Standards Gap: Why Many Students Score Proficient on State Tests But Not on NAEP
本文的一个版本出现在未来的博客上。最近国家对教育进步评估的令人不安的结果的最引人注目的功能之一是，熟练熟练NAEP的学生比许多州自己的2024年标准化考试要低得多。到现在为止，您可能已经看到了结果：[…]
How to be an Effective Peer Reviewer in Economics
＆lt; p＆gt;＆lt;在接受同行评审任务之前，请先考虑＆lt;/strong＆gt;＆gt;＆lt;＆lt;＆lt; lt;＆lt; lt; lt; lt;＆lt; lt; lt; lt; lt; lt; lt;》先在接受同行评审分配之前，请考虑是否很好地匹配提交的手稿。您知道期刊及其通常发表的各种文章吗？您是否熟悉论文的文献和方法？您可以按分配的截止日期完成审核，还是需要请求额外的时间？披露任何潜在的利益冲突，例如与作者的个人或专业关系，可能会影响您的客观性。如果您必须拒绝邀请，那么建议同事的同事总是有帮助的。为此，首先要评估论文是否与期刊的目标和范围保持一致。评估本文的贡献以及值得在
One Year Inflation Expectations Upside Surprise
密歇根州 1 年预期为 4.3%，而彭博共识为 3.3%。图 1：同比 CPI 通胀（粗体黑色），一年后密歇根（红色），纽约联储（绿色），均以 % 为单位。资料来源：BLS、密歇根大学和纽约联储。预期通胀同比增加一个百分点，超过预期的两个标准差。
与预期相反，非农就业人数意外增加 256K，而彭博共识为 +164K。变化的标准差为 85K，平均值为 +186（2024 年），这意味着意外约为一个标准差。一些观察人士质疑 CES 非农就业人数衡量指标的准确性。根据初步基准，Heritage 的 […]
気候変動:死亡率シナリオの作成－気候変動の経路に応じて日本全体の将来死亡率を予測してみると…
■ 摘要 到目前为止，我们已经根据气象数据为全日本创建了气候指数。我们还通过回归分析建立了气候指数与人类死亡率之间的关系。根据获得的关系，通过限制目标区域和用于收集数据的气候模型来估算未来的死亡率。该估计基于政府间气候变化专门委员会（IPCC）在其第六次评估报告中概述的共同社会经济路径（SSP）。由此得出的结论是“气候变化加剧可能会对死亡人数产生一定影响”。此次，预报区域扩大至日本全境。此外，用于获取数据的模型扩展到五种气候模型。在此基础上，根据SSP预测了整个日本未来的死亡率。研究结果显示，“在不引入气候政策的 SSP5-8.5 路径中，2081 年至 2100 年的死亡人数将比使用气候政策
If You Thought Grocery Prices Were High, Wait for Mass Deportation
如果过去的经验可以作为参考，那么农场工人和食品加工工人的工资可能会上涨。图 1：农场工人工资，2023 年美元（蓝色，左侧对数刻度），以及外国出生的平民就业比例（棕褐色，右侧刻度），均为标准差。NBER 定义的高峰至低谷衰退日期用灰色阴影表示。i作者使用 X-13 对农场工人工资进行了季节性调整，已缩减 […]
年末ジャンボ くじ購入の配分法－２つの宝くじからどのようにポートフォリオを組成する?
今年，一年一度的年终大彩票也从11月份开始发售。上一篇专栏（筱原卓也的《年终Jumbo：今年的目标是什么——想想如何根据三大大奖购买彩票》（日产研究所研究员之眼，2024年11月19日））所以，我们根据抽奖的内容以及如何购买来考虑。其中，我们决定将两种彩票创建一个组合，并讨论如何购买``今年，让我们购买◇◇张年终巨型和△△张年终巨型迷你，并瞄准各种大奖”他表示，这是一种通过购买来充分欣赏其价值的方式。不过，并未具体提及投资组合的构成。因此，在本文中，我想考虑如何用两张彩票组成一个投资组合 - 换句话说，如何分配彩票购买。首先，“由两张彩票组成的投资组合”这个表达你可能不太熟悉。然而，即使您不将
Is capitalism making you lonely?
作者：Simas Kucinskas。他拥有经济学博士学位。他还是洪堡大学的访问学者。摘录：“我使用两个主要数据来源：为了量化资本主义，我采用了美国传统基金会的经济自由指数。这是衡量一个社会“资本主义”程度的常用指标；为了衡量孤独感，我利用了盖洛普和 Meta 在 2022 年进行的社会联系状况研究。孤独感的主要衡量标准是当被问及“总体而言，您感觉有多孤独？”时，表示感到“非常或相当孤独”的人口百分比。”数据集涵盖 133 个国家/地区”“这是 -0.57 的负相关性。经济自由和孤独感呈中度负相关。这是你预测的吗？”“一旦我看到负相关，我以为它会在分析中进行一些细微更改后消失。然而，正如我们将
Soft Computing. Volume 28, Issue 11-12, June 2024
1) 具有任意系数的梯形全模糊西尔维斯特矩阵方程作者：Ahmed Abdelaziz Elsayed、Nazihah AhmadGhassan Malkawi页数：6953 - 69672) 增强机器视觉：一种新颖的创新技术对视频问答的影响作者：Songjian Dan、Wei Feng页数：6969 - 69823) 使用多目标鲸鱼优化算法和 NSGA-II 集成资源供应管理和施工项目调度作者：Mahyar Ghoroqi、Parviz Ghoddousi……Saeed Talebi页数：6983 - 70014) 某些网络中的主导着色作者：S. Poonkuzhali、R. Jayagop
Bond risk premiums -- certainty found and lost again
这是我在 11 月初斯坦福举行的 NBER 资产定价会议上发表的一系列评论中的第二篇。会议议程在这里。我的完整幻灯片在这里。第一篇文章在这里，关于新凯恩斯主义模型我对 François Gourio 和 Phuong Ngo 的“向下名义刚性和债券溢价”进行了评论。这篇论文是关于债券溢价的。评论让我意识到我以为我理解了这个问题，现在我意识到我根本不理解。经过这么多年，理解期限溢价似乎仍然是一个富有成果的研究领域。我以为我理解了风险溢价期限溢价问题是，持有长期债券或短期债券平均赚的钱更多吗？相关的是，收益率曲线平均向上还是向下倾斜？投资者应该持有长期债券还是短期债券？1. 一开始有均值方差边界和
3 Important Considerations in DDPG Reinforcement Algorithm
照片由 Jeremy Bishop 在 Unsplash 上拍摄深度确定性策略梯度 (DDPG) 是一种用于学习连续动作的强化学习算法。您可以在 YouTube 上的以下视频中了解更多信息：https://youtu.be/4jh32CvwKYw?si=FPX38GVQ-yKESQKU以下是使用 DDPG 解决问题时必须考虑的 3 个重要事项。请注意，这不是 DDPG 的操作指南，而是内容指南，因为它只讨论了您必须研究的领域。噪声Ornstein-UhlenbeckDDPG 的原始实现/论文提到使用噪声进行探索。它还表明某一步骤的噪声取决于前一步的噪声。这种噪声的实现是 Ornstein-Uh
Portfolio optimization with US large cap equity sectors
我目前仍处于量化投资的情绪中，所以今天我将介绍我在美国大型股票板块的投资组合优化方面所做的一些工作。我这样做是为了增强我目前的 MinVar 框架，我将其用于自己的投资。快速回顾一下投资组合优化的基础知识，提前向阅读本文并哀叹我遗漏了某些内容的 PM 致歉。金融有两个主力模型；切线投资组合，将投资者置于有效前沿，风险调整后的回报（或夏普比率）最大化。或者最小方差投资组合，无论回报如何，都提供具有最低方差或标准差的资产组合的风险敞口。这些投资组合通常是在给定一组约束的情况下估计的，如下所述。假设大多数投资组合分配决策都是从这些理想模型之一开始的——您要么希望实现最佳风险调整回报，要么希望实现最低
How to Eliminate Impermanent Loss
一般而言，市场是有效的，因为日内交易很难获得高于平均水平的回报，而且大多数共同基金的表现都低于市场加权 ETF。然而，从历史上看，在各种应用中，期权数十年来一直被低估。例如，早在 20 世纪 60 年代，资产回报分布就比对数正态分布具有更厚的尾部（参见 Benoit Mandelbrot ('62) 或 Eugene Fama (' 65)）。然而，大多数期权做市商都应用了基本的 Black-Scholes 和单一波动率参数，这低估了价外期权。在一天之内，即 1987 年 10 月 19 日，股市下跌了 17%，使用 Garch 波动率估计，这是一个 7.9 标准差事件。从贝叶斯的角度来看，这
Investment Risk and Stock Prices
学者和从业者都认识到，股票投资的感知风险增加以及风险溢价的相应增加会导致股价下跌。大多数风险衡量指标都是抽象的，例如股票收益的历史标准差或 VIX 衡量的未来隐含收益波动率。我认为还有一个更基本的衡量指标具有更直观的影响，即广泛报道的股票指数大幅下跌（定义为 1% 或更高）的频率。当价格急剧下跌时，投资者不仅会亏损，而且这种下跌还会成为金融媒体的头条新闻。专家们会就下跌的原因进行权衡，并担心是否可能进一步下跌。如果多次下跌发生在很近的时间内，影响就会成倍增加。出于上述原因，我喜欢跟踪 1% 下跌的频率。例如，在 2016 年 10 月 1 日至 2017 年 9 月 30 日的一年中，只有 5
GoodAI LTM Benchmark v3 Released
GoodAI LTM 基准测试的主要目的一直是作为我们在开发能够持续和终身学习的代理方面取得进展的客观衡量标准。但是，我们也希望它对开发此类代理的任何人都有用。为了实现这一点，我们已将此版本定位为更易于理解并产生更标准化的结果，我们希望这些结果更容易进行比较和分析。从基准测试的第一个版本开始，我们就将特定的测试实例分组到数据集或任务类型中。例如，有一个名为“购物清单”的数据集，我们可以从中抽取任意数量的不同测试实例，以评估代理记住一系列物品并保留用户购物清单的更新版本的能力。在早期版本中，每个测试可能会产生任意数量的分数点，并且这些分数点未标准化。这可能导致令人困惑的情况，即通过高度复杂的测试
