AI經濟

 美股在美東時間22年10月13日公布9月通貨膨脹率後，先跌後大漲。多數新聞提到 投資人認為通貨膨脹已經到頂，如果不到頂也已經是到尾聲 紐約時報則提出目前美國通貨膨脹率仍為高點，並認為美國的消費買氣未減，但物價讓荷包縮水。其實這些新聞寫的內容，有的部分非常矛盾。例如，物價高漲讓荷包縮水，這時消費者只會減少購買。如果沒有減少購買，那就是借錢購買。但美國聯準會正在升息中，借錢會讓之後還不起錢，導致信用破產，那美國人會做這樣的事情嗎？照著新聞所言，美國的消費買氣不減，就表示美國人借錢購買，做生活費用用。 其次，紐約時報提到高通膨變成習以為常後，勞工要求漲工資，雇主會將勞工成本反映在價格上，促使物價只高不低。這樣的論點看似合理，其中也有不合理的地方，那就是雇主裁員。當勞工成本過高到雇主無法擔負，那就是裁員了。如彭博新聞說了英特爾10月要裁員千人，以縮減成本。 當員工不再是員工，雇主對產品價格就無需反映那麼高的薪資成本，很可能轉向機械化，服務業或將不重要的勞動由自聘轉為外包。 這種常態性的高通膨情況，並不是個理想狀態，對整個經濟來說都不是件好事。甚至股市的大漲很可能都是為了特定單位的業務績效。 那麼，讓我使用以下4種方法來進行美國10月通貨膨脹的預估，以及9月通貨膨脹數據加入後對趨勢的影響。 直線多線段法 這是一種基於AI和線性迴歸分析的方法。讓資料期間的數據配適出最佳的直線估計。AI將切割出7個期間，最後，也是最近期的直線為線段7，其資訊有： 期間：20年3月到22年9月 估計式：Y = -17.447094 + 0.333321*X 判定係數：0.931816  這最後一條直線是一條上升的直線。在這26個月中，平均每月增長0.33%的通貨膨脹率。而判定係數非常高，幾乎完全準確。 此結果需要注意3點。 美國通貨膨脹仍處於高通膨狀態 。看似美國通貨膨脹從22年7月後開始下滑，但都處在8%以上，緩慢接近8%。這讓美國人須忍受更長時間的高通膨。整體的經濟情況也未必能快速好轉。 美國通貨膨脹仍是向上趨勢 。直線仍為向上走，並不如過去聯準會升息三四次就能控制通貨膨脹，反轉下行。如果說是到頂，也只是看單個數據的比較，而非看趨勢。至於會不會失控再出現更高的通貨膨脹率？只能說未來都是未知的，一切都有可能。 美國通貨膨脹逐漸維穩 。比對之前的7和8月通貨膨脹率下的直線斜率，...

 每股道瓊工業指數在22年10月13日，大漲827.87點，收盤在30038.72。這樣大漲的結果，從長期趨勢線來看，十足微不足道。道瓊指數的長期下降趨勢穩定不變。在使用21年5月3日到22年10月13日的每日收盤，計算直線和非直線趨勢線，如下圖。 藍點：每日收盤 紅點：估計線 黃點：95%預測區間上下限 直線趨勢線 左圖是迴歸分析得到的紅色估計線，代表長期趨勢。趨勢線的方向是向下走，道瓊指數的市場下跌壓力很明顯且強烈。不過判定係數為48.31%，並不是很準確。 藍點的每日收盤沿著紅色趨勢線向下做波動，並且波動幅度在近期很少碰觸到95%預測區間上限，反而已經兩次碰到95%預測區間下限後，做反彈。 非直線趨勢線 右圖是迴歸分析得到的紅色非線性估計線，代表長期趨勢。同樣如直線趨勢線往下走，非線性的估計式還是時間X的3.4次方，比平方下降速度還快。判定係數為68.80%，算有準確率，所以導瓊指數的市場下跌力量不能用直線去看，而是有更強烈的市場下跌壓力。 結論 即使22年10月13日的大漲，在長期趨勢圖中，仍屬於正常的震盪狀態，並不會改變道瓊指數的長期趨勢。

資料描述 資料期間：2019/12/31 ~ 2020/06/30 資料頻率：1分鐘 總資料量：132150筆  資料特性：正整數的收盤指數 對如此高頻率的數據資料而言，其來源的分配，以及結構都是值得被分析的。不過也因為是高頻率且為正整數特性， 單純用適合度檢定和曲線配適法(Curve fitting method)無法獲得結果。對此，我將使用人工智能分析的意向大數據分析軟體找機率分配。 人工智能分析找機率分配 由於收盤指數為數字，所以相對次數分配表的分組上，我選擇分為100組，並且以組中點代表該組。組中點最小值為8300.585，最大值為12178.415。經過計算後得到最大機率值為4.35%的11424.185，以及最小機率值的0.0045%的8300.585。

 想衡量兩變數的相關性，第一個想到的就是「相關係數」(Correlation coefficient)。所謂相關係數是兩變數的直線相關程度。愈趨於1或-1就代表兩變數之間的線性相關愈強烈。 恐慌指數和股價指數的研究認為兩者存在負相關，也就是一個指數的數字愈高，另一個指數的數字就會愈低。這邊我得特別說明一下，這樣的負相關是指兩者存在負的線性相關。而線性相關不代表每個數對都是符合這樣的特性。這是什麼意思呢？ 統計學的相關係數是需要一定數對量才能計算相關係數。如果只有兩個數對，那相關係數不是正1就是負1，超過兩個數對就產生介於-1和1之間的數字了。 另外，你加入的數對量會有規律性，也就是累加性出現。這裡指的累加性是數字量帶來的數字規律，在一開始可能不明顯，隨著數對愈來愈多，之前的影響就會逐漸累積產生。 當你使用相關係數時就得考慮要如何界定時間序資料放入計算相關係數的資料量。在這，我提出三種方法： 從時間序的起始日開始，固定此起始日，開始加入新的數對資料，直到結束日。 從時間序的結束日開始，固定此結束日，開始加入最近的舊數對資料，直到起始日。 從時間序的起始日開始，固定N日，每計算完N日的相關係數後，丟棄前一日的數對，加入新一日的數對，繼續計算。 這三種對計算相關係數的資料量定義將帶來不同的相關係數計算方式。而彭博提供的技術指標當中，也有相關係數的計算。有使用彭博資料庫的朋友，再留言分享一下它的計算方法吧。 下圖藍點為第一種方法，紅點為第二種方法得到的相關係數走勢圖。 你看無論是第一種還是第二種的相關係數從22年2月1日開始的相關係數都介於-1到-0.4之間。這代表恐慌指數和S&PP500指數之間確實是負的線性相關。 藍點結果 那我們來看藍點的結果。藍點從22年2月1日開始，第一個相關係數值由五天的數對計算得到，然後繼續增加到6天、7天，依此類推。從22年2月28日到4月29日持續落在-1至-0.9之間，屬於高度負相關。 隨著S&P500指數因通貨膨脹從7月中開始下滑，中間也有超過4000點的期間，但和恐慌指數的相關係數卻下降，甚至出現新聞所謂的關鍵相關性斷裂。不過，從22年9月27日後，相關係數回到-0.6和-0.5之間。 橘點結果 第二種方法從最後的結束日，22年10月13日往前看相關係數的規律性。圖形的橘點從右往左看。在9月和10月中，僅有9月...