美国印钱 为什么不会通货膨胀

https://www.sohu.com/a/422144613_104543

今年为了应对新冠疫情,美国政府开启了撒钱模式(把印出来的钱直接投放),共向民众发放了3万亿美元,其中包括直接付款将发给每个家庭成员1200美元,或每个家庭最高6000美元。与此同时,美联储还宣布无限量化宽松,就是向市场投放基础货币购买美国国债,并将存款准备金率降为零。

于是,很多中国老百姓觉得奇怪,为什么像津巴布韦、委内瑞拉等国家只要一印钞票,货币就快速贬值,物价就快速上涨。而美联储印了这么多钱,为什么美国的核心通胀率却还是维持在2%,没有出现恶性通胀的问题呢?通常我们只关注印了多少印钞M0,其实由此而派生出来的总货币M2才是最值得关心的,M2的增速越大,国内的通胀水平越高。比如,2008年我国M2增速高达29%,全年CPI平均达到6.8%。

美联储印这么多钱,不怕出现美元贬值主要有以下几个因素:

第一,受到疫情的影响,美国的GDP的确是下降了,而且美联储也投放了大量的流动性,希望剌激经济恢复增长。照理来说,美元的购买力要大幅下滑。但是相对于美国,欧洲的经济更加糟糕,欧洲央行不断采用更激进的经济剌激计划,甚至把存款利率定为负值。更麻烦的是,英国与欧盟就脱欧问题一直纠缠不清,这也给欧洲经济充满变数。由于欧元、英镑在持续贬值中,无形中美元就相对比较值钱了。

 

第二,美联储大量印出来的钞票,如果是购买美国国内商品,那美国CPI会上涨,美元会越来越不值钱。但是,美国是世界性货币,美国人拿了花花绿绿的美钞,向世界各国购买所需商品,以美联储投放的这点流动性,就根本不算什么了。世界商品市场要远比美国的市场大得多。可能很多人会说,全球各国可以去美元化,但是相对于美元,像俄罗斯的卢布、伊朗的里亚尔,就更不值得信赖了。

第三,美国国内物价稳定是有两大原因的:一个是美国人用的日用品比较便宜,这主要是中国、越南等发展中国家把大量廉价商品输入到美国本土,降低了美国CPI水平。反而导致中国由于大量商品输出,国内物价上涨的隐患不能排除。另一个是,美国国内实现现代化农业,大量农产品供应美国市场,现在美国有3%的农业人口,养活了所有的美国人,每年还有大量出口。所以,在一个物质极其丰富的美国,你不用太担心美元在美国国内会越来越不值钱,美国主要还是劳动力最值钱。

第四,像委内瑞拉、津巴布韦等国印钞票,到外面去花,肯定引发货币贬值。美联储印钞票是要向世界转嫁经济危机或金融风险。2009年,美联储实行了四次量化宽松政策,美元指数从103一路下跌至88。但是,只要美国经济开始复苏了,美联储马上通过抛售美国国债,回收市场上的美元流动性,美元指数迅速反弹。到目前为止,美联储的资产负债表还是比较健康的,并没有恶化的情况发生。

 

在发生经济和金融危机之后,美联储就会向世界转嫁金融风险,这样可以使美国经济早日复苏,所以美联储平时印钱还是比较克制。与此同时,我们也要看到,美联储在印钱方面,相对于其他国家还算是好的,在欧元和英镑衰退的情况下,美元指数就会受到支撑。更何况,美国国内物资非常丰富,价格比较稳定,不用担心印钞票的后果。只要等到美国度过了经济或金融危机,美联储还要收回流动性,美元指数又会反弹回升

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