AI經濟

在現今這個科技快速發展的時代，AI 的熱度持續攀升，已然成為人們生活中常被提及的話題。然而，我們必須清醒地認識到，目前 AI 的發展水平，與我們最初對它的期待之間，仍存在著不小的差距。這差距背後，藏著 AI 發展的曲折歷程，也蘊含著我們對正確認知的關鍵。 AI 發展期待的落差 當下，不少人對 AI 寄予了過高的期望，彷彿它是無所不能的 「神奇法寶」。但實際情況並非如此。就拿我在先前演講中提到的 AI 發展階段目標來說，若不了解研發人員對 AI 的規劃，就很難準確判斷目前 AI 技術究竟處於什麼階段。 AI 的發展並非一蹴而就，每個階段都有特定的目標與挑戰。 AI 發展的曲折道路 初始高目標的碰壁 AI 誕生之初，就被賦予了極高的定位 ——「 機器像人一樣思考 」。這聽起來確實令人興奮，似乎機器即將擁有和人類一樣的思考能力。當時的拓荒者們滿懷信心，想著既然是用人的思考模式去設計機器，應該不難實現。但現實卻給了他們沉重一擊。在實際操作中，他們面臨著許多棘手的問題：機器的運算速度能否夠快？人類的思考能否被歸納為固定流程？這個流程又該如何精準切割細化？即便到了科技如此發達的今天，這些問題依然沒有得到完美的解決。 希望落實在數學領域 由於最初目標難以實現，AI 的發展方向發生了轉變，變成了 「 電腦解決數學無法解決的問題 」。數學有著嚴謹的邏輯和固定的運算流程，讓電腦來輔助解決數學難題，似乎是個不錯的想法。在某種程度上，計算機的運算確實幫助解決了幾何和代數中的不少問題。但好景不長，新的問題接踵而至：機器的運算速度是否能滿足需求？幾套數學運算流程真的能套用所有狀況嗎？數據測定技術是否成熟？數據建立數學模型是否完善？數位類比是否精準？ 以蒙特卡羅模擬法為例，曾經某英國學術期刊（SCI 等級）只刊登使用他們模擬方法的論文，拒絕其他方法或突破性論文。眾多研發人員只能引用他們的論文，採用他們的方法。但科技的進步本應是多元的，是為了探索真理、解決問題，而不是被某個單位或某種方法所束縛。後來我們將這種模擬方式公開，免費分享在臉書社團，因為事實證明，它並非不可取代。從設定這個目標到現在，AI 在解決數學問題方面並沒有取得實質的突破，那些曾經繞開的難點，依然橫亙在前進的道路上。 目前目標的達成與局限 到了 1970 年代，AI 的目標再次調整為 「 機器能辨識、互動、感知 」。如今，我們所接觸...

 AI數據分析線上課程怎麼學？ 基本上是透過在電腦上看影片學習。從第一步軟體下載、安裝到操作，怎麼下載，怎麼安裝到怎麼操作，有老師直接在Windows作業系統的電腦上操作，非常詳細的操作步驟。你只要跟著一起做一次下載和安裝，之後電腦上就有軟體了。至於操作軟體就是要通過反覆練習與習慣，提高你的熟練度。 因為數據分析本身離不開數據，我通常會用公開數據來進行教學。所以在數據尋找的影片中，你也能從網站上下載到數據，然後將Excel的數據進行格式轉換(這在數據分析流程中的數據處理階段)。 有學員問我說 為什麼整個操作流程不全部自動化呢 ？ 你得知道 你正在學習中 。我如果讓軟體自動化了，那我不用教你，你也不用上課，你不用學其中原理。就像某大學一學年都是上chatGPT，生成文章讓學生去判讀。說不好聽點chatGPT可以生成文章後再讓它判讀啊。 別說學生不會這樣做或者老師不鼓勵這麼做。只要是學生，能這樣做，他為什麼不做。如果有同學因為這樣得到鼓勵，那就會全班跟著一起這樣做。所以想成為AI跨領域人才，倒底怎樣才是AI跨領域人才？ AI跨領域人才？ 這裡指的肯定不是資訊學院、理學院或工學院的人，因為他們本身就是AI領域的一部分。所以這邊的AI跨領域人才指的是文學、商學、社會科學等應用AI的人。如果你說chatGPT，那使用過Deepseek和豆包的我就得說，AI跨領域人才培訓中還在教「 提示詞 」？其實沒有那麼需要的。怎麼說呢？ 近期使用Deepseek和豆包的我發現，我可以跟人工智慧聊天機器人像一般人對話一樣，將我的需要說明就可以。它會自動思考並提供給我約60%不需要修改的內容。我較難以記得的語氣風格或缺了什麼需要補充，再之後的對話加入，就可以生成出約65%不需要修改的內容。 當然我詢問的問題與需要都是人工智慧聊天機器人內部資料庫都有的，只是它要寫出來的語氣和內容來說，確實比chatGPT好很多，不會有那種需要大幅修改內容和語氣的結果。所以，AI跨領域人才該學什麼？ 你如果學的是這類幫助你提升效率的做法，那其實不用一年的時間。但如果你是為了就業，要能不被人工智慧所取代，那你就要學人工智慧做不到的或者現在做不到的。 實際操作，繼續操作，練習練習再練習 即使是線上課程，我也是要讓你實際操作，而不是看影片就完事，或者實際操作幾次就當作自己會了。很多技能訓練看起來好像學一次就學會...

每當我們看到從消費者物價指數計算出來的年增率數字時，很多人總會覺得明明台灣的通貨膨脹率看起來不高，怎麼生活這麼苦？！我們不得不說到數字給人的錯覺。 1. 為什麼要用比率 原本我們將數字轉換成比率的目的是為了比較用。例如兩個不同單位的指標要做比較，那就數字轉換成比率，方便比較。特別是不同地區或國家之間的相同計算方式的指標要進行相比較時，比率的比較是最為方便且直接的。 但是如果要指標的前後期比較呢？這又是不同的故事了。 如果按照我們對消費者物價指數年增率的計算方式，其實並不適合做前後期比較，因為比較基準，也就是分母的地方，是不相同的。 例如，2023年3月的物價指數是104.32，年增率是與去年同期的101.92為基準下計算出2.355%。4月的物價指數是105.11，年增率是與去年同期的102.70為基準下計算出2.347%。如果你拿這兩個年增率進行比較，其實是不合理的，同時也不能反映物價指數是增加的情況。下方直條圖是消費者物價指數，看左邊縱軸。橘線是消費者物價指數年增率，其實只有兩點，線沒任何意義，看右邊縱軸。以直條高度和折線方向來看，兩個指標其實是不同方向的。 但如果我們只將消費者物價指數從3月到4月計算比率(稱為月增率)，也同樣不能前後相比，因為計算的基準不同。所以，如何計算出真正可以讓指標進行前後比較的方式是很重要的。但目前來看並沒有真正可以提供我們進行前後比較的計算方式。 2. 兩者關係難判 如果我們將消費者物價指數和年增率形成數對後，對其建立精準的關聯模型，又會告訴我們什麼事情呢？ 在此之前，我們得先思考，誰要當自變數。如果我們想要知道當年增率增減對物價指數影響，那麼年增率就是自變數。反之，如果我們想知道物價指數增減對年增率影響，那麼就要將物價指數當自變數。 而我們想知道的是：年增率變化從某個數字增減，那麼物價指數會怎麼變化。所以設定年增率為自變數。 這種設置 - 數學所學的X與Y可以互換，並且獲得很棒的截距和斜率關係 - 不能適用真實的數字世界。真正去試過後就會發現，數字得到的結果並不能畫上等號。  由於設定2%為閥值，所以在2%位置加上紅色垂直線。從上圖中，可以發現最左邊的關聯線市正斜率，以及通過2%的關聯線也是正斜率。後者是平均每增加1%年增率，就會增加約27.65點的消費者物價指數。 2024年11月的年增率是2.082%，12月是2.10...

簡單點的數據驅動數學建模，通常以迴歸直線模型為主。有些人認為一切的變量經過轉換都能用直線解釋。但遇到大數據和人工智慧(Artificial intelligence)時，兩者都以數據驅動為主，對數據的精準是要還原回數據本身。這就是為什麼他們只考慮直線模型或者如可以降為到以線性代數的直線模型這類的數學。我們以為他們的模型很多樣(variety)，但實際上在大模型的形態下就已經限制並拒絕了「模型選擇」這條路線。

  CER是一種讓學習者提出主張(Claim)、找證據(Evidence)支持主張，再用推理(Reasoning賦予證據意義學習方法。另外還有CAER的方式在其中加了論點(Arguement)。 雖說看似這種方式與人工智慧的功能略有不同，其實就是我在將數據套入模型測試可不可行的意思。即使不可行，那也要找理由將數據進行轉換變成可行。 這在人工智慧上是非常悲哀的方式，卻是現在主流模型的做法。 人工智慧的底層思維就是這樣。 人工智慧在做數據的執行、運算、判斷，因為基於機器學習系列方法，「訓練」樣本就是將數據套入模型。那麼我們就要了解為什麼會需要「訓練」？因為前提是你心中有個模板。你希望數據如模板一樣，所以要一直訓練、一直訓練。 看看那些訓犬師，是不是對狗有個模板，希望狗乖巧，聽得懂一些口令等。這就是CER當中的主張。 主張 = 心中有既定模板 = 既定程序流程 與條件 = 模型 偏偏人工智慧真是人工智慧的話，那它就應該會自己查找。這是它原本設計精神所在。因為程式在被編寫的過程中可以加入自查模式。但什麼是自查？原本的自查是種在已經寫好的程序中，讓程式自己查找看有沒有在運行過程中發生bug。當bug發生時，可以自檢自修，或者繞過。自查的過程中，其實人工智慧的程序流程也是有模式在。你也可以視為這是種主張，還是被寫死的主張。 CER當中的主張就是我們預設的模型，也就是你早有模板在那。 接下來證據就是數據，如果數據套入預設模型，結果不理想，那就「訓練」。訓練就是推理。經由推理讓數據開始扭曲，也就是轉換數據。轉換要合理有據，對！所以是由推理當中去給予合理的意義，或者數學意義。讓一切都合情合理。 你說這樣做對嗎？當我們察知人工智慧該有的底層邏輯一開始就被掌控住，並且算法可能充滿各種的虛假和政治時，這樣的人工智慧又與日常社交有關。你認為會發生什麼事情？ 在還沒有人工智慧宣告成功出世前，社會已經走向M化或者過度消費未來的情況，人工智慧到底是在服務誰？這才是核心問題。 如果真如科學程序，那麼「讓數據自己說話」就不會是將數據套入模型，求參數。而會是讓數據自己選擇模型或模式，能夠被完全驗證，過程能夠清楚被人類知道，一切都是透明的。高階的學術人員是能夠驗證它的一步步程序。 就像工程師測試人工智慧時，用UI介面與它對話，並認為它有情感。但那是它真有情感，還是導入的數據經過拼接後，讓它成為智者...

1. AI技術開發職能 專注於AI核心技術的設計與實現，適合有技術背景並熱衷於編程與技術開發的從業者。 技能需求： 編程基礎（Python、C++、R等） 機器學習/深度學習算法（如隨機森林、卷積神經網絡） AI框架（TensorFlow、PyTorch等） 數據預處理與特徵提取（不含完整分析與建模結果） 應用場景： 訓練模型進行語音識別或文本分類 開發特定場景AI算法（如自動駕駛決策模組） 2. AI應用工具職能 聚焦於利用AI識別或數學AI的應用工具完成特定任務，適合非技術背景或希望快速應用AI技術的人員。 技能需求： 操作常見AI工具（如OCR、圖像識別工具、MathAI建模軟體） 理解工具輸出的結構化數據 配合業務需求進行結果整合 能夠驗證AI結果 應用場景： 使用AI工具進行用戶行為識別 自動化流程（如智能客服中的問題分配） 為時間序列資料建構精準趨勢獲得更多關鍵資訊 3. AI硬體整合職能 專注於AI硬體設備的設計與運行，涉及硬體與AI算法的結合。 技能需求： 熟悉硬體開發流程（如芯片設計、邏輯設計） 瞭解嵌入式系統與AI的協同 操作邊緣計算相關技術 應用場景： 設計AI處理器（如TPU） 開發智能裝置（如工業機器人中的感測器模組） 4. AI理論與算法研究 聚焦於AI基礎理論和算法創新，適合學術研究者或高端技術人員。 技能需求： 深入理解AI數學基礎（如線性代數、概率論、迴歸分析、建模） 研究算法優化（如神經網絡結構調整、直接數據精準建模） 模型性能改進與理論驗證 (人類不能複製並驗證的AI理論與算法不算其中) 數據驅動結果能呈現數學式以供人類驗證 應用場景： 開發新型算法以提升AI效率 進行AI系統的理論驗證與學術推廣 內容來自chatGPT改寫與個人補充人工智慧並無納入的核心底層理論技術

 一般情況下，我們都會相信官方發布的財經數據，並參考數據以供決策使用。不過，你相信官方在發布後就不更改數據的話，很可能為你的決策帶來一連串的影響，或是造成投資損失。 以美國勞工統計局公布的非農商業部門實質時薪指數來說，這是判斷美國就業市場上工資率的一種參考指標。如果工資率往上走，代表以下幾種市場狀態： 勞動需求增加，同時供給不變 勞動需求增加且供給減少 勞動需求增加速度超過供給增加速度 勞動需求不變，同時供給減少 勞動需求增加且供給減少 勞動需求減少速度低於供給減少速度 當美國2024年第二季(4月)公布數據後，AI數據分析運算得到淺藍色的趨勢線是從2023年第二季到2024年第二季，呈現極平緩的下降趨勢。這樣的下降趨勢代表實質薪資變化不大，但仍在下降中，也就是工資率在下降。 工資率下降的好處是企業的人力成本可以舒緩，但勞動者就業後能得到的工資率會低，代表工資收入相對減少。同時工資率下降，可以看到勞動市場的供給量和需求量的變化情況。而其他的指標，如職缺人數、失業率等，我們可以發現職缺人數在減少中，失業率在上升。那麼你認為勞動市場發生什麼事情呢？ 職缺人數正在減少，但仍有職缺，代表勞動需求仍在，只是增加的速度很低。 失業率上升，以勞動力不變下，就業人數就會減少。不過美國公布的就業人數是增加的。所以勞動供給是增加的。 那麼，需求在增加，供給也在增加，實質時薪在微幅下降，只可能是供給增加的速度超過需求增加速度，所以實質時薪才會微幅下降。 但是，當我們取得2024年第三季(7月)數據時，同樣使用AI數據分析運算後得到淺藍色趨勢線是上升趨勢，並且極其精準的上升趨勢線。有意思的是趨勢的起始點沒有改變。那麼，倒底發生什麼事情呢？怎麼會因為增加一筆數據就造成這樣的結果呢？ 這時候我們就得回去看原始數據倒底怎麼了！下方的兩張圖是原始數據圖，工作表命名代表取得數據的當季。你可以看到從第22筆數據的數據就發生改變了。      一路地到2024年第二季的數據全都調整了。但是他們調整數值仍可維持在相同的趨勢轉折點，請看圖例就能知道趨勢轉折的起始點沒有改變。如此側面證實美國在調整數據上很有能力，保證某些關鍵資訊是可以維持正確。但是，我們若在之前相信了趨勢變化(即斜率值)，那就糟糕了！ 讓我們看到從第41筆到第46筆數據位置。第41筆數據就開始產生很明顯的...

 美國大選前最後一個失業率數據(10月)是3.9%，與上個月相同。6到8月的失業率則在4%以上。即使如此，未經季節調整的失業率反映季節性影響也能進行AI數據分析。在7月數據分析後，10月數據才又更新數據分析結果。 我們可以發現美國失業率的最右邊淺灰線趨勢線並沒有改變起始年月，仍是2024年3月，並且整體趨勢結構也沒有發生變化。這代表美國聯邦政府在失業率上的施政並沒有干預過多，而是市場經濟的逐漸調整。 在加入8、9、10月數據後，淺灰線的趨勢從7月數據結果的平均每月增長0.20%，降到平均每月增長0.05%。此時，我們就能看到拜登政府在接近總統大選前為了維持失業率所做的努力。也就是說，當拜登無法連任時，民主黨希望維持的是經濟穩定。為了爭取勞動階層的支持，失業率維持住一定數字是非常必要的。 如果你有學習AI數據分析與統計學的迴歸分析，那麼你將在軟體運算的結果中看到殘差圖所顯示這樣的施政目的為失業率帶來多高的風險。因為當人為干預市場時，就會為市場帶來反向拉扯，造成風險上升。 整體來說，這張失業率趨勢圖代表拜登執政下美國失業率反映出逐漸脫離新冠疫情影響的經濟復甦與回到常態化的經濟過程。接下來換人執政，能不能在此基礎上持續表現在4.5%以下的水準，我們拭目以待。 7月數據： https://www.facebook.com/share/2bx7NGiTw2AcxnRw/

 如果沒有AI數據分析的軟體，數據分析也無法找到美國個人消費支出物價指數年增率(美國長期通貨膨脹目標的指標)追蹤趨勢發現的情況。 第一點，通貨膨脹不再是美國2024年的威脅 2024年1月是趨勢開始，見最右邊的粉色線。符合我們持續在今年年初一直說的美國通貨膨脹不再是威脅。所以後續第二季的通貨膨脹新聞都是為了幫助美國2024總統大選推升股市的重要情緒推動因素(恐慌)。 第二點，長期追蹤才能明顯看到政策實施影響趨勢結構改變 8月和9月數據是相同的趨勢結構，但不同於7月數據的趨勢結構。這代表美國在政策影響通貨膨脹相關指標上，特別是個人消費支出物價指數年增率趨勢上有很明顯的影響。也就是美國聯準會是真的看著這個指標在做事情。它在調節這個指標，使其政策目標達標。 第三點，9月PCE物價指數年增率讓2024年迄今的平均下降速度增快 9月數據對粉色線造成的平均下降影響遠超過8月數據。9月數據帶來了平均每月下降0.067%，8月數據則帶來了平均每月下降0.055%。這表示當我們加入9月數據進行運算後，對粉色趨勢線帶來更快的下降速度。也就是9月數據是更加往下走的數值。注意的是，這邊我們不提供是否9月數據會成為新趨勢開始的檢測結果。 原值、邊際、平均觀念 如果你有點不能理解為什麼一個9月數據能夠讓2024年1月到9月期間的個人消費支出物價指數年增率下降更快，這是一個平均的概念。 將9月數據視為原數值，我們可以將8月和9月數據相減得到「邊際」(Margin)。所以9月數據減掉8月數據是負值，代表9月數據小於8月數據。因此，當我們加入9月數據後，整體平均值會下降。 從簡單的算數平均數計算公式來看，我要將前8個數字相加後，除以8，得到1到8月的平均值。然後再將9月的數字加入，重新使用算術平均數公式計算：9個數字相加後，除以9，得到1到9月的平均值。 所以，我們同樣可以從平均值計算中得到，如果1到9月的平均值比1到8月平均值還來得小，這代表9月的數字是低於1到8月的平均值，才會在除以9時拉低數字。 這個概念在經濟學原理的邊際產量、平均產量，以及原產量之間的關係。 小結 對於能夠擁有AI數據分析的軟體，輔助我們在數據分析時能夠解除分析人員對數據的認定問題，並且讓人工智慧在其中產生作用取代分析人員事前的數據認定。這帶來了很大的數據分析優勢，提取出更多的關鍵數據資訊，以供決策或了解現況與未來。...

 2024年10月24日的新 聞報導 中提到全美不動產經紀人協會(NAR)在10月23日公布了2024年9月全美 成屋 ( EXISTING HOME ) 房價中位數為404,500美元、較2023年9月(392,700美元)上漲3.0%，並且連續第15個月的正年增率。這是不動產經紀人協會的統計數據，而美國人口普查局的每月 新屋 ( New Houses ) 中位數售價在9月是426,300美元，年增0.047%，月增3.748%。 對此，我們想知道美國房屋價格趨勢變化，選擇人口普查局所公布的每月新屋中位數售價數據，並進行AI數據分析，獲得從2018年1月到2024年9月數據期間內的精準趨勢線(多條)，其中藍點代表原始值，紅點帶線為估計值。 資料來源：美國FRED 我們觀察藍點特徵是以比較高低方式發現，最高價位發生在2022年10月的460,300美元，此時正是2022年8月到2023年1月的下降趨勢線，也是經歷五條上升趨勢後，開始的第一條下降趨勢線。 從2022年8月開始的第一條下降趨勢線開始起算，往右的下降趨勢線起始年月分別為2023年2月、2023年7月，以及最新(最右邊)的趨勢線是2024年1月開始。 最右邊的趨勢線和藍點之間出現了藍點多落在線的上下附近。對照中位數價位就可了解這是高檔價位的震盪，並且有微幅地下降特徵。因此，如本文章的標題加上趨勢圖的表現可以說，美國新屋中位數價格其實已經高檔回落，但回落幅度很小，甚至有週期性的特徵，也就是年初與年中的價位高低，造成趨勢轉折。

美國碳化矽（SiC）半導體製造商Wolfspeed在2024年10月25日的 新聞報導 中傳出因財報不佳，可能面臨破產危機，並且分析師認為歐美電動車市場需求沒有提升，無法解決SiC出貨的供過於求現象，Sic將在一年內進行大規模裁員。 台灣的 新聞 在2024年8月23日曾報導美國碳化矽（SiC）的Wolfspeed公布營運持續虧損，只是公司預估來自電動車的需求將成長，並可望在改善快速充電樁、軌道列車、再生能源系統和AI資料中心的效率，意味著需求看好。同日的大紀元新聞報導中更清楚說明Wolfspeed的經營狀況不佳，而台灣的新聞則偏向一種預期未來會看好的內容。兩者揭露的方向不同，對投資人來說影響可謂大大不同。 因此，從8月新聞到10月新聞已經反映碳化矽製造看似前景有望，其實還是得依賴電動車與相關產業需求。如果這些廠商認為現有的效率已經足夠，那麼Wolfspeed所稱的產品就未必受到青睞，反而可能要同價或更低價去與其他廠商競爭。此外，Wolfspeed 在10月15日宣布，美國商務部將根據《晶片法案》向公司提供7.5億美元資金，阿波羅、Baupost Group、Fidelity Management & Research Company和Capital Group領導的投資集團將向公司額外提供7.5億美元融資。同日股價高漲逾20%。最終，10月25日新聞揭露Wolfspeed的財務情況不如預期外，還可能發生危機。這可以說是用產業前景去換取現在的生存，一旦夢被戳破，就面臨嚴重的存活問題。 但以半導體產業來說，我們可以先了解美國工業生產指數當中半導體和其他元件的規模變化。從下圖的2018年1月到2024年8月期間，美國半導體和其他元件工業生產指數走勢是持續上升的，其中，新罐肺炎的2020年6月開始的綠色趨勢是增長速度最快的期間。對此就能發現半導體和其他元件在美國因為新冠肺炎衝擊經濟，在3月到5月之間發生居家令，經濟可以說是停頓狀態，而後雖然新冠肺炎並未消失，持續消耗資源，但經濟已經開始復甦，重新走向回歸常態的路線。 這經濟復甦過程中，當然是復甦之初是需要很大的動力，其實也是我們說的「危機中的轉機」。因為新冠肺炎衝擊下，各行各業都停頓下來，誰先復甦，先行生產就能提前佔領市場。另外，新冠肺炎事件也讓各國發現全球的專業化生產在經濟衝擊來到時，未必是件好事。於是，我們看到...

美國從新冠肺炎時期以來，聯邦政府經常性支出中的利息支出始終無法下來。從2020年第二季開始的1286.97億美元到2024年第二季的2741.98億美元，單就這兩個數字來看，就會發現這幾乎是超過兩倍的支出。那麼隨著時間的發展來看呢，趨勢變化又是如何？ 資料來源：聯邦政府經常性支出：利息支付 https://fred.stlouisfed.org/series/NA000308Q 從最右邊的最新趨勢來看，這是從2022年第二季到2024年第二季所發生的趨勢線，經歷了9季，平均而言每季增加129.5013億美元，這是從2000年第一季以來增長最快的趨勢期間，也是最新趨勢期間。 往過去看，2020年第四季到2022年第一季，歷經6季，平均每季增加61.6729億美元的利息支出。兩條趨勢線的期間幾乎涵蓋新冠肺炎時期(從2020年3月開始計算)。可見新冠肺炎對經濟衝擊下聯邦政府的經常性支出中的利息支出是以驚人的速度在增長，並持續創新高，並沒有因為新冠疫情退燒而增速減緩或下降。另外，美國在此期間聯邦政府遭遇數次的財政懸崖問題，雖然與國會協商提高國債金額上限方式度過難關，但財政赤字始終沒有辦法有效解決，並較過去愈發嚴重。即使美國財政部認為財政赤字愈發嚴重的原因是利率上漲和增加債務融資所造成，事實上，美國聯邦政府並沒有心在改善赤字上，反倒放任使用協商方式提高債務融資方式解決短期政府不關門的問題，無怪乎 2024年10月新聞報導 中指出美國國債的利息成本增加 29% 至 1.133 兆美元。 有意思的是，在美國聯邦政府的收支表中，我們所看到的2024年第二季利息支出金額並沒有到一兆美元，而是2千多億美元。此收支表中的利息支出包含對個人和企業，以及對其他國家地區的利息金額。或許是兩者的計量方式所導致金額上的差異， 圖片來源：https://fred.stlouisfed.org/series/A180RC1Q027SBEA 從另一個利息支出指標記錄來看，2024年第二季則有1兆3千多億美元的利息支出金額。請注意到上圖中的是政府經常性支出，而不是聯邦政府。另外，在單位上也有差異。兩者造成了金額上的落差。 無論是聯邦政府經常性支出之利息支出或是政府經常性支出之利息支出，兩者的時間走勢都是一往直上的增加，我們並沒有看到美國政府利息支出金額有想停下來的腳步或是原地踏步的可能。而第一張圖的趨勢線...

 今年(2024)是美國總統大選的選舉年。隨著大選時間接近，美股或期貨的價格多少還是有受到人為干預。以2024年10月10日美東時間早上公佈9月份的消費者物價指數為例，新聞報導中指出「消費者物價指數年增率為2.4%，較預期的2.3%還高」。因為與預期相比，真實的消費者物價指數年增率沒有如預期，並且也沒有低於預期，因此被認定為利空消息，導致美東時間早上8點30分的那斯達克期貨價格開始震盪下跌，從20433點到8點41分的20330點。 那麼問題是消費者物價指數年增率2.4%就真的是利空消息嗎？還是那預期值本身就帶有誤導性質呢？我們得回到一開始對數值之間如何判定的方法講起。 兩點比較法和其他更高階的分析法 所謂的兩點比較法是指我們找到兩個數字進行比大小。是的。兩點比較法聽起來比較好聽，實際上就是比大小。人類從出生後就會比大小，找差異，識別就是找到差異，然後分辨清楚。這是與生俱來的本能，所以這是種基礎的分析能力。 這種方法不只在新聞上時常出現，在演算法中更是佔了很重要的程度。因為數據或資料在演算法中的排序就是種比大小的方法。也因為如此，為什麼前面所寫的消費者物價指數年增率要與預期值去做比大小就是這個道理。 那你知道預期值從何得來嗎？ 預期值一般來說可以從兩種方式得到，第一種是專家們將他們預期的數值提出來，然後經過一定的算法，就會得到一個公佈出來的預期值。這就是種「指數化」原理。像一些商業性的調查，即使是問卷方式或詢問問題方式，會有個數值或是傾向，然後集結起來，同樣也是用某種算法，得到一個公佈出來的指數或傾向(分類)。第二種方式就是照著預期公式計算出預期值。 所謂的預期也有兩個意思。第一種意思是預期未來，也就是還沒有發生的事情，你可能有所根據，或者基於你的專業或經驗，然後有所看法或認知。另一種則是基於某些事情為條件，然後預期，也就是平均的意思。 多數人並不知道預期從何而來，卻選擇信任這樣的數字或傾向或分類。這是種很危險的狀態。一般人會相信預期，通常是基於 政府背書 機構背書 權威背書 背書就會有背信。通常我們都會假設「國家或政府不會倒閉」。確實！你看冰島瀕臨破產，或斯里蘭卡政府宣布破產。同樣也有城市政府破產的案例，如伯明罕、夕張市、底特律等。至於美國會不會有政府破產呢？只能說美國可以透過國債或債務提高方式融通，從而避免破產。其實只要能提高債務，獲得融通，自然就能用時...

  比對一下台股緯創的每月營收的趨勢期間和股價期間，你發現什麼呢？ 第一張圖是AI數據分析找出來的精準趨勢線，每條趨勢線對應下方的時間產生趨勢期間 第二張是股價K線圖 參考股價大約的位置

  台股指數分析截至4月8日 因為 MathAI 找出4月1日是新趨勢開始，但想成為一條趨勢線至少10個交易日，所以重新整理後得到綠線的斜率與深藍線的斜率

 

  高中生或高職生正在學習排列組合與機率等觀念，別死記硬背 學觀念勝過背公式 機率論與統計學是非常重要的課程，目前分布在國中數學、高中數學、大學的部分專業課程中，因為非常分散，讓學習者很難理解與學習。 在2020年，我們就已經公開高中數學的 1. 組合方法 2. 集合論 3. 排列 4. 二項式公式 5. 巴斯卡三角形 6. 機率 的教學內容，同時也有題目帶領同學們學會這一部分的內容。 趕緊上粉絲專頁學習吧 facebook.com/prsim…