Sign in Subscribe
The Pearl

The Pearl

Keep Discovering

消費者價格指數（CPI,Consumer Price Index
Economic

消費者價格指數（CPI,Consumer Price Index

消費者價格指數（CPI，Consumer Price Index）是一個衡量一組消費商品和服務價格變動的指標，主要用來反映消費者購買的商品和服務價格的變動情況。CPI 是一個廣泛使用的通脹指標，直接影響中央銀行的貨幣政策、工資調整、社會保障等方面的決策。 CPI 的分類 CPI 通常分為以下幾個主要類別： 1. 總體CPI（Headline CPI）： * 反映所有消費者購買的商品和服務的價格變動，涵蓋了食品、能源、住房、醫療等所有項目。 2. 核心CPI（Core CPI）： * 剔除價格波動性較大的食品和能源項目後的價格指數，主要用來衡量更持久的通脹趨勢。 CPI 的用途 CPI 主要用於以下幾個方面： 1. 通脹測量： * CPI 是衡量通脹最常用的指標。通脹率通常是基於CPI的年增長率來計算，反映物價水準的變動。 2. 貨幣政策： * 中央銀行，如美國聯邦儲備系統（FED），會根據CPI數據來調整利率和其他貨幣政策工具，以控制通脹或刺激經濟。 3. 工資和福利調整：
7 min read
視角:中東局勢升溫對全球經濟的潛在影響
insight

視角:中東局勢升溫對全球經濟的潛在影響

美國國防部於2024年8月1日宣布向中東部署12艘軍艦，這一行動顯示了地緣政治緊張局勢的升級，尤其是在以色列對黎巴嫩和伊朗進行空襲之後。此舉不僅將對中東地區的政治局勢產生深遠影響，也可能對全球經濟造成重大衝擊。 1. 能源市場的潛在動盪 中東地區是全球主要的石油和天然氣供應來源，尤其是波斯灣的石油出口占全球總供應的相當大比例。美國在該地區的大規模軍事部署，往往預示著潛在的武裝衝突升級風險。倘若局勢進一步惡化，油價很可能會飆升，因為投資者擔心供應中斷。油價上升將導致全球運輸和生產成本的增加，從而可能引發通脹壓力，進而對全球經濟增長構成壓力。 2. 股市和金融市場的波動 金融市場對地緣政治風險高度敏感。美國軍事部署消息公布後，全球主要股市迅速作出反應，呈現不同程度的下跌。以下是美國派兵後幾日全球主要股市的表現： * 道瓊工業指數：8月1日至8月5日期間，道瓊工業指數下跌約2.1%。 * 標普500指數：標普500指數下跌約1.8%，能源板塊股價上漲，但其他板塊普遍走低。 * 納斯達克綜合指數：由於投資者避險情緒高漲，科技股大幅下挫，納斯達克綜合指數下跌約2.5%。 *
4 min read
PPI 生產者價格指數（PPI,Producer Price Index）
Economic

PPI 生產者價格指數（PPI,Producer Price Index）

生產者價格指數（PPI，Producer Price Index）是一種衡量一組商品和服務在不同階段的生產過程中價格變動的指標。PPI 主要關注生產者在批發層級的價格變動，這些變動通常會影響消費者價格指數（CPI），進而影響整體經濟的通脹狀況。 PPI 的分類 PPI 包含不同層級的數據，通常可以分為以下幾種主要類別： 1. 最終需求PPI（Final Demand PPI）： * 這部分指標反映了商品和服務在交付給最終用戶（無論是消費者還是企業）之前的價格變動。 2. 中間需求PPI（Intermediate Demand PPI）： * 這部分指標反映了商品和服務在生產過程中的價格變動，這些商品和服務將進一步被加工或用於製造最終產品。 3. 商品PPI（Goods PPI）： * 主要測量各類商品的價格變動，包括能源、食品和非食品產品。 4. 服務PPI（Services PPI）： * 反映了服務業的價格變動，如運輸、批發和零售等行業。 PPI 的用途 PPI 被廣泛用於以下幾個方面： 1.
6 min read
美7月 PPI 年增率放緩至 2.2%
Economic

美7月 PPI 年增率放緩至 2.2%

美國勞工部的數據顯示，2024年7月美國生產者價格指數（PPI）增長率低於市場預期，進一步顯示出通脹壓力的減弱。具體來看： PPI數據概覽： 1. 總體PPI： * 7月份的總體PPI月增率為0.1%，低於6月份的0.2%和市場預期。 * 過去12個月內，總體PPI的年增率為2.2%，也低於經濟學家預期的2.3%和6月份修正後的2.7%。 2. 核心PPI（剔除食品和能源）： * 7月份核心PPI月增率為0%，低於6月份修正後的0.3%。 * 核心PPI的年增率為2.4%，顯著低於6月份的3.0%。 觀察重點： 7月份的PPI數據顯示，美國的通脹壓力正在減緩，尤其是核心PPI的年增率從3.0%下降至2.4%，表明剔除波動性較大的項目後，生產者價格壓力顯著減少。此外，市場密切關注即將公佈的7月份消費者價格指數（CPI），預計其年率將與6月份持平，維持在3.0%。 值得注意的是，聯邦儲備系統（FED）在7月底的會議上維持了政策利率不變。
2 min read
**NXS1.0_TAIEX_HeatMap Analysis
Predict

**NXS1.0_TAIEX_HeatMap Analysis

高度相關的變數 這些變數與 Adj_Close_TAIEX 具有高度的正相關或負相關。 1. Close_TAIEX * 相關係數：1.00 * 解釋：Close_TAIEX 與 Adj_Close_TAIEX 本質上是相同的數據，因此完全相關。 2. Middle_Band * 相關係數：0.99 * 解釋：Middle_Band 通常是布林帶的中軌，通常是價格的移動平均值，因此與 Adj_Close_TAIEX 具有高度相關性。 3. Upper_Band 和 Lower_Band * 相關係數：0.96 和 0.97 * 解釋：
4 min read
NXS1.0_TAIEX_Future Engineering
Predict

NXS1.0_TAIEX_Future Engineering

* 掛載 Google Drive：確保數據集已經掛載。 * 讀取數據集：從指定路徑讀取數據集。 * 生成技術指標：計算移動平均線、相對強弱指數和布林帶。 * 生成衍生變數：計算價格變動百分比和成交量變化率。 * 標準化特徵：使用 z-score 標準化特徵。 * 處理空值：使用前向填充和後向填充的方法填補空值。 * 保存處理後的數據：將處理後的數據保存到新的 CSV 文件中。 * 原始特徵：Date, ST_Code, ST_Name, Open, High, Low, Close, Adj_Close, Volume 等。 * 技術指標：SMA_10, SMA_20, RSI_14, BBL_20_2.0, BBM_20_2.0,
3 min read
CPBL,Pitcher Pan's Performance, 372 Games,Machine Learning
Predict

CPBL,Pitcher Pan's Performance, 372 Games,Machine Learning

圖 4-3 顯示了ER、H和ERA_Delta這三個目標變量在四種不同模型（隨機森林、支持向量機、XGBoost和LSTM）中的預測表現。每一行代表一個目標變量，每一列代表一個模型。圖中的線條和指數平滑平均（EMA）分別顯示了實際值和模型預測值的變化趨勢。 隨機森林模型 隨機森林模型在ER、H和ERA_Delta上的預測表現如圖中第一列所示。實際值的波動較大，而預測值則相對平滑。隨機森林的EMA（紅色）與實際值的EMA（黑色）趨勢基本一致，表明該模型能夠較好地捕捉數據中的長期趨勢，但在一些高峰和低谷處存在一定的偏差。 支持向量機模型 第二列顯示了支持向量機模型的預測結果。相比其他模型，支持向量機在ER和H上的預測波動更大，這可能是因為該模型對數據的敏感性較高。雖然支持向量機的EMA（紅色）與實際值的EMA（黑色）基本保持一致，但在一些數值極端的點上，偏差仍然明顯。 XGBoost模型 XGBoost模型的預測結果如第三列所示。該模型在ER和H的預測上顯示出較好的表現，預測值與實際值的波動趨勢較為接近。XGBoost的EMA（紅色）與實際值的EMA（黑色）高度吻合，表明
11 min read
TAIEX.s46_LSTM(3). Future select by Forest
Predict

TAIEX.s46_LSTM(3). Future select by Forest

使用決策樹回歸進行特徵選擇，並使用選擇的特徵來訓練 LSTM 模型。最後打印所選的特徵變數並顯示實際值和預測值的圖表。 import os import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.dates as mdates from sklearn.metrics import mean_squared_error, mean_absolute_error from sklearn.preprocessing import MinMaxScaler from sklearn.ensemble import RandomForestRegressor from tensorflow.keras.models import
3 min read
TAIEX.s46_LSTM(2). Future select by Decision Tree.
Predict

TAIEX.s46_LSTM(2). Future select by Decision Tree.

使用決策樹進行特徵選擇，並使用選擇的特徵來訓練 LSTM 模型。 最後打印所選的特徵變數並顯示實際值和預測值圖 import os import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.dates as mdates from sklearn.metrics import mean_squared_error, mean_absolute_error from sklearn.preprocessing import MinMaxScaler from sklearn.tree import DecisionTreeRegressor from tensorflow.keras.models import
3 min read