美元与大宗商品关系

不知从何时起,美元指数下跌将引起大宗商品上涨的观点已深入人心。人们得出这一结论的理由是,全球大宗商品贸易以美元标价,美元贬值意味着购买同样单位的商品需要支付更多的美元,因此,美元贬值必然引起大宗商品价格上涨,而美元升值将导致大宗商品价格下跌。笔者认为,这一推论看似有理,实际上却很值得推敲。

  美元指数的涨跌代表什么?

  美元指数的上涨下跌,意味着美元兑主要货币的升值或贬值。我们举一个国际贸易的例子,假设A国为某商品的最大出口国,国际贸易以美元结算,3月1日,100美元=1000A币。5日,美元兑A国货币贬值至101:1000,贸易商进口1000A币的商品,需要多支付1美元,因此,该商品在美国市场的售价上涨1美元。

  若贸易商将这批商品出售到C国,3月1日,100美元=1000C币。5日,C国货币汇率变动可能的三种情况:(1)美元兑C币贬值幅度与A国相同,101美元=1000C币,该批商品在C国价值1000C币,价格不变;(2)美元兑C币贬值幅度大于A国,102美元=1000C币,该批商品在C国价值990.196C币,价格下跌;(3)美元兑C币贬值幅度小于A国,100美元=1000C币,该批商品在C国价值1010C币,价格上涨。

  由此可见,美元贬值引起商品价格上涨的条件仅限于:1.该商品进口自相对于美元货币升值的国家;2.该商品出售给美国或者美元兑其货币的贬值幅度小于出口国。

  而事实上,国际贸易不可能严格按照上述两个条件进行,各国汇率更不可能在方向和幅度上都完全一致,升值贬值是一个相对的概念。即使单纯考虑美国市场,也不能得出美元与大宗商品负相关的结论,因为美国也有出口的商品。因此,美元指数的上涨下跌表现的是汇率问题,各国汇率的波动对商品价格的影响应该是在幅度而不是方向上。这也仅限于全球市场联动性比较好的商品,对于一些定价权不明显,资源流动能力差的商品,以美元指数的涨跌来解释其波动,更是不靠谱。

  美元与商品在不同周期的相关系数

  为了更清楚地解释美元与商品关系的问题,本文选取了原油、铜、铝、锌、棉花、大豆、豆粕、豆油、橡胶等几种商品来分析。除美元、原油外,其他商品的数据均采用国内主力连续。

  我们对几种大宗商品与美元以22个交易日为周期做了相关系数的连续图,当相关系数接近1,说明美元与商品存在正相关,接近-1,说明两者存在负相关。结果,美元与商品的 22个交易日相关系数在-1到1之间无序波动,没有明显集中于(-1)或是1附近,可以认为两者不存在明显的相关关系。

  我们另选取100个交易日为周期对两者的相关性进行分析。在以100个交易日为周期的相关系数连续图中,除原油与美元的相关系数在大部分时间徘徊在0轴以下,其他商品的价格波动仍看不出与美元有任何相关关系。

  黄金与美元属于硬通货领域的替代品,这两者呈现负相关关系,从理论上说得过去。但尽管如此,黄金与美元的负相关关系只在较长周期比较显著,短期完全不明显。

  美元与商品完全没有关系吗?

  凡事没有绝对。我们说美元与大宗商品不存在负相关关系,并不等于说美元与大宗商品没有关系。笔者认为,两者关系的根源在美国经济,美国作为全球第一大经济体,它的经济运行、货币财政政策足以对全球经济及商品的供需产生影响,加之美国在金融市场的地位,由于美国的政策、言论引起的资金流向也是影响商品价格的重要因素。

  综上所述,美元指数是美国经济的“代言人”,我们需要关注的美元指数变动的背后,美国经济、全球经济预期引发的商品需求变化,以及资本流动对商品价格的影响,简单的平行推断必然无益于我们准确把握内因

http://www.csai.cn/qihuo/641298.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值