What's new about generative AI in a business context?
过去八年，我一直在研究人工智能，学习在商业中构建和应用人工智能解决方案的来龙去脉。在犯了无数错误之后，我创建了自己的构建和应用该技术的方法。这一切都很好，直到 2022 年秋天，ChatGPT 发布，生成式人工智能的实用性和采用率突然上升。对于我的咨询公司 TodAI 来说，这意味着很多涉及生成式人工智能的新项目和大量的学习。在完成了几个项目之后，我发现了生成式模型在应用于商业时与其他人工智能明显不同的地方。有些很小，有些则非常重要。这些新的生成式人工智能模型如何改变应用人工智能的游戏规则？术语如果我们区分生成式人工智能和预测式人工智能，讨论这些变化会更容易。生成式人工智能是指大型预训练模型，
Paul Davidson (23 October 1930 - 20 June 2024)
概述保罗·戴维森认真对待凯恩斯的《就业、利息和货币通论》。主流教科书的解读遗漏了重要观点。凯恩斯的书是关于理论的，而不是主要关于（短期？）财政或货币政策。凯恩斯没有解释由不完善或粘性或刚性货币工资或价格导致的持续失业。一般理论比马歇尔等处理的特殊情况公理要少。戴维森明确指出了凯恩斯放宽或拒绝的三个公理：货币中性。对凯恩斯来说，货币在所有运行中都是非中性的。总替代。货币没有替代品；它不能由劳动生产。遍历性。经济学中的重要时间序列可以是非遍历的。数值概率不一定能分配给所有可能的结果。有些甚至可能不知道。戴维森追随温特劳布，从凯恩斯式的总供给和总需求模型中获取整体经济活动。这既不是萨缪尔森教科书中的
分数阶 SDE-Net：具有长期记忆的时间序列数据生成作者：Kohei Hayashi；Kei Nakagawa摘要：本文重点介绍使用神经网络生成时间序列数据。通常情况下，输入的时间序列数据（尤其是来自真实金融市场的数据）是不规则采样的，其噪声结构比 i.i.d. 类型更复杂。为了生成具有这种特性的时间序列，我们提出了 fSDE-Net：神经分数阶随机微分方程网络。它通过使用 Hurst 指数大于一半的分数布朗运动来推广神经 SDE 模型，从而表现出长期记忆特性。我们推导了 fSDE-Net 的求解器，并从理论上分析了 fSDE-Net 解的存在性和唯一性。我们的实验表明，fSDE-Net 模
Machine Learning and Central Banking
当然，机器学习 (ML) 现在无处不在。几十年来，时间序列分析视角一直与 ML 相匹配（简约预测模型允许错误指定；样本外评估；集合平均等），因此即使存在许多差异，也存在许多重叠领域。有趣的是，ML 在中央银行环境中变得特别有用。例如，费城联邦储备银行现在明确招募和聘用“机器学习经济学家”。目前他们有三个，他们正在寻找第四个！在这方面，特别有趣的是，《计量经济学杂志》正在征集关于“经济政策机器学习”的特别专题论文，客座编辑来自各种领先的中央银行和大学。请参阅 https://www.bankofengland.co.uk/events/2022/october/call-for-papers-m
泰德是 20 世纪最伟大的统计学家/计量经济学家之一。我感觉和他很亲近，因为我以前的宾夕法尼亚大学同事 Larry Klein 曾在 20 世纪 40 年代与他在考尔斯学院密切合作，另一位前同事 Bobby Mariano 在 1970 年左右来到宾夕法尼亚大学之前曾是他在斯坦福大学的学生。我记得他在职业生涯后期在宾夕法尼亚大学举办过一次关于单位移动平均根的研讨会。他开始得非常慢，例如定义“时间序列”和“协方差平稳性”之类的东西。有些人翻白眼。十分钟后，他已经远远超越了界限。没有人翻白眼。事实上，人们都惊呆了。当我在 20 世纪 90 年代访问斯坦福大学参加研讨会时，他为我铺上了红地毯。他为我
到目前为止，我从未成为弱 ID 文献的忠实粉丝。我一直觉得，如果你最终得到弱 ID，那么是时候更深入地思考底层经济学，而不是花哨的计量经济学了。但这篇文章让我大开眼界，改变了我的想法。太酷了。长期记忆的弱识别及其对推理的影响作者：Jia Li（新加坡管理大学）；Peter C. B. Phillips（考尔斯基金会、耶鲁大学、奥克兰大学、新加坡管理大学、南安普顿大学）；Shuping Shi（麦考瑞大学）；Jun Yu（新加坡管理大学）摘要：本文探讨了常用的经济和金融时间序列模型中出现的弱识别问题。两种非常流行的配置被证明是渐近观察等效的：一种具有长期记忆和弱自回归动态，另一种具有反持续冲击和
很棒的东西，即将在 JBES（2022 年）上发表。时间序列方法对网络演化的研究：预测和估计 ANNA BYKHOVSKAYA 摘要。本文分析了非负多元时间序列，我们将其解释为加权网络。我们引入了一个模型，其中时间序列的每个坐标代表时间上的给定边。与网络的大小相比，时间段的数量被视为很大。该模型指定了加权网络的时间演化，该网络将经典自回归与非负性、消失的正概率以及过程中分配给边的权重之间的同伴效应相互作用相结合。主要结果为网络演化过程的平稳性与爆发性提供了标准，并提供了估计模型参数和预测其未来值的技术。https://abykhovskaya.files.wordpress.com/2021/
我们刚刚发布了一篇关于 RePEc 和 SSRN 的新工作论文，扩展了我们的结构向量自回归方法，用于估计整个经济的反弹效应，并将其应用于几个欧洲国家和美国。我与哥廷根大学的 Anne Berner、哈瑟尔特大学的 Stephan Bruns 和比萨圣安娜高等研究院的 Alessio Moneta 共同撰写了这篇论文。我们开发了这种方法，作为澳大利亚研究委员会资助的 DP16 能源效率项目的一部分。这是一个多元时间序列模型，使用时间序列来表示能源使用、GDP 和能源价格。该模型使我们能够控制 GDP 和能源价格的冲击，但可以模拟这些变量对能源效率冲击的响应。我们估计了能源效率冲击对能源使用的影响
Fifth Francqui Lecture: Econometric Modeling of Climate Change
我的第五次也是最后一次关于气候变化计量经济学建模的 Francqui 讲座的视频现已发布在 Youtube 上：讲座首先介绍了全球气候变化问题。地球能量平衡的第一张图片来自 IPCC 评估报告。可能是第四次评估报告。全球温度图是伯克利地球陆地和海洋系列的综合图。二氧化碳浓度图基于我们在计量经济学杂志论文中使用的数据，该数据更新了夏威夷的最新观测结果。全球二氧化碳排放系列的原始来源是现已停用的 CDIAC 网站，该网站根据 BP 世界能源统计评论进行了更新。接下来是 IPCC 第五次评估报告中的三张图表。世界二氧化硫排放量来自 CEDS 数据站点。下一节 - “为什么要使用计量经济学” - 以经
The Fed's new monetary policy framework
美联储备受期待的新货币政策框架现已公布。美联储主席杰罗姆·鲍威尔上周在杰克逊霍尔概述了该政策框架；您可以在此处查看他的演讲。总体而言，我认为鲍威尔的演讲非常出色。虽然还有改进空间，但我认为新框架是朝着正确方向迈出的一步（乔治·塞尔金在此处提供了很好的批评）。鲍威尔的演讲中有三点让我印象深刻。我将在下面讨论这些内容。短缺与偏差在 22:30 时，鲍威尔报告了货币政策声明中可能最实质性的变化。在这里，他表示，FOMC 现在将把重要的宏观经济时间序列（如 GDP 和失业率）解释为表现出“短缺”而不是“偏离”某个理想或“最大”水平（一个令人沮丧的模糊概念）。这种转变的实际效果是消除（或使）FOMC成员
Deep attractors: Where deep learning meets chaos
在非线性动力学中，当状态空间被认为是多维的，但我们所拥有的数据只是一个单变量时间序列时，人们可能会尝试通过延迟坐标嵌入重建真实空间。然而，先验地不清楚如何选择重建空间的维数和时间滞后。在这篇文章中，我们展示了如何使用自动编码器架构来解决这个问题：只需给出一系列标量的观察结果，自动编码器就会直接学习以足够的维数来表示混沌系统的吸引子。
PUBLICATION NOTICE: Bed-Load Transport Measurements on the Chippewa River Using the ISSDOTv2 Method
目的：本区域沉积物管理 (RSM) 技术说明 (TN) 提供了 2018 年春季在威斯康星州奇珀瓦河上获得的床载测量信息。ISSDOTv2 方法由美国陆军工程兵团开发(USACE)、工程研究与发展中心 (ERDC)、海岸和水利实验室 (CHL)、河流和河口工程分部。该方法使用时间序列测深数据来确定底床输送速率。当通过并发流量数据获得传输速率时，可以开发床荷额定曲线。此类评级曲线对于预测或事后预测获得数据的地点的床载沉积物输送非常有价值。这对于河流管理者制定沉积物预算和疏浚作业规划非常重要。在本研究中，美国陆军工程兵团密西西比河谷分部 (MVD)、圣保罗区 (MVP) 与美国地质调查局 (USG
Dynamic linear models with tfprobability
之前的文章介绍了 tfprobability（TensorFlow Probability 的 R 接口），重点介绍了深度神经网络的增强功能（例如，引入贝叶斯不确定性估计）以及使用汉密尔顿蒙特卡罗拟合分层模型。这次，我们将展示如何使用动态线性模型 (DLM) 拟合时间序列，从而得到后验预测以及来自卡尔曼滤波器的平滑和滤波估计。
以下是本月推荐阅读的精选：Athey, S. & G. W. Imbens，2019 年。经济学家应该了解的机器学习方法。Mimeo。Bhagwat, P. & E. Marchand，2019 年。关于适当的贝叶斯但不可接受的估计量。美国统计学家，在线。Canals, C. & A. Canals，2019 年。什么时候 n 足够大？寻找合适的样本量来估计比例。《统计计算与模拟杂志》，89，1887-1898。Cavaliere, G. & A. Rahbek，2019 年。时间序列模型中假设的引导检验入门：应用于双自回归模型。讨论文件 19-03，哥本哈根大学经济学系。Chudik, A.
最近出版的《欧洲纯粹与应用数学杂志》第 10 卷第 1 期以纪念克莱夫·格兰杰的形式出版。您可以在此处找到目录，所有文章都可以免费下载。这期纪念刊由 Jennifer Castle 和 David Hendry 共同编辑。贡献的论文包括与预测、协整、非线性时间序列和模型选择有关的论文。这是一本非常棒的重要调查类型论文集，绝对值得一读！© 2019，David E. Giles
现在到了——北美已经是劳动节周末了，我们都知道这意味着什么！又到了开学时间。你需要一份阅读清单，以下是一些建议：Frances, Ph. H. B. F.，2019 年。专业预测员和 1 月。计量经济学研究所研究论文 EI2019-25，鹿特丹伊拉斯姆斯大学。Harvey, A. & R. Ito，2019 年。当某些观测值为零时对时间序列进行建模。计量经济学杂志，正在印刷中。Leamer, E. E.，1978 年。规范搜索：使用非实验数据的临时推理。威利，纽约。（这是合法的免费下载。）MacKinnon, J. G.，2019 年。集群稳健推理如何改变应用计量经济学。工作论文 1413，皇
本月我的阅读清单与往常略有不同。我回顾了《计量经济学》和《计量经济学杂志》的往期期刊，并挑选了一些恰好发表在这些期刊 7 月期刊上的重要且有趣的论文。以下是我为您推荐的：Aigner, D.、C. A. K. Lovell 和 P. Schmidt，1977 年。《随机前沿生产函数模型的公式和估计》。《计量经济学杂志》，6，21-37。Chow, G. C.，1960 年。《两个线性回归系数集之间的相等性检验》。《计量经济学》，28，591-605。Davidson, R. 和 J. G. MacKinnon，1984 年。《logit 和 probit 模型的便捷规范检验》。计量经济学杂志，
