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。

當我們想知道資料特性或規律性時，傳統做法是根據統計學概念，認為資料=樣本，必然帶有母體特性。藉由資料找到母體參數即可確認母體特性，從而知道資料特性或規律性為何。 然而，受限在使用資料找到的母體參數卻是有限，例如，一定要找到一、二階動差，即平均數與變異數，如此就能配合樣本數找到極限分配，知道母體特性。在大數法則下，無論是p.或a.s.，都趨近為常態分配。 問題是多少資料點才能算大數？ 這如同我們在問大數據多少才算？ 如果4,000筆已經達到，那何必4,000,000,000筆資料。 這想法並非正確！ 因為每筆資料都有存在的意義，而且，大數據資料下，未必真成為常態分配或極限常態分配。 這點更明顯地顯示在時間序列資料，因為這種資料會破壞迴歸分析的三個基本假設： 常態分配 齊質變異數 兩兩無線性相關 為了解決這些問題，特別是像變數之走勢，無法用線性模式去估計的序列資料，計量經濟學發展出多種的檢定公式，檢定上面的三個基本假設，並且希望更能準確地找出資料問題，試圖解決。 縱使如此，我們卻發現 分配的檢定方法無法控制誤差，資料的殘差幾乎可以滿足常態分配 變異數的齊一性建立在線性迴歸上，誰能保證資料一定是線性，特別是工業工程。若是用非線性迴歸模型，或許變異數就齊質了。 架構在線性迴歸模型上，序列相關運用差分方式，試圖找出差分到幾階才能踢除序列相關。可是，差分後的資料，部分特性將會消失。 更有趣的是，Silverman (1985) 提出無母數版本的曲線配適法，觀察範例後可以發現其轉折點不能超過兩點，也可以從他的數學式看出，僅有二階微分。 Motulsky and Ransnas (1987) 則是提到需要資料點來自於常態分配(進入迴圈：如何確定資料點滿足常態分配)，以及非線性迴歸模型很容易經過多次的電腦運算後配適得到(問題：怎麼進行誤差控制？多次的運算需要多少次？)。 無論如何，使用曲線化線性模型或曲線配適法都是比線性迴歸模型來得好，特別是現在的經濟環境在科技進步到一定的程度後，必須提高精準度，才能夠突破現況。這不是工業4.0(要求精密)、金融3.0(要求跨平台與安全)，而是分析技術的創新與提升。 於是，我們需要更新兩個思維： 第一、一般而言，我們認為線性之外就是屬於變異(波動)。 圖片來源:http://stats.stackexchange.com/questions/1910...

2010年David Merkel在網路上寫了一篇文章「 Do Investors Prefer Negative Skewness? 」。他從經濟學的代理人問題模型與黑天鵝理論，提出投資人是偏好「負向偏態」(Negative skewedness)。在其中的一段文字敘述當中， It can be extremely difficult to ascertain the true distribution of an extremely negatively skewed bet from historical data. A long run without an observed loss makes us less confident about any initial negative thesis. This is also the primary explanation for why we prefer longshots in horse races or play the lottery. Merkel更從道德風險角度說明 the Great Moderation has been characterised by a Fed that is willing to cut interest rates at the smallest hint of trouble, even in situations where systemic risk was far from severe. 所以，Merkel認為 The moral hazard subsidy, the principal-agent problem and investor “irrationality” each incentivise economic actors to take on considerably negatively skewed bets. 以及 Assessing the relative contributions of each from historical market data is extremely difficult given that there is no plausible way to separate the e...

我國汽油的訂價策略是根據每週原油價格加權指數的變化，此指數包括70%的杜拜原油與30%的布蘭特原油。 若不考慮原油價格，純粹就95汽油的訂價來看，從CMoney資料庫內，選擇自2000年1月3日到2015年12月31日的日資料視為母體資料，進行強大數法則(SLLN)規則控制誤差，由資料展現出分配函數。 95油價機率函數 上圖的第一圖為機率密度函數，第二圖則為累積機率密度函數。其中，最低的95油價為15.6655元，而最貴的95油價為33.7745元 由於我國對汽油價格嚴格管制，2008年中華民國消費者文教基金會針對我國油價不透明的浮動油價機制提出質疑。可到了 2012 年，中油說明虧損嚴重的原因之一就是國際油價上漲與政府管制所致。另外，曾志超( 2011 )提到台灣油價未完全反映成本，凍漲反而造成成本分攤不均問題。特別是在春節前後，政府為了討好選民就會運用油價凍漲的政策( 2014 , 2015 )。 眾多的新聞內容再再說明我國對汽油價格的嚴格管制，然而，上述所言之新聞並沒有辦法提出有效的證據來證實我國對汽油價格管制之嚴格程度。因此，上圖可發現，我國95油價會有特別常出現的油價，28.1325元。有多常出現呢？圖形顯示45.9159%的經常性出現28.1325元價位。 你可能懷疑，45.9159%，這樣的出現機率算是很高嗎？ 布蘭特原油現貨價機率函數 看看，上圖的布蘭特原油價格的機率密度函數，最常出現價位的機率也僅有2.9996%而已。這也難怪我國國民對於油價訂價公式的不理解。因為95油價的機率密度函數最常出現價位之機率太高了，若真的是依照浮動油價公式定價，那麼在公告前一定還會有微調，使得95油價常可維持在同一個價位。當然這也有可能是因為遠期期貨契約的因素所致。 透過大數據分析，可以很明顯地看出我國95油價的特性。 詳情可參考 李玫郁 、李堯賢、林哲揚，2016，「國際油價與中油油品價格之大數據特徵分析」，台灣銀行季刊，67(2)，53-78.

絕對利益與比較利益觀念在台灣已經深耕到國小的課本上，連段考或測驗也都出現。不過， 貿易戰爭 這部影片倒是提供了絕對利益與比較利益的歷史基礎。 在這樣的歷史背景、重商主義與貿易限制的做法後，英國的工業革命帶來了巨量的產能，同時也產生了供給過剩，在這樣的時代背景下，亞當斯密提出絕對利益觀念。 自由貿易是亞當斯密的主要思想論點，而絕對利益是他的理論與實務證據。他認為在各國給定的資源用盡後，所能生產的最大產量下，兩商品產量比較，決定由哪國生產並出口。 簡單來說就是，資源全數使用在特定的商品，生產出的最大產量後，進行跨國比較，誰生產得多，誰就可以生產並出口該項商品。 A欄為國家別，B欄為商品X，C欄為商品Y。給定本國的資源有9工時，外國資源有3工時。 將工時轉換成商品產量後，本國的資源全數用於商品X，可生產出1單位商品X；若將資源全數用於商品Y，則可生產1.13單位商品Y。同樣地，外國資源全數用於商品X，可生產出1.5單位商品X；若將資源全數用於商品Y，可生產出1單位商品Y。 由B欄商品X，進行跨國比較，可以得到本國的1單位 < 外國的1.5單位，所以，外國在商品X生產上具有絕對利益。 由C欄商品Y，進行跨國比較，可以得到本國的1.13單位 > 外國的1單位，所以，本國在商品Y生產上具有絕對利益。 這時候，兩國生產不同商品，進行交易，皆有所獲益。但是，事無絕對！ 如果，本國的資源就是相對外國豐富，即使本國生產每種商品都需要耗費相對多的工時，本國仍然在兩種商品的產量上比外國還要來得多。 根據亞當斯密的絕對利益原則，這時候，兩種商品都是本國生產並出口，對外國來說，一點好處都沒有。也就是說，外國沒有任何收入可言，如何能夠購買本國的兩種商品呢？這時候，並不會有任何交易發生！ 事實上，本國與外國還是進行交易，這是為什麼呢？ 於是，李嘉圖觀察後，提出另一種看法。他認為不要直接用特定商品種類為基礎，直接進行產量的跨國比較，而該採取兩階段的做法。 所謂兩階段是指 在國內進行不同商品的產量比較 亞當斯密的產量比較，改為同一商品數量下，放棄的另一商品數量進行比較 所謂第一階段的國內不同商品產量比較是指 所有資源使用在商品X上，本國可生產出4單位；使用在商品Y上，本國可生產出4.5單位。所以，本國若選擇生產4單位商品X，就要放棄生產4.5單位商品Y。換言之，本國若生產1單位商品X，就要...

【情境】 過去醫療服務市場上，醫師需要等待護士將紙本病歷拿來後，方能記錄，後來健保制度開始，採行電腦連線，以及中華電信鋪設網路纜線的頻寬足夠後，讓醫師不需要時間等待，改變了醫療服務市場的經營模式。而網路的技術帶來了時間節省，可以讓醫師服務更多病患。 我們在A欄設定可能之價格(掛號費)，由150元至600元。 假設醫師懸壺濟世，即使沒有任何價格下，仍願意進行3單位的醫療服務。如果能夠節省時間下來，那麼更願意進行7單位的醫療服務。當然，如果可以收費，那麼更願意多提供醫療服務單位數。於是，我們假設價格多1元，醫師都願意額外提供0.01單位的醫療服務。 B欄設定為沒有網路技術時的醫療服務供給量，C欄則設定為有網路技術時的醫療服務供給量。根據供給量的定義，給予方程式 供給量 = a + b * 價格 進行計算，可得到B與C欄的供給量數字。接著，我們在繪製出圖形，就可發現 當網路技術引入醫療服務後，節省護士尋找紙本病歷的時間，病患只要進入診療室內，取出健保卡給醫師，醫師即可讀取到病患過去的醫療狀況，同時也可以形成電子病歷，加速縮短診療確診所需時間，讓醫師可以提供更多醫療服務。 所以，在圖形上就呈現出供給增加的結果。 另外，會影響醫療服務供給的因素，除了技術進步外，還有衛材價格下降、其他項目獲得健保補助金額下降、預期未來醫療服務會被管制更為嚴苛等都會讓醫療服務供給增加。