XiaoMi-AI文件搜索系统
World File Search System价值函数
可违约债务、利率和经常账户
阿根廷过去 180 年的违约或重组事件。1 虽然阿根廷可能是一个极端案例，但主权违约在新兴市场中也时有发生。关于新兴市场的第二组事实与这些经济体从世界其他国家借款的利率及其经常账户的行为有关。利率和经常账户具有很强的逆周期性，并且彼此呈正相关。也就是说，与经济衰退时期相比，新兴市场在经济繁荣时期往往会借入更多资金，而且利率较低。这些特征与发达小型开放经济体的特征形成鲜明对比。在本文中，我们开发了一个小型开放经济体债务和违约的定量模型，我们用它来匹配上述事实。我们的方法遵循 Eaton 和 Gersovitz (1981) 的经典框架，其中风险分担仅限于一期债券，偿还由金融自给自足的威胁强制执行。在所有其他方面，该模型都是标准的小型开放经济模型，其中唯一的冲击源是禀赋冲击。在这个框架中，我们表明，当生产率过程具有波动的随机趋势而非围绕稳定趋势的暂时波动时，模型匹配数据中某些特征的能力会大大提高。在之前的一篇论文（Aguiar and Gopinath，2004b）中，我们通过实证证明，新兴市场确实更适合被描述为具有波动趋势。结果表明，在小型发达经济体（加拿大）中，永久性冲击解释的商业周期频率方差比例约为 50%，而在新兴市场（墨西哥）中则超过 80%。为了分离趋势波动在解释违约方面的重要性，我们首先考虑一个标准的商业周期模型，其中冲击代表围绕稳定趋势的暂时偏差。我们发现违约极为罕见，大约每 2500 年发生两次。标准模型的弱点始于这样一个事实：自给自足并不是一个严厉的惩罚，即使考虑到新兴市场中观察到的相对较大的收入波动。平滑围绕稳定趋势的消费暂时冲击所带来的福利收益很小。这反过来又阻止了贷款人延长债务期限，我们通过一个简单的计算证明了这一点，就像卢卡斯（1985）一样。我们可以假设自给自足状态下的产出额外损失，从而支持均衡状态下更高的债务水平。然而，在纯暂时性冲击模型中，这不会导致违约率与许多经济体中观察到的违约率相似。第三部分描述了在具有暂时性冲击和稳定趋势的模型中违约如此罕见的原因。违约的决定取决于自给自足状态下效用的现值（价值函数）与金融一体化的现值之间的差异。从数量上讲，均衡状态下违约的水平取决于两个价值函数对禀赋冲击的相对敏感性。当禀赋过程接近随机游走时，从额外禀赋中储蓄的需要有限，无论收入实现与否，金融自给自足和良好的信用记录之间几乎没有区别。在另一个极端，如果暂时性冲击随着时间的推移是独立同分布的，那么就有借贷的动机，这使得整合比自给自足更有价值。然而，独立同分布冲击对整个当前的影响有限
有限预见下的小型开放经济行为新凯恩斯主义模型
越来越多的研究和调查证据表明，经济决策者在形成预期时往往表现出强烈的偏见，偏离了理性预期 (RE) 的标准假设。特别是，最近有关开放经济体的实证证据表明，主观预期，而非其他力量，可能是许多基于理性预期的违规行为的主要驱动因素。1 受“前瞻性指引之谜” (Del Negro、Giannoni 和 Patterson，2015 年) 的启发，一些专注于封闭经济体理论模型的研究发现，放宽理性预期假设会产生重大的政策后果。2 然而，人们对开放经济宏观模型的关注相对较少。在本文中，我们旨在通过在开放经济背景下引入有限理性来弥合理论与实证证据之间的差距。我们的目标有两个。首先，我们开发一个小型开放经济新凯恩斯主义 (SOE-NK) 模型，整合有限理性的概念。我们考虑了 Woodford ( 2019 ) 开发的一种特殊的有限理性建模方法——有限远见。该模型足够广泛，可应用于典型的开放经济研究，同时也涵盖了决策者的远见无限延伸到未来时的 RE 分析。与标准 RE 情况相比，我们进一步研究了有限远见如何影响实际汇率的均衡动态和预测误差。其次，我们证明我们的模型为 RE 下几个与无抛补利率平价 (UIP) 相关的著名难题提供了内在的微观基础，特别是那些涉及不同时间和预测范围内的差异的难题。为了便于比较，我们使用 Gal´ı 和 Monacelli ( 2005 ) 提出的标准 SOE-NK 模型作为参考模型，并引入两个与该标准模型不同的模型。首先，我们假设决策者形成受有限远见影响的预期；也就是说，他们只考虑未来的有限规划期（以下称为 FH）。为了评估在规划期结束时可能出现的潜在情况，他们采用了从过去经验中学习到的粗略连续值函数。这意味着决策者将所有相关信息和政策变更纳入 FH 中。然而，当近似规划期之外的更远的未来时，与 RE 情景相比，他们的价值函数变得不那么准确。其次，我们假设资产市场不完整。这一假设源于这样一种观点，即为决策者提供了
材料选择机械设计
新材料推动了爱比克泰德时代的工程设计。如今，材料比以往任何时候都多，创新的机会是巨大的。但只有存在做出合理选择的程序，才有可能取得进步。本书开发了一种选择材料和工艺的系统程序，从而得出最符合设计要求的子集。它所包含的信息的结构方式是独一无二的；这种结构可以快速访问数据，并为用户探索选择的潜力提供了极大的自由。该方法以软件形式提供*，从而提供了更大的灵活性。该方法强调使用材料而不是材料“科学”进行设计，尽管尽可能使用基础科学来帮助构建选择标准。前六章几乎不需要任何先验知识：第一年的材料和力学工程知识就足够了。涉及形状和多目标选择的章节稍微高级一些，但第一次阅读时可以省略。本书尽可能将材料选择与设计的其他方面结合起来；与设计和优化阶段以及材料力学的关系贯穿始终。在教学层面，本书旨在作为 3 年级和 4 年级工程设计材料课程的教材：6 到 10 个讲座单元可以基于第 1 章至第 6 章；完整的 20 多个讲座课程，以及相关软件的相关项目工作，将使用整本书。除此之外，本书还旨在作为具有持久价值的参考书。该方法、性能指标图表和表格可应用于材料和工艺选择的实际问题；而“有用解决方案”目录在建模方面特别有用 - 建模是最佳设计的基本要素。随着经验的增长，读者可以以越来越复杂的水平使用本书，从文本案例研究中开发的材料指标开始，逐渐过渡到新设计问题的建模，从而产生新的材料指标和价值函数，以及新的 - 也许是新颖的 - 材料选择。每章末尾的进一步阅读清单和涵盖文本各个方面的一系列问题有助于继续教育。有用的参考资料汇编在书末的附录中。与任何其他书籍一样，本书的内容受版权保护。一般来说，复制和分发受版权保护的资料是侵权行为。但使用本书的图表的最佳方法是拥有一份干净的副本，您可以在其上绘图、尝试替代选择标准、撰写评论等；并提出结论
每个可行的可计算实数函数都是均匀连续的
我们所说的可计算的实体对函数是什么意思：朝着自然定义。按“可计算”一词的含义，一个可计算的价值函数𝑓（𝑥1，。。。，𝑥实值输入的，𝑥）是一个函数，可以根据输入来计算其值。 此类功能用于处理数据𝑥1，。 。 。 ，𝑥𝑘。 该数据处理的目标是估计与数量𝑥1，。 。 。 ，thy公式𝑦=𝑓（𝑥1，。） 。 。 ，𝑥）。 例如，我们希望根据当前值𝑥1，。 。 。 ，在此和附近的不同气象量的不同。 但是，在理想的世界中，数据是相应物理量的实际值。 我们学习值的方式是通过测量：通过直接测量或处理适当的辅助测量结果。 因此，重要的是要考虑到测量量永远不会绝对准确，它们始终具有一定的准确性 - 通常由相应二进制表示中的数字数𝑚描述，以便准确性为2 -𝑚。 换句话说，而不是知道实际值𝑎1，。 。 。 ，相应数量的𝑎，我们只知道测量结果𝑥1，。 。 。 。 。 。 。，𝑥）是一个函数，可以根据输入来计算其值。此类功能用于处理数据𝑥1，。。。，𝑥𝑘。该数据处理的目标是估计与数量𝑥1，。。。，thy公式𝑦=𝑓（𝑥1，。。。，𝑥）。例如，我们希望根据当前值𝑥1，。。。，在此和附近的不同气象量的不同。但是，在理想的世界中，数据是相应物理量的实际值。我们学习值的方式是通过测量：通过直接测量或处理适当的辅助测量结果。因此，重要的是要考虑到测量量永远不会绝对准确，它们始终具有一定的准确性 - 通常由相应二进制表示中的数字数𝑚描述，以便准确性为2 -𝑚。换句话说，而不是知道实际值𝑎1，。。。，相应数量的𝑎，我们只知道测量结果𝑥1，。。。。。。。，the the是2 −𝑚- close到这些值，即| 𝑥 -𝑎 -𝑎|从1到𝑘≤2−𝑚。由于已知值𝑥𝑖仅是对实际值𝑎𝑎的近似值，因此结果𝑓（𝑥1，。，数据处理的，仅是所需理想值𝑓的近似值（𝑎1，。 ，𝑎）。 我们要确保结果𝑦=𝑓（𝑥1，。 。 。 ，数据处理的，接近所需的（理想）值𝑏=𝑓（𝑎1，。 。 。 ，𝑎），我们需要知道估计值的准确性是什么，即，与所需的值𝑏：如果我们不知道这种准确性，即，即，如果差异𝑦 -𝑏可以任意大，那么估计是没有用的，那么估计是无用的，因为它不会对任何限制施加任何限制。 实际上，我们希望以一些给定的精度进行估计。 例如，对于温度，精度为几个度。 可能是，我们知道的现有准确性不足以达到所需的精度 - 当传感器不太准确时，就会发生这种情况。 在这种情况下，要以所需的精度获取值𝑏，我们需要执行更准确的测量 - 我们，仅是所需理想值𝑓的近似值（𝑎1，。，𝑎）。我们要确保结果𝑦=𝑓（𝑥1，。。。，数据处理的，接近所需的（理想）值𝑏=𝑓（𝑎1，。 。 。 ，𝑎），我们需要知道估计值的准确性是什么，即，与所需的值𝑏：如果我们不知道这种准确性，即，即，如果差异𝑦 -𝑏可以任意大，那么估计是没有用的，那么估计是无用的，因为它不会对任何限制施加任何限制。 实际上，我们希望以一些给定的精度进行估计。 例如，对于温度，精度为几个度。 可能是，我们知道的现有准确性不足以达到所需的精度 - 当传感器不太准确时，就会发生这种情况。 在这种情况下，要以所需的精度获取值𝑏，我们需要执行更准确的测量 - 我们，接近所需的（理想）值𝑏=𝑓（𝑎1，。。。，𝑎），我们需要知道估计值的准确性是什么，即，与所需的值𝑏：如果我们不知道这种准确性，即，即，如果差异𝑦 -𝑏可以任意大，那么估计是没有用的，那么估计是无用的，因为它不会对任何限制施加任何限制。实际上，我们希望以一些给定的精度进行估计。例如，对于温度，精度为几个度。可能是，我们知道的现有准确性不足以达到所需的精度 - 当传感器不太准确时，就会发生这种情况。在这种情况下，要以所需的精度获取值𝑏，我们需要执行更准确的测量 - 我们