是什么让金融危机从糟糕变成了灾难

在十年前的9月雷曼兄弟(Lehman Brothers)破产之前,金融危机就已经很严重了。但正是雷曼兄弟的破产,将糟糕的局面变成了一场绝对的灾难,并使全球金融体系陷入崩溃的边缘。雷曼兄弟并没有失败,让它失败的决定源自心理因素驱动的。官方的解释是,由于雷曼的抵押品价值和净资产非常低,美国政府对于挽救这家公司缺乏法定权利。对于这一观点遭到了主要决策者前财政部长亨利·保尔森(Hank Paulson)、前美联储主席本·伯南克(Ben Bernanke)、纽约联邦储备银行前主席蒂莫西·盖特纳(Timothy Geithner)的强烈反对,他们选择不拯救公司。

影响保尔森的个人心理问题,以及影响三位负责人之间沟通动态的群体心理问题,是决定产生的真正影响因素。关于拯救雷曼的心理问题,无论是事件本身还是随后的旋转,都非常有趣。可行性偏差是一种对很容易被回忆起来的信息过分重视的心理偏见。纽约联邦储备银行提供了关于美国债务水平的重要数据和观点。今年早些时候,该银行总裁兼首席执行官威廉·达德利(William Dudley)表示,总体来说,与十年前相比,美国家庭对承受系统性破坏的准备要充分得多。

与此同时,达德利提出了一些警告,特别提到学生贷款债务,在这方面该银行的网站提供了一些发人深省的统计数据。2006年至2016年间学生债务增长了170%,此外这类债务的违约率大幅上升。想想那些在2010年和2011年离开大学的学生,在这一群体中有28%的人在五年内拖欠了学生贷款,与2005年和2006年离校的人相比,其相应的违约率为19%。

放眼海外,有许多令人担忧的因素,像土耳其、意大利和中国很容易被首先想到。关于中国,目前正在进行的贸易战使得政策改变,让经济更加稳定。中国前央行行长周小川去年10月辞职,他一直警告称,中国面临着明斯基时刻(Minsky moment)的风险。明斯基时刻指的是资产价格下降、资金外流以及不可避免的金融危机。中国是世界第二大经济体,其金融危机将会引起连锁反应,其他国家也会受到此金融危机的影响。

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