AI經濟

一個學科倒底需要哪些東西呢？ 有人說就是知識(Knowledge)，有人說技術勝於一切。 無論怎樣說，都是正確的，只是我們切入的觀點不同而產生很多的方法。 既然如此，經濟教育可以說是在台灣扎根得很早。從國小課本就出現比較利益法則，其後陸陸續續在教科書上出現經濟學的觀念。我不知道這樣做是否適切，問題出在於授課的老師是否有受過正統的經濟學訓練！或者他們自己有自我培訓自己的經濟學知識，而非片面的隻言片語。 在讀經濟學時，大學教授總是會跟我們說國富論的出現是有條件的，亞當斯密先提出了道德情操論，才有了國富論，換言之，人民的道德水準要到一定程度才能夠有國富論當中的：人追求自利，最終達到國富。 現在回想起來，在自由經濟的社會上若缺少了道德素養，恐怕就是暴民主義，或另一個極端就是愚民主義了。 若是讀經濟系的學生大概會發現從大一到博士班，所讀的經濟學不脫個體經濟學與總體經濟學，只是換了樣子。低年級用圖表與數字表示，高年級用數學表示，在高等一點的教育就變成了數學與符號的世界。 也莫怪會有這樣的話語出現：讀經濟學就像是上山學屠龍功夫，等學成後下山，才發現世間沒有半條龍影，更遑論一條龍影出現。 隨著時代的演變，經濟學除了這些，還很容易被人批評：你會的供給需求圖對嗎？一定是曲線嗎？一定是直線嗎？ 經濟學家總是會這樣回話：這是示意圖。 既然這樣，那為何我們不能拿出數字來，直接展現出經濟觀念呢？ 所以，我們提出了這樣的想法：將經濟學概念與EXCEL結合，用數字展現出生活常識與經濟觀念，特別是買賣觀念貫串出經濟學的想法。 為什麼你願意買？為什麼你願意賣？ 你買(賣)東西的行為如工業工程的生產流程一樣，被分解開來，然後被觀察，找出關聯與原則來，轉變成數字，反映心理活動與外在表現。 這代表著經濟學的課程可以重新被設計，切割成 大一：需求供給模型一套 大二：最適化理論一套 大三：市場結構一套 大四：應用模型一套 碩一：數理模型的最適化理論一套 碩二：數理模型的市場結構一套 博士班：數值模擬與隨機動態模型一套 以上的課程切割僅就個體經濟學為主軸。如果是國際貿易，那可以算是應用模型系列，變化多端，就像股市分析技術可以配出不同的技術指標或不同長短時間的搭配使用。 這些課程更重要的是除了理論知識的傳授外，更需要輔助電腦技能幫助學生建立一課兩套的訓練。在理論知識了解後，繪製出圖像式觀念，轉變成流程圖，建置出數字...

過去傳統的計量經濟學、迴歸分析或甚至博士班之相關課程都是建構在抽樣分配、假設檢定與配適出適切的模型，因此，延伸出因分析所需的 Tobit 、 Probit 模型，而在時間序列上則由AR模型延伸出 VAR 等系列模型。 觀察這些模型特徵，不外乎都是建構在線性概念上，換句話說，無論有無前後期關係，模型首先就是展現分類法(可以二分、三分....)以及資料區分出線性可解釋與不可解釋部分。 在「 為何使用曲線化線性迴規模型 」已經提到了重要的兩個觀念後，曲線化線性迴歸模型的特色上，確實與眾不同，同時也難以用紙筆來運算。即使如此，我們不得不說微積分當中的一個觀念是非常有用的，那就是 無論哪種數學模式都可以用泰勒展開式去逼近，其後再加上一個誤差即可代表那個數學模式。 通常經濟學家喜歡用兩階展開來代表，例如，名目與實質利率之間的關係。 問題是真實的資料是否用兩階展開就可以了呢？最後的那個誤差項，又被控制多少呢？ 如果遇到的是研究者最常使用的開放性資料，每天(或每分鐘)都在更新的資料來說，愈細微的資料就可以用線性來衡量產生趨勢，預測下一期就會更為精準。所以，若使用的是每分鐘的資料，等於是將一天的資料切割成1440筆資料，然後由1440筆資料估計出線性規則，再由此規則，估計出明天的平均數字。 如此做，好嗎？ 這問題就出在於既然是每分鐘更新的開放性資料，那麼研究者想要預測明天第一筆資料就必須將分分鐘鐘的新資料再次的放入，重跑估計與預測。好玩的是，有哪種軟體可以在一分鐘內跑完所有開放性資料，估計出來，並讓其他人使用，或者去買賣股票、網路上進行交易？ 所以，當我們遇到開放性資料時，每次新的資料生成後就需要放入資料集內，重跑估計，再比對過去的實際值與估計值，每次都再調整。 而曲線化線性迴歸模型其實很像再使用細微的資料產生線性，再由線性產生曲線。 例如：某股票股價可以反映基本面，所以，先用基本面的財務比率估計股價，再由此股價以曲線方式估計真實股價。 對於開放性資料的估計不一定只能用時間變數(趨勢變數)來估計，當然也可以如上面所言的曲線化線性方式來估計。 而指數的數字則可以呈現出股價的轉折現象，這也是其他模型無法做到的部分，更是捕捉出規律性的方法之一。