要支出,所以才存在所谓的缩减,而不是取消.
对于Uber来说,这个角度的立足点是整体社会效率,而不是个人效率.
某种形式的宏观和微观层面的差异.
如果是个人效率角度的话,Uber的cost down就应该是直接补贴车主的费用等.
尽管,事实也是这样.
但对于交通等问题的cost down等,就被从设计上忽略掉了.
因为是基于个体层面的,所以社会宏观层面的这些因素是这个微观体系描述不了的.
从某种程度上来说,Google所做的也是一种cost down方式.
因为对于信息的检索获取是存在overlap的.
作为一种公共资源/公共设施/公共调度,所解决的问题便是这类overlap带来的重复成本.
所以,从某种程度上来说,控制成本和提高附加值/开源和节流不矛盾的点在于维度层面的区别.
从宏观维度上做的节流/cost down措施,反馈到微观层面的话,就是某种形式的added value.
就像Uber司机的收益一样.
微观收益来源于宏观上的成本缩减.
顺着这个思路考察UberRUSH的话.
sharing实际上是multiplexing.
也就是把各个路径上具有类似职能/功能的点揉合在了一起,做了某种形式的复用.
从而减少某种形式的重复开销.
可能以前也有过类似的想法,记不太清楚了.
考虑一个简单定义.
Revenue = Earning - Cost.
即利润为收入减去之处.
一般来说,maximize revenue的方式基本就是maximize earning.
但很多时候,earning并不是可以无限增加的.
尤其如果考虑cost本身可能跟earning存在一定程度的关联关系/受同一类变量控制/相关.
所以,如果考虑给定earning存在一个upper bound的话.
那么,剩下的maximize的思路就落在minimize cost/cost down上面了.
下午的思路是构造一个类产业链的闭环,也就是把cost转化为earning.
也就是做类似于把
Revenue = Earning - Cost
中的cost的符号允许负值.
这个其实也就是石油化工行业里常见的产业链的群聚效应.
把某个链条上的支出成本转化为收入利润.
或者类似与金融银行业对资产负债表的一些腾挪手段.
尤其是资产打包转售等,改变会计计量性质的东西.
这个从本质上来说,有点类似于剩余价值理论.
在既有的支出成本的基础上,尽可能地把它从资产负债表的一端移动到另一端.
某种程度上来说,就是一种资源优化配置的特例.
那么以这个角度考量Uber的话.
原则上来说,Uber是作为一种闲散资源的再组合利用.
一种类似中介/agency的东西.
从广义上来说,也就是社会资源的优化配置的方式.
在之前考虑这个的角度是以附加值的形式所做的资源调度.
即,考虑司机用车作为一个既成现实的话.
Uber所做的是让这个事实支出的同时带来跟多的附加收益.
是在
Revenue = Earning - Cost
中对Earning做加法的一个思维方式.
如果这里尝试用cost down的思路看呢?
即不把Uber的行为作为对司机的一种added value,而是作为一种cost down的方式理解.
对于整个social group来说.
纯理想状态下,没有Uber等公共交通方式的话,那么就是一人一车的情况.
公共交通的出现,形式上就是对activities做了一个group/batch,缩减了对应的一些固定开销.
比如空气/交通拥挤度/燃料等各种广义上的公共成本.
所以,从这个角度来说,把Uber理解为cost down的一种模式也不无不可.
跟added value相比,cost down有一个诡异/有趣的在于.
added value的角度里,某个行为是认为可以避免的,或者说可以层叠的.
以Uber来说,载不载人是一个可选项,获得收益只是一个better choice.
但是cost down的角度则是,这是一个不可避免的开销.
因为是必要支出,所以才存在所谓的缩减,而不是取消.
对于Uber来说,这个角度的立足点是整体社会效率,而不是个人效率.
某种形式的宏观和微观层面的差异.
如果是个人效率角度的话,Uber的cost down就应该是直接补贴车主的费用等.
尽管,事实也是这样.
但对于交通等问题的cost down等,就被从设计上忽略掉了.
因为是基于个体层面的,所以社会宏观层面的这些因素是这个微观体系描述不了的.
从某种程度上来说,Google所做的也是一种cost down方式.
因为对于信息的检索获取是存在overlap的.
作为一种公共资源/公共设施/公共调度,所解决的问题便是这类overlap带来的重复成本.
所以,从某种程度上来说,控制成本和提高附加值/开源和节流不矛盾的点在于维度层面的区别.
从宏观维度上做的节流/cost down措施,反馈到微观层面的话,就是某种形式的added value.
就像Uber司机的收益一样.
微观收益来源于宏观上的成本缩减.
顺着这个思路考察UberRUSH的话.
sharing实际上是multiplexing.
也就是把各个路径上具有类似职能/功能的点揉合在了一起,做了某种形式的复用.
从而减少某种形式的重复开销.
2016-05-22
历史的车轮
前段时间看到不少人在谈付费问答的东西.
往大一点看,可以说是用互联网思维颠覆了传统咨询行业.
当然,实际是什么就是另一回事了.
这里想说的是,想起了一点老旧的事情.
记得在RSS还繁荣昌盛的时候.
大概也是还有人写blog的时候,曾经有那么一个话题.
或者说争论/讨论吧.
RSS到底应该不应该只输出摘要,还是说要输出全文.
那时候,分享还是一种固有的默契.
免费也还是单纯没什么杂念的免费.
也正因为这样,连输出摘要引导流量回主站都会被人思考评审一番.
不像现在的自媒体.
各种付费阅读和封闭订阅已经是一种常态.
乃至于趋势上来说,也越来越多的类似darknet的存在.
名义上或者实质上的更关注于特定圈子群体的私密性分享.
在公共空间里剩下的更多的是各种营销和宣传.
或者哗众取宠.
毕竟,互联网让人看到了各种变现的渠道.
一个人的吃喝拉撒举手投足,在这个舞台上,只要有关注度,就有流量,就有可能变成实实在在的财富.
每个人都想着怎么把自己的才能所学做各种各样的变现.
每个举动,都想着是不是能够有足够的回报.
毕竟,不能变现的东西,很多时候确实没什么意义.
也于是的,各种信息资源,只要是存在着不对等/稀缺性,就成了潜在的有价值/能变现的东西.
既然是能够变成实实在在的利益,那么还有什么理由无私/免费的分享出去呢?
所以,这个也没什么好批判的.
毕竟人要生活.
商业要存续.
如果一个曾经开放单纯平等的东西,会慢慢地变成阶级化中心化.
那也是这个系统内的大多数群体的共同选择和内在需求驱动的.
毕竟,即便是在那些good old days,各种开放社区也同样存在这层级的流动和自然隔离.
尤其是随着这个开放系统的普及,越来越多各种各样的人加入.
观念/观点/时间观之间不无地会存在着各种各样的冲突.
就像各个社交媒体的上的各种troll,或者一些dark side的东西.
毕竟,并不是每一人都能像和菜头一样地内心强大经得起种种.
所以,即便有着一些良好传统的心态,作为一名画师,一个写手,或者某个领域的专业人员,去无偿分享一些东西.
也有可能会收到各种各样负面的东西.
于是,一边是设立了门槛并且能够获得收益的系统,一边是即便呕心沥血也依然可能遭受非议的系统.
一个自然的选择自然是倾向于前者.
于是有质量的凋零和曲终人散,也是自然而然的事.
所以,有时候也很难说,这个世界还有没有"分享"这种东西.
或者说是大家变功利了,或者说是被放逐了.
或者只是个人单纯的念旧和跟不上时代而已.
但不管怎么说,越来越多的内容和圈子正在设立各种各样的门槛大概是一个趋势.
至少,在现阶段是这样.
不知道这到底是算社会的一种进步还是说倒车.
几年前风风火火的MOOC还号称要革现存教育制度的命.
而同时世界上各个角落还有着各种各样说清资质水平的各种培训机构.
用今天的话来说,就是MOOC为什么是MOOC.
为什么MOOC不能是培训班.
或者反过来说,为什么培训班不能是MOOC.
你很难说这到底是不是钱的问题.
还是回报的问题.
就像欧洲的难民问题.
你不知道是纯粹的道德压力问题,还是人性使然还是某种形式的政治压力.
但事实就是向着并不是让人很愉快的方向发展.
所以必须承认,实际上并不喜欢这种趋势.
可能是以为自己已经落后时代了.
也可能是因为不是既得利益者.
或者融入不到新社会.
不管怎样.
这就是现状.
为什么要分享.
既然分享不能带来什么,还可能招来非议.
那么,为什么还要分享.
所以,某种程度上来说,互联网还是开放的.
只是可能因为各种各样的原因变得sparse了而已.
往大一点看,可以说是用互联网思维颠覆了传统咨询行业.
当然,实际是什么就是另一回事了.
这里想说的是,想起了一点老旧的事情.
记得在RSS还繁荣昌盛的时候.
大概也是还有人写blog的时候,曾经有那么一个话题.
或者说争论/讨论吧.
RSS到底应该不应该只输出摘要,还是说要输出全文.
那时候,分享还是一种固有的默契.
免费也还是单纯没什么杂念的免费.
也正因为这样,连输出摘要引导流量回主站都会被人思考评审一番.
不像现在的自媒体.
各种付费阅读和封闭订阅已经是一种常态.
乃至于趋势上来说,也越来越多的类似darknet的存在.
名义上或者实质上的更关注于特定圈子群体的私密性分享.
在公共空间里剩下的更多的是各种营销和宣传.
或者哗众取宠.
毕竟,互联网让人看到了各种变现的渠道.
一个人的吃喝拉撒举手投足,在这个舞台上,只要有关注度,就有流量,就有可能变成实实在在的财富.
每个人都想着怎么把自己的才能所学做各种各样的变现.
每个举动,都想着是不是能够有足够的回报.
毕竟,不能变现的东西,很多时候确实没什么意义.
也于是的,各种信息资源,只要是存在着不对等/稀缺性,就成了潜在的有价值/能变现的东西.
既然是能够变成实实在在的利益,那么还有什么理由无私/免费的分享出去呢?
所以,这个也没什么好批判的.
毕竟人要生活.
商业要存续.
如果一个曾经开放单纯平等的东西,会慢慢地变成阶级化中心化.
那也是这个系统内的大多数群体的共同选择和内在需求驱动的.
毕竟,即便是在那些good old days,各种开放社区也同样存在这层级的流动和自然隔离.
尤其是随着这个开放系统的普及,越来越多各种各样的人加入.
观念/观点/时间观之间不无地会存在着各种各样的冲突.
就像各个社交媒体的上的各种troll,或者一些dark side的东西.
毕竟,并不是每一人都能像和菜头一样地内心强大经得起种种.
所以,即便有着一些良好传统的心态,作为一名画师,一个写手,或者某个领域的专业人员,去无偿分享一些东西.
也有可能会收到各种各样负面的东西.
于是,一边是设立了门槛并且能够获得收益的系统,一边是即便呕心沥血也依然可能遭受非议的系统.
一个自然的选择自然是倾向于前者.
于是有质量的凋零和曲终人散,也是自然而然的事.
所以,有时候也很难说,这个世界还有没有"分享"这种东西.
或者说是大家变功利了,或者说是被放逐了.
或者只是个人单纯的念旧和跟不上时代而已.
但不管怎么说,越来越多的内容和圈子正在设立各种各样的门槛大概是一个趋势.
至少,在现阶段是这样.
不知道这到底是算社会的一种进步还是说倒车.
几年前风风火火的MOOC还号称要革现存教育制度的命.
而同时世界上各个角落还有着各种各样说清资质水平的各种培训机构.
用今天的话来说,就是MOOC为什么是MOOC.
为什么MOOC不能是培训班.
或者反过来说,为什么培训班不能是MOOC.
你很难说这到底是不是钱的问题.
还是回报的问题.
就像欧洲的难民问题.
你不知道是纯粹的道德压力问题,还是人性使然还是某种形式的政治压力.
但事实就是向着并不是让人很愉快的方向发展.
所以必须承认,实际上并不喜欢这种趋势.
可能是以为自己已经落后时代了.
也可能是因为不是既得利益者.
或者融入不到新社会.
不管怎样.
这就是现状.
为什么要分享.
既然分享不能带来什么,还可能招来非议.
那么,为什么还要分享.
所以,某种程度上来说,互联网还是开放的.
只是可能因为各种各样的原因变得sparse了而已.
2016-05-02
网络结构与经济系统
五一到开平走了走.
自然不自然地对会对物价和经济水平有点认识.
大概算了下,按房价来说,可能就是3-4k左右的水平.
跟老家那边4-5k来说算很便宜了.
尤其老家那边在广东在经济也算倒数的.
物价方面也可以说是相当地便宜.
有点比较有意思的是.
在某饭店吃完饭结账,看到老板在用算盘算账.
在看习惯了各种贴着微信支付宝支付标签的人来说.
而且看某些田地,据说还是以插秧方式耕作的.
某种微妙的时空错层感.
不过主要想到的是这种跟老家对比之下的,经济水平跟价格水平的不对称关系.
也就是说,经济的发达程度,跟本地价格水平似乎并不存在一个明显的对应关系.
经济较为发达也并不意味着价格水平就会相对高些.
但想想,也不是特别难理解.
如果一个地方的经济贸易主要是自给自足型的话,那么来自外来的价格因素影响就有限.
在这种情况下,价格因素应该是趋于较为稳定合理情况的.
因为从现金/交易流向的角度来看的话,可以认为这是一个闭合的系统.
无论内里的交易状况如何复杂,从总体上来说都是一个零和的结构.
把这里面的所有经济个体考虑为一个network或者graph的节点.
从flow的角度来说,如果任意一个节点出现了异常的流量变化.
那么由于整个系统的是零和的,则必然会对该节点的进出节点产生流量变化影响.
递归地,就会对全网的流量造成一个整体的调整.
在这个调整过程中,就有可能使得某些节点消失,从而改变整个网络的拓扑结构.
这个改变会带来两个可能的影响结果.
一个是保持网络依然是零和的流量系统.
另一个则是使得这个零和特性消失.
如果是后者的话,那么也就意味着自给自足型的经济模式被打破.
而如果是前者的话,其实也可以反过来考虑两种结论.
一个经济闭合体如果保持着零和的特性,那么也就意味着要么是处在一个均衡的状态.
要么就是处于一个依然维持零和的网络变换中间态.
均衡状态的话,没什么好说的.
结构和模式以及流向都是固定参数.
持续的动态零和的话,则说明系统的流量可能是一个不稳定的变化过程.
甚至可能节点的建立和湮灭也是一个频繁的事情.
前者的一个宏观体现可能是价格水平变动比较频繁,并且可能在种类之间尤其做切换.
后者则可能是一些经济模式的不断/快速变化.
不过总得来说,如果是构架一个闭合的零和经济系统的话,那么在给定的网络总流量的前提下.
应该是有办法设计和调控/制造一种均衡状态的.
那么对于非自给自足的经济体来说呢?
在这这情况下,对于的模型就应该是经济体自身做个一个大的super node,然后同时有流入流出的flow.
同样地,在这种模型下,依然在一个算术意义上的零和系统.
但跟完全闭合的系统所不同的是,由于进出的流量是一个外部因素/变量.
所以,虽然能够暂时制造一种均衡状态,但始终来说是一个带random variable的描述式.
但换个角度,如果把这个super node看成一个更大范围内的经济体系统的单一节点的话,则是有可能存在使得这个更大的经济系统均衡的方式的.
那么,就存在使得每个节点进出流量保持恒定状态的规划方式.
也就是说,通过递归的方式,保证一个上层经济系统均衡的情况下,可以让下层经济系统退化为一个semi-zero system.
然后应用同样的方式,使得这个semi-zero system保持均衡状态.
所以,简单来说,这个可以认为是某种形式的流量规划.
当然,现实条件可能更复杂些.
毕竟各种产业存在着不同级别的细分.
即使有办法全部细分归类,然后构建成一个layer/stacked network,也可能并不是feasible的.
因为每个network stack/plane之间可能存在着各种交叉连接的graph形式.
当然,理论上是有可能做一些特化,做些pruning的优化处理的.
比如针对跨network plane的graph节点先做均衡/stationary的处理,让stack稳定之后再做network plane的均衡处理.
不过说到底,最多定性层面的possible而已.
自然不自然地对会对物价和经济水平有点认识.
大概算了下,按房价来说,可能就是3-4k左右的水平.
跟老家那边4-5k来说算很便宜了.
尤其老家那边在广东在经济也算倒数的.
物价方面也可以说是相当地便宜.
有点比较有意思的是.
在某饭店吃完饭结账,看到老板在用算盘算账.
在看习惯了各种贴着微信支付宝支付标签的人来说.
而且看某些田地,据说还是以插秧方式耕作的.
某种微妙的时空错层感.
不过主要想到的是这种跟老家对比之下的,经济水平跟价格水平的不对称关系.
也就是说,经济的发达程度,跟本地价格水平似乎并不存在一个明显的对应关系.
经济较为发达也并不意味着价格水平就会相对高些.
但想想,也不是特别难理解.
如果一个地方的经济贸易主要是自给自足型的话,那么来自外来的价格因素影响就有限.
在这种情况下,价格因素应该是趋于较为稳定合理情况的.
因为从现金/交易流向的角度来看的话,可以认为这是一个闭合的系统.
无论内里的交易状况如何复杂,从总体上来说都是一个零和的结构.
把这里面的所有经济个体考虑为一个network或者graph的节点.
从flow的角度来说,如果任意一个节点出现了异常的流量变化.
那么由于整个系统的是零和的,则必然会对该节点的进出节点产生流量变化影响.
递归地,就会对全网的流量造成一个整体的调整.
在这个调整过程中,就有可能使得某些节点消失,从而改变整个网络的拓扑结构.
这个改变会带来两个可能的影响结果.
一个是保持网络依然是零和的流量系统.
另一个则是使得这个零和特性消失.
如果是后者的话,那么也就意味着自给自足型的经济模式被打破.
而如果是前者的话,其实也可以反过来考虑两种结论.
一个经济闭合体如果保持着零和的特性,那么也就意味着要么是处在一个均衡的状态.
要么就是处于一个依然维持零和的网络变换中间态.
均衡状态的话,没什么好说的.
结构和模式以及流向都是固定参数.
持续的动态零和的话,则说明系统的流量可能是一个不稳定的变化过程.
甚至可能节点的建立和湮灭也是一个频繁的事情.
前者的一个宏观体现可能是价格水平变动比较频繁,并且可能在种类之间尤其做切换.
后者则可能是一些经济模式的不断/快速变化.
不过总得来说,如果是构架一个闭合的零和经济系统的话,那么在给定的网络总流量的前提下.
应该是有办法设计和调控/制造一种均衡状态的.
那么对于非自给自足的经济体来说呢?
在这这情况下,对于的模型就应该是经济体自身做个一个大的super node,然后同时有流入流出的flow.
同样地,在这种模型下,依然在一个算术意义上的零和系统.
但跟完全闭合的系统所不同的是,由于进出的流量是一个外部因素/变量.
所以,虽然能够暂时制造一种均衡状态,但始终来说是一个带random variable的描述式.
但换个角度,如果把这个super node看成一个更大范围内的经济体系统的单一节点的话,则是有可能存在使得这个更大的经济系统均衡的方式的.
那么,就存在使得每个节点进出流量保持恒定状态的规划方式.
也就是说,通过递归的方式,保证一个上层经济系统均衡的情况下,可以让下层经济系统退化为一个semi-zero system.
然后应用同样的方式,使得这个semi-zero system保持均衡状态.
所以,简单来说,这个可以认为是某种形式的流量规划.
当然,现实条件可能更复杂些.
毕竟各种产业存在着不同级别的细分.
即使有办法全部细分归类,然后构建成一个layer/stacked network,也可能并不是feasible的.
因为每个network stack/plane之间可能存在着各种交叉连接的graph形式.
当然,理论上是有可能做一些特化,做些pruning的优化处理的.
比如针对跨network plane的graph节点先做均衡/stationary的处理,让stack稳定之后再做network plane的均衡处理.
不过说到底,最多定性层面的possible而已.
2016-04-17
一些关于交易策略的计算
考虑一个交易策略.
有Winning的概率获得Return的收益.
同时有1-Winning的概率获得Lose的收益
那么进行一次交易后的
Cash_1 = Cash_0 * (1+Return)*Winning*(Realize_0) + Cash_0 * (1-Lose)*(1-Winning)*(1-Realize_0)
其中Realize_0为实际发生的是Return的收益还是Lose的收益.
即 Realize_0 = {0,1}
推广下就是
Cash_{n+1} = Cash_0 * \prod_i^n ( (1+Return)*Winning*Realize_i) +(1-Lose)*(1-Winning)*(1-Realize_i) )
令Cash_0 = 1
->
Cash_{n+1} = \prod_i^n ( (Winning+ Return*Winning)*Realize_i + (1-Lose)*(1-Winning) - (1-Lose)*(1-Winning)*Realize_i )
->
Cash_{n+1} = \prod_i^n (Winning+ Return*Winning - (1-Lose)*(1-Winning))*Realize_i + (1-Lose)*(1-Winning)
对于给定策略来说,Winning Return 和Lose都是一个常数.
令
A = (Winning+ Return*Winning - (1-Lose)*(1-Winning))
B = (1-Lose)*(1-Winning)
则有
Cash_{n+1} = \prod_i^n A*Realize_i+B
由于Realize_i的取值为离散的1和0.
考虑让n=p+q,其中p为取值1的数量,q为取值0的数量.
则有
Cash_{n+1} = ((A+B)^p) * (B^q)
->
Cash_{n+1} = ((1+Return)*Winning)^p) * ((1-Lose)*(1-Winning))^q
考虑Winning=0.5,Return = Lose = k的情况.
->
Cash_{n+1} = ( (1+k)^p*(1-k)^q )/2^n
由于Winning为0.5,也就是说当n->\infty的时候p=q
->
Cash_{n+1} = (1-k^2)^(n/2) / 2^n
->
Cash_{n+1} = \sqrt{ ((1-k^2)/4)^n }
在这种条件下,要有实际意义的盈利空间就意味着
Cash_{n+1} > 1
->
\sqrt{ ((1-k^2)/4)^n } > 1
->
((1-k^2)/4)^n > 1
->
(1-k^2)/4) > 1
->
3+k^2 < 0 但由于k>0
->
3+k^2 > 3
与需要满足的条件矛盾.
也就是说,在50%胜率,且单次交易盈亏幅度相同的情况下.
随着交易次数的增加,收益率是趋向0的.
这个跟直觉上可能有点冲突.
对于给定的50 50胜率的重复实验来说,其期望应该是
E=1+Return-Lose
当Return=Lose的时候
E=1即不变的.
但这里隐含的条件是每次执行策略都是相互独立/完全相同的初始条件的.
对于实际上的操作来说,每次的策略执行的Cash_i是不同的,且依赖于上一次的结果.
所以,对于这种类型的交易策略来说,并不能直接套用这类期望计算.
一个较为直观的解释是.
假设胜率为50%,收益率为正负10%.
那么对于两次分别正负的策略执行来说,就有可能存在
1.1*0.9 = 0.99
虽然收益率的幅度相同,但是由于基数不同,所以导致了实际并不为一的情况.
而且就这种情况来说,要使得收益为1.
1.1*x=1
->
x=0.909
换句话来说,在这种胜负均等的简单情况下,也要求正收益率要高于负收益率.
如果考虑实际的市场波动情况的话,结果可能更复杂.
考虑
Cash_{n+1} = ((1+Return)*Winning)^p) * ((1-Lose)*(1-Winning))^q
当n->\infty
Winning = p/(p+q)
也就是p的出现次数跟总次数的比值会趋近于Winning.
->
Cash_{n+1} = (1+Return)^p * p^p * (p+q)^(-p) * (1-Lose)^q * q^q * (p+q)^(-q)
->
Cash_{n+1} = ( (p+p*Return)^p * (q-q*Lose)^q ) / (p+q)^(p+q)
令Return=x,Lose=0,p+q=n
->
Cash_{n+1} = (p+p*x)^p *q^q / ((p+q)^(p+q))
->
Cash_{n+1} = ((p+p*x)/n)^p * (q/n)^q
当n->\infty
Winning = p/(p+q) = w
->
Cash_{n+1} = (w+w*x)^p * (1-w)^((p-w*p)/w)
->
Cash_{n+1} = ( ((w+w*x)/(1-w)) * (\sqrt[w](1-w)) ) ^ p
令Cash_{n+1} > 1
->
( ((w+w*x)/(1-w)) * (\sqrt[w](1-w)) ) ^ p > 1
当n-> \infty时,不管w/胜率为多少,那么p-> \infty
->
((w+w*x)/(1-w)) * (\sqrt[w](1-w)) > 1
->
((w+w*x)/(1-w))^w * (1-w) > 1
对w求偏导数
->
\frac{ \partial( ((w+w*x)/(1-w))^w * (1-w) ) }{ \partial w } = (w+1)*( ((x+1)*w)/(1-w) )^w * \log (x+1)*w/(1-w)
而
\frac{ \partial( \log (x+1)*w/(1-w) )}{ \partial w } = (\log(x+1)) / ((1-w)^2)
假设x>=0的话,
则\frac{ \partial( \log (x+1)*w/(1-w) )}{ \partial w } = (\log(x+1)) / ((1-w)^2) > 0
即\log (x+1)*w/(1-w)是一个关于w的区间内的单调递增函数.
由于w \in [0,1],
则\log (x+1)*w/(1-w) \in [-\infty,+\infty]
那么对于\log (x+1)*w/(1-w)来说就存在一个零点w_0.
使得
当w 0
即当 w < w_0时,((w+w*x)/(1-w))^w * (1-w) > ((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0)
当w>w_0时,\log (x+1)*w/(1-w) > 0.
((w+w*x)/(1-w))^w * (1-w) < ((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0) 即((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0)为给定x的对于w的最小值. 那么对于给定的收益率x \log (x+1)*w/(1-w) = 0 ->
(x+1)*w/(1-w) = 1
->
w = w_0 = 1/(x+2)
->
((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0) = ((x+1)/(x+2))^((x+3)/(x+2)) > 1
->
x<-3 也就是说,并不存在一个收益率,使得无论其胜率如何都能产生正的收益. 这其实是很符合直觉感受的. 但对于给定的收益率x,还是能得出一个交易胜率下限要求的. ((w+w*x)/(1-w))^w * (1-w) > 1
令x=0.01
->
w>0.9987
当然,这个通常没有什么意义.
如果有99%胜率的交易策略,那么也不用做这些计算了.
有Winning的概率获得Return的收益.
同时有1-Winning的概率获得Lose的收益
那么进行一次交易后的
Cash_1 = Cash_0 * (1+Return)*Winning*(Realize_0) + Cash_0 * (1-Lose)*(1-Winning)*(1-Realize_0)
其中Realize_0为实际发生的是Return的收益还是Lose的收益.
即 Realize_0 = {0,1}
推广下就是
Cash_{n+1} = Cash_0 * \prod_i^n ( (1+Return)*Winning*Realize_i) +(1-Lose)*(1-Winning)*(1-Realize_i) )
令Cash_0 = 1
->
Cash_{n+1} = \prod_i^n ( (Winning+ Return*Winning)*Realize_i + (1-Lose)*(1-Winning) - (1-Lose)*(1-Winning)*Realize_i )
->
Cash_{n+1} = \prod_i^n (Winning+ Return*Winning - (1-Lose)*(1-Winning))*Realize_i + (1-Lose)*(1-Winning)
对于给定策略来说,Winning Return 和Lose都是一个常数.
令
A = (Winning+ Return*Winning - (1-Lose)*(1-Winning))
B = (1-Lose)*(1-Winning)
则有
Cash_{n+1} = \prod_i^n A*Realize_i+B
由于Realize_i的取值为离散的1和0.
考虑让n=p+q,其中p为取值1的数量,q为取值0的数量.
则有
Cash_{n+1} = ((A+B)^p) * (B^q)
->
Cash_{n+1} = ((1+Return)*Winning)^p) * ((1-Lose)*(1-Winning))^q
考虑Winning=0.5,Return = Lose = k的情况.
->
Cash_{n+1} = ( (1+k)^p*(1-k)^q )/2^n
由于Winning为0.5,也就是说当n->\infty的时候p=q
->
Cash_{n+1} = (1-k^2)^(n/2) / 2^n
->
Cash_{n+1} = \sqrt{ ((1-k^2)/4)^n }
在这种条件下,要有实际意义的盈利空间就意味着
Cash_{n+1} > 1
->
\sqrt{ ((1-k^2)/4)^n } > 1
->
((1-k^2)/4)^n > 1
->
(1-k^2)/4) > 1
->
3+k^2 < 0 但由于k>0
->
3+k^2 > 3
与需要满足的条件矛盾.
也就是说,在50%胜率,且单次交易盈亏幅度相同的情况下.
随着交易次数的增加,收益率是趋向0的.
这个跟直觉上可能有点冲突.
对于给定的50 50胜率的重复实验来说,其期望应该是
E=1+Return-Lose
当Return=Lose的时候
E=1即不变的.
但这里隐含的条件是每次执行策略都是相互独立/完全相同的初始条件的.
对于实际上的操作来说,每次的策略执行的Cash_i是不同的,且依赖于上一次的结果.
所以,对于这种类型的交易策略来说,并不能直接套用这类期望计算.
一个较为直观的解释是.
假设胜率为50%,收益率为正负10%.
那么对于两次分别正负的策略执行来说,就有可能存在
1.1*0.9 = 0.99
虽然收益率的幅度相同,但是由于基数不同,所以导致了实际并不为一的情况.
而且就这种情况来说,要使得收益为1.
1.1*x=1
->
x=0.909
换句话来说,在这种胜负均等的简单情况下,也要求正收益率要高于负收益率.
如果考虑实际的市场波动情况的话,结果可能更复杂.
考虑
Cash_{n+1} = ((1+Return)*Winning)^p) * ((1-Lose)*(1-Winning))^q
当n->\infty
Winning = p/(p+q)
也就是p的出现次数跟总次数的比值会趋近于Winning.
->
Cash_{n+1} = (1+Return)^p * p^p * (p+q)^(-p) * (1-Lose)^q * q^q * (p+q)^(-q)
->
Cash_{n+1} = ( (p+p*Return)^p * (q-q*Lose)^q ) / (p+q)^(p+q)
令Return=x,Lose=0,p+q=n
->
Cash_{n+1} = (p+p*x)^p *q^q / ((p+q)^(p+q))
->
Cash_{n+1} = ((p+p*x)/n)^p * (q/n)^q
当n->\infty
Winning = p/(p+q) = w
->
Cash_{n+1} = (w+w*x)^p * (1-w)^((p-w*p)/w)
->
Cash_{n+1} = ( ((w+w*x)/(1-w)) * (\sqrt[w](1-w)) ) ^ p
令Cash_{n+1} > 1
->
( ((w+w*x)/(1-w)) * (\sqrt[w](1-w)) ) ^ p > 1
当n-> \infty时,不管w/胜率为多少,那么p-> \infty
->
((w+w*x)/(1-w)) * (\sqrt[w](1-w)) > 1
->
((w+w*x)/(1-w))^w * (1-w) > 1
对w求偏导数
->
\frac{ \partial( ((w+w*x)/(1-w))^w * (1-w) ) }{ \partial w } = (w+1)*( ((x+1)*w)/(1-w) )^w * \log (x+1)*w/(1-w)
而
\frac{ \partial( \log (x+1)*w/(1-w) )}{ \partial w } = (\log(x+1)) / ((1-w)^2)
假设x>=0的话,
则\frac{ \partial( \log (x+1)*w/(1-w) )}{ \partial w } = (\log(x+1)) / ((1-w)^2) > 0
即\log (x+1)*w/(1-w)是一个关于w的区间内的单调递增函数.
由于w \in [0,1],
则\log (x+1)*w/(1-w) \in [-\infty,+\infty]
那么对于\log (x+1)*w/(1-w)来说就存在一个零点w_0.
使得
当w
即当 w < w_0时,((w+w*x)/(1-w))^w * (1-w) > ((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0)
当w>w_0时,\log (x+1)*w/(1-w) > 0.
((w+w*x)/(1-w))^w * (1-w) < ((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0) 即((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0)为给定x的对于w的最小值. 那么对于给定的收益率x \log (x+1)*w/(1-w) = 0 ->
(x+1)*w/(1-w) = 1
->
w = w_0 = 1/(x+2)
->
((w_0+w_0*x)/(1-w_0))^w_0 * (1-w_0) = ((x+1)/(x+2))^((x+3)/(x+2)) > 1
->
x<-3 也就是说,并不存在一个收益率,使得无论其胜率如何都能产生正的收益. 这其实是很符合直觉感受的. 但对于给定的收益率x,还是能得出一个交易胜率下限要求的. ((w+w*x)/(1-w))^w * (1-w) > 1
令x=0.01
->
w>0.9987
当然,这个通常没有什么意义.
如果有99%胜率的交易策略,那么也不用做这些计算了.
2016-03-19
信贷扩张与杠杆均衡
杠杆(leverage)大概是近两年来出现在大众视野里比较高频的一个词.
一个是去年的股灾源因,基本认同是由于加杠杆和去杠杆造成的.
另一个大概就是各种互联网金融消费,即是花呗白条之类的信用贷款.
特别地是后者,在对待信用卡方便还比较谨慎或者相对有门槛的人,也因此走上了信用消费的道路.
虽然通常来说,这个并不认为是杠杆,或者至少不是狭义层面的杠杆.
本质上来说,杠杆是一种对时间的风险压缩函数.
尽管,在一般体现上,对应的可能是资本的信贷倍数.
但如果从投资角度上来看,加杠杆的行为可以认为是对某种行为的相对确定的预期回报所做出的策略.
比如对于某项投资,有着10%利润预期,那么自然从纯数学上来说,基数越大越好.
如果把这种预期投资展开,作为一种类似久期或者永续债券方式看待的话.
那么对于给定基数funding和杠杆系数leverage,和固定的每期return on investment ROI.
则加杠杆的总投入为funding * leverage.
则等价于在固定ROI n年之后的本息投入.
即使(1+ROI)^n = leverage.
相当于是把未来几年的收益提前兑现.
当然,实际精确些的还要考虑risk free interest rate等.
但直观的说,就相当于把这么一个n年的时间周期压缩到当下.
同时,如果把这种duration的看法还原成原来的投资行为.
那么对应的,投资失败带来的lose也就可以认为是被压缩的风险的兑现.
从这个角度看的话,加杠杆无非是把未来N年的某种固定投资回报几率的行为的兑现集中在同一时刻兑现而已.
这会带来什么问题呢?
概率上来说,lose/gain的几率应该是不变的,对应的数量也自然不会变.
但考虑到杠杆压缩之后,多次的相对独立时间变为单次实验,那么自然有存在的比较大的variance.
所以,就可能存在要么资本快速扩张,要么快速湮灭的情况.
于是,以这个思路考察信贷扩张的话.
也就不难理解,为什么信贷扩张有时候能产生一些经济高速发展的奇迹,同时也可能发生各种各样的问题.
当前的信贷扩张是种什么情况呢?
大概就是十几亿人忽然明白了杠杆这种玩法,然后遇上一个市场的上升周期.
于是纷纷加杠杆意图缩短自身的财富累计时间周期.
这一点没什么值得评论的.
问题在于,这种杠杆/压缩能无限进行下去么?
即使抛弃单次概率事件的variance,使得leverage之后的mean return保持不变.
那么,因为时间/兑现周期被压缩了N年,从某种层面上来说就是资本在当下被扩张了N年发展应有的数量.
在这个基础上看到话,也就是资本规模也随着杠杆而做了巨量的扩充.
有多少增长的资本在流动市场,那么也就意味这有多少对应的货币.
资本无限扩张带来的自然就是对应的应量计量货币的增长.
不考虑其他情况的话,也就是通货膨胀的对应增长.
但如果对于的消费能力和工资水平没有增长的话,那么就存在一个错级和断裂的可能.
错级是因为非资本运作带来的收益赶不上通胀的速度.
换句话说,就是"实业"相对来说就是亏损状态.
没有实际利润存在,也就意味着没有存在的价值.
当然,管制行业是另一回事.
但从社会层面上来说,实业的萎缩直接的结果就是终端消费的萎缩.
即使不做过度推演,很自然的一个结果就是资本虚热,而消费停滞.
一旦没有生产在作用,即使资本层面没有问题,社会层面的运转也会随之断裂.
一个简单的说明模型就是,两个人互相买卖房屋.
以为存在信用/信贷扩张关系,所以价格可以不断上扬.
但实际上并没有对应的生产实物以支持这种不断攀升的货币/资本水平.
与此同时,由于信贷出口的关系,名义上的流动货币和实际的流动货币时间就存在一个差值.
以为增长的货币实际是互相买卖的账面流动,而非实际的消费促使的.
所以,一方面是信贷扩张带来的账面通货膨胀.
一方面是消费水平维持不变而总货币超发带来的畸形的流动性缺失/经济萧条,以及可能的实际的通货紧缩状态.
因为实际消费所需要的货币量并没有改变.
于是,从这个角度来说,信贷扩张带动经济增长的模式并不是能一直无限延伸下去的.
而是应该存在一个理论的计量式或者定量限定,将扩张带来的时间压缩函数控制在一定范围内.
保证某种程度上的合理的预期收益/风险兑现.
直觉是,这个杠杆均衡点的函数,应该是一个相对简单的跟收益率相关的函数.
放大到普世尺度的话,就是某种行业相关的加权函数或者多维向量了.
一个是去年的股灾源因,基本认同是由于加杠杆和去杠杆造成的.
另一个大概就是各种互联网金融消费,即是花呗白条之类的信用贷款.
特别地是后者,在对待信用卡方便还比较谨慎或者相对有门槛的人,也因此走上了信用消费的道路.
虽然通常来说,这个并不认为是杠杆,或者至少不是狭义层面的杠杆.
本质上来说,杠杆是一种对时间的风险压缩函数.
尽管,在一般体现上,对应的可能是资本的信贷倍数.
但如果从投资角度上来看,加杠杆的行为可以认为是对某种行为的相对确定的预期回报所做出的策略.
比如对于某项投资,有着10%利润预期,那么自然从纯数学上来说,基数越大越好.
如果把这种预期投资展开,作为一种类似久期或者永续债券方式看待的话.
那么对于给定基数funding和杠杆系数leverage,和固定的每期return on investment ROI.
则加杠杆的总投入为funding * leverage.
则等价于在固定ROI n年之后的本息投入.
即使(1+ROI)^n = leverage.
相当于是把未来几年的收益提前兑现.
当然,实际精确些的还要考虑risk free interest rate等.
但直观的说,就相当于把这么一个n年的时间周期压缩到当下.
同时,如果把这种duration的看法还原成原来的投资行为.
那么对应的,投资失败带来的lose也就可以认为是被压缩的风险的兑现.
从这个角度看的话,加杠杆无非是把未来N年的某种固定投资回报几率的行为的兑现集中在同一时刻兑现而已.
这会带来什么问题呢?
概率上来说,lose/gain的几率应该是不变的,对应的数量也自然不会变.
但考虑到杠杆压缩之后,多次的相对独立时间变为单次实验,那么自然有存在的比较大的variance.
所以,就可能存在要么资本快速扩张,要么快速湮灭的情况.
于是,以这个思路考察信贷扩张的话.
也就不难理解,为什么信贷扩张有时候能产生一些经济高速发展的奇迹,同时也可能发生各种各样的问题.
当前的信贷扩张是种什么情况呢?
大概就是十几亿人忽然明白了杠杆这种玩法,然后遇上一个市场的上升周期.
于是纷纷加杠杆意图缩短自身的财富累计时间周期.
这一点没什么值得评论的.
问题在于,这种杠杆/压缩能无限进行下去么?
即使抛弃单次概率事件的variance,使得leverage之后的mean return保持不变.
那么,因为时间/兑现周期被压缩了N年,从某种层面上来说就是资本在当下被扩张了N年发展应有的数量.
在这个基础上看到话,也就是资本规模也随着杠杆而做了巨量的扩充.
有多少增长的资本在流动市场,那么也就意味这有多少对应的货币.
资本无限扩张带来的自然就是对应的应量计量货币的增长.
不考虑其他情况的话,也就是通货膨胀的对应增长.
但如果对于的消费能力和工资水平没有增长的话,那么就存在一个错级和断裂的可能.
错级是因为非资本运作带来的收益赶不上通胀的速度.
换句话说,就是"实业"相对来说就是亏损状态.
没有实际利润存在,也就意味着没有存在的价值.
当然,管制行业是另一回事.
但从社会层面上来说,实业的萎缩直接的结果就是终端消费的萎缩.
即使不做过度推演,很自然的一个结果就是资本虚热,而消费停滞.
一旦没有生产在作用,即使资本层面没有问题,社会层面的运转也会随之断裂.
一个简单的说明模型就是,两个人互相买卖房屋.
以为存在信用/信贷扩张关系,所以价格可以不断上扬.
但实际上并没有对应的生产实物以支持这种不断攀升的货币/资本水平.
与此同时,由于信贷出口的关系,名义上的流动货币和实际的流动货币时间就存在一个差值.
以为增长的货币实际是互相买卖的账面流动,而非实际的消费促使的.
所以,一方面是信贷扩张带来的账面通货膨胀.
一方面是消费水平维持不变而总货币超发带来的畸形的流动性缺失/经济萧条,以及可能的实际的通货紧缩状态.
因为实际消费所需要的货币量并没有改变.
于是,从这个角度来说,信贷扩张带动经济增长的模式并不是能一直无限延伸下去的.
而是应该存在一个理论的计量式或者定量限定,将扩张带来的时间压缩函数控制在一定范围内.
保证某种程度上的合理的预期收益/风险兑现.
直觉是,这个杠杆均衡点的函数,应该是一个相对简单的跟收益率相关的函数.
放大到普世尺度的话,就是某种行业相关的加权函数或者多维向量了.
2016-03-10
一点发散
大概是下午还是晚上时候的一个思路.
不知道还接不接地上.
某种程度上来说,neural network有点像数字电路里的基本逻辑.
尤其如果把一个trained network看作一个single unit的话.
DNN实际上就是一堆unit的组合.
从程序语言的角度来说,有点像low level machine code和high level programing language.
把一些基础的底层抽象作为某种形式的feature,去构建更高纬度的描述.
就像一个简单的例子.
一个NN识别长方体,一个NN识别个数,一个NN识别角度关系.
组合一下,差不多就能够描述一张桌子了.
剩下的其实就是这么调参和组合/加权的问题.
而想想,人意识到是一张桌子的过程和采用的feature可能也差不多.
只不过会更复杂一些.
比如context里有屋子,有椅子.
然后概率性地会把对"桌子"的识别的搜索限定到"桌子"的范围内.
就像AlphaGo的policy network.
本质上就是把一些常规棋谱的模式encode进来,提供给value network做一些"常规"的"符合人类直觉"的选择.
只不过这里比较tricky的地方是,policy network encode的模式是一个snapshot.
下子之间不具有关联关系.
所以某种程度上来说,容易出现实际超长步数的策略建议.
回到NN的问题上.
既然一个DNN是一种NN的叠加和组合产生的高阶描述.
那么理论上来说,只要堆叠的NN足够多.
在不考虑运算力和存储等现实约束的前提下,进化出"智能"/"意识"也不是不可能的.
毕竟,人类的所谓学习/创造能力也不过是一些在现有learned feature上组合出来的.
尤其是如果数学推演能描述人类绝大多数甚至全部构成和行为的话.
那么在这点上,两者是完全没有区别的.
即使是matrix里提到的"感情"这种不等式存在.
在形式上来说,也是可以被精确描述和还原的.
所以,在这个层面上来说,讨论AI和人类的区别是没有意义的.
而实际上,这种堆叠不可能是无限细化和实时的.
某种程度上来说,人类对于NN based的AI来说,就是某种形式的laplace's demon.
至少从目前的技术角度来说,类DNN架构里,NN的数量相对于人类的神经系统来说还是非常有限的.
但是,如果换个角度来说,这里就可能存在某种形式的商业逻辑.
也就是一开始所说的数字电路/编程语言的思路.
考虑,如果把所有NN开放到互联网上,以某种公共协议的方式进行数据交换/交互的话.
那么就有可能把这种AI的智能程度提高一个层次.
就像桌子的例子.
通过全网的某种类RPC形式的交互调用可以得到某种encode比较丰富的feature vector.
它的dimension数量可能是想关于NN的数量的.
这么考虑的话,一个集中全网范围的存储和算力的类DNN架构,其"智能"程度也就可能超出现在的想象.
而对于"自主思考"这类问题,本质上来说不过是一些细化的feature组合之后,产生发现一个新的比较有区分度的sub space的过程而已.
比如对于一个自然数的加法group.
某个NN或者DNN能够infer/encode出5+5+5,3+3+3+3这类相同数字的连续加的结果的一些模式.
然后另外某些能够infer/encode出这里有连续数的+操作.
那么两者结合一下就有可能出来关于*的一个NN/DNN.
apply 回去的话,就是一个比较完整的关于*的创造性/学习/新的描述了.
实际上,AlphaGo的reinforced policy network就类似于对supervise policy network的一些模式encode.
对应与+操作的一些high level abstraction.
在基于此上的value network就是类似于infer出来的*操作了.
所以,从这个角度上来说AlphaGo确实是一种比较完整的对于人类思路的复刻.
某种程度上来说,大概所有DNN都是这种模仿方式.
只不过在实现上,由于各自选择的对于low level information的abstract角度不太一样罢了.
而在某些问题领域上,可供选择和考虑的抽象并不是特别多样化,所以是可能存在一定程度的重复工作的.
于是,以这个角度考虑一些做ML方案/平台的各种startup的话,方向倒也没错就是了.
从狭义上来说,都是各自提供了一些自己的pretrain的model给人做二次开发的.
如果能够推广一下,以某种公共协议或者调用方式对各种异构的NN做一个数据交换的话,大概人类文明能有一个比较大程度的飞跃.
尤其如果能推动到数学推演上面的话,以AlphaGo这种搜索方式的话,大概会有相当一部分问题能得到解/证明/证伪.
从这点上来说,AlphaGo的意义还是相当时代性的.
至少也是给通俗世界提供了一种新的思路.
就像前几年把DNN带到工业界的意义一样.
尽管,可能这些东西在学术界躺了几年甚至几十年了.
但终归,总会有像Google这种有能力有威望的人,把它带到人们面前.
创造或者提供一种全新的角度审视一些问题/东西.
不知道还接不接地上.
某种程度上来说,neural network有点像数字电路里的基本逻辑.
尤其如果把一个trained network看作一个single unit的话.
DNN实际上就是一堆unit的组合.
从程序语言的角度来说,有点像low level machine code和high level programing language.
把一些基础的底层抽象作为某种形式的feature,去构建更高纬度的描述.
就像一个简单的例子.
一个NN识别长方体,一个NN识别个数,一个NN识别角度关系.
组合一下,差不多就能够描述一张桌子了.
剩下的其实就是这么调参和组合/加权的问题.
而想想,人意识到是一张桌子的过程和采用的feature可能也差不多.
只不过会更复杂一些.
比如context里有屋子,有椅子.
然后概率性地会把对"桌子"的识别的搜索限定到"桌子"的范围内.
就像AlphaGo的policy network.
本质上就是把一些常规棋谱的模式encode进来,提供给value network做一些"常规"的"符合人类直觉"的选择.
只不过这里比较tricky的地方是,policy network encode的模式是一个snapshot.
下子之间不具有关联关系.
所以某种程度上来说,容易出现实际超长步数的策略建议.
回到NN的问题上.
既然一个DNN是一种NN的叠加和组合产生的高阶描述.
那么理论上来说,只要堆叠的NN足够多.
在不考虑运算力和存储等现实约束的前提下,进化出"智能"/"意识"也不是不可能的.
毕竟,人类的所谓学习/创造能力也不过是一些在现有learned feature上组合出来的.
尤其是如果数学推演能描述人类绝大多数甚至全部构成和行为的话.
那么在这点上,两者是完全没有区别的.
即使是matrix里提到的"感情"这种不等式存在.
在形式上来说,也是可以被精确描述和还原的.
所以,在这个层面上来说,讨论AI和人类的区别是没有意义的.
而实际上,这种堆叠不可能是无限细化和实时的.
某种程度上来说,人类对于NN based的AI来说,就是某种形式的laplace's demon.
至少从目前的技术角度来说,类DNN架构里,NN的数量相对于人类的神经系统来说还是非常有限的.
但是,如果换个角度来说,这里就可能存在某种形式的商业逻辑.
也就是一开始所说的数字电路/编程语言的思路.
考虑,如果把所有NN开放到互联网上,以某种公共协议的方式进行数据交换/交互的话.
那么就有可能把这种AI的智能程度提高一个层次.
就像桌子的例子.
通过全网的某种类RPC形式的交互调用可以得到某种encode比较丰富的feature vector.
它的dimension数量可能是想关于NN的数量的.
这么考虑的话,一个集中全网范围的存储和算力的类DNN架构,其"智能"程度也就可能超出现在的想象.
而对于"自主思考"这类问题,本质上来说不过是一些细化的feature组合之后,产生发现一个新的比较有区分度的sub space的过程而已.
比如对于一个自然数的加法group.
某个NN或者DNN能够infer/encode出5+5+5,3+3+3+3这类相同数字的连续加的结果的一些模式.
然后另外某些能够infer/encode出这里有连续数的+操作.
那么两者结合一下就有可能出来关于*的一个NN/DNN.
apply 回去的话,就是一个比较完整的关于*的创造性/学习/新的描述了.
实际上,AlphaGo的reinforced policy network就类似于对supervise policy network的一些模式encode.
对应与+操作的一些high level abstraction.
在基于此上的value network就是类似于infer出来的*操作了.
所以,从这个角度上来说AlphaGo确实是一种比较完整的对于人类思路的复刻.
某种程度上来说,大概所有DNN都是这种模仿方式.
只不过在实现上,由于各自选择的对于low level information的abstract角度不太一样罢了.
而在某些问题领域上,可供选择和考虑的抽象并不是特别多样化,所以是可能存在一定程度的重复工作的.
于是,以这个角度考虑一些做ML方案/平台的各种startup的话,方向倒也没错就是了.
从狭义上来说,都是各自提供了一些自己的pretrain的model给人做二次开发的.
如果能够推广一下,以某种公共协议或者调用方式对各种异构的NN做一个数据交换的话,大概人类文明能有一个比较大程度的飞跃.
尤其如果能推动到数学推演上面的话,以AlphaGo这种搜索方式的话,大概会有相当一部分问题能得到解/证明/证伪.
从这点上来说,AlphaGo的意义还是相当时代性的.
至少也是给通俗世界提供了一种新的思路.
就像前几年把DNN带到工业界的意义一样.
尽管,可能这些东西在学术界躺了几年甚至几十年了.
但终归,总会有像Google这种有能力有威望的人,把它带到人们面前.
创造或者提供一种全新的角度审视一些问题/东西.
订阅：
博文 (Atom)