拒绝出具意见

号外:刘教链最新文章,欢迎点击阅读:

公众号「刘教链内参」8.17发表:《内参:发了一层链,还是靠空投吸引羊毛党的套路》。

公众号「刘教链Pro」8.17发表:《BTC在2024减半前突破10万刀的理由》。

* * * 63ef196235fd55dd03b055718e8b0ca5.png * * *

众所周知,会计师事务所、审计公司在查完一家公司的账目之后,通常要出具审计意见。但是如果账实在是烂的惨不忍睹,它们并不会直白地讲,这是一堆烂账,而是会表示拒绝出具意见。拒绝出具意见,就是最大的意见表示了。全世界范围内,都是这么一种心照不宣的做法。

就在刚刚过去的8月15日,国新办就2023年7月份国民经济运行情况举行发布会,国家统计局发言人表示,从今年8月份开始,暂停发布全国城镇青年调查失业率等相关数据。外媒纷纷渲染统计局拒绝报数引发透明度担忧。各路网友、自媒体也跟着写小作文冷嘲热讽。

若说拒绝报数的统计局是个耿直boy。那么月月先报数再偷偷修正的美国劳工统计局就简直像个心机婊。

4e1ef22b31794a99ae6bd20b9db0d961.png

比如,七月报告6月份的非农就业人数是20.9万,等到了八月报告7月份的就业人数时,这个数字已经被向下修正成18.5万了;而7月的就业人数是18.7万,如果不修正,那就是从20.9万暴跌到18.7万,“就业迅速衰退”,而如果修正一下,则反转成从18.5万增长到18.7万了,“就业依旧强劲”。

不不,其实我们可能还是犯了一个错误,低估了劳工局统计数字的误差。人家劳工局报告的数字是XX万“jobs”(岗位),而不是“headcounts”(人数)。据说,一个人打三份工,会被统计成3个jobs,这就很神奇了。如果你是一个斜杠青年,对劳工局的统计数字的贡献度是一个顶仨的。

另外就是以直接税为主的美国政府,在就业形势一片大好的情况下,财政收入却大幅下滑。

dd989e420fd78236c788ead5351838ed.png

根据美国财政部公开数据,2023财年前10个月(2022.10-2023.7)财政收入约3.69万亿美刀,比去年同期的4.10万亿美刀下降了4160亿美刀。

统计数字也许会骗人。但钱不会骗人。

可不管统计数字骗没骗人,需要它作为一个道具的时候,它就是一个道具。数字若不可靠,那么建立在数字之上的货币政策,又算什么呢?

美联储主席鲍威尔可管不了那么多。在刚刚放出来的7月份FOMC议息会议纪要中,与会决策者认为,“劳动力市场仍然十分紧张(tight),尽管劳动力市场的供需不平衡正在逐步得到缓解”。这话啥意思?意思就是说,用工需求过于旺盛,导致劳动力仍然供不应求,这样一来,打工人的工资议价能力就会上升,造成工资过快增长,推高企业的工资支出成本,进而倒逼公司被迫提高产品售价,从而导致物价上涨,通胀上升。

敢情千怪万怪,都怪打工人工资涨得太快!

解决方案是什么呢?美联储开的方子抓的药就是加息冷却经济。给出5个点以上的高息,让资本家宁可把钱放在银行里躺着吃利息,也不要去扩大生产招工了。这样一来,用工需求少了,打工人相对而言就多余了,劳动力供过于求,就没有那么强的议价能力了,工资要不上价了,企业工资支出自然就压住了,也就不会传导到终端产品售价,推高通胀了。

纪要里是这么记录的:「与会者表示,劳动力市场仍然非常紧张,但有迹象表明供需正在趋于平衡。他们注意到劳动力需求正在放缓的证据,包括职位空缺减少、辞职率下降、兼职工作增加、工作时间增长放缓、失业保险索赔增加以及名义工资增长率更为温和。此外,他们还谈到了劳动力供应增加的迹象,包括黄金年龄参与率进一步上升至大流行后的高点。然而,参与者还观察到,尽管就业人数增长最近有所放缓,但在失业率保持不变的情况下,名义工资仍在以高于评估水平的速度上涨,这仍然一直超过符合委员会持续实现 2% 通胀目标的值。与会者认为,劳动力市场的供需平衡需要进一步取得进展,他们预计随着时间的推移,劳动力市场状况将进一步软化。」

俗话说,是药三分毒。美联储这方子,毒性不小,后劲还很大。

若要问后劲有多大?看透的人纷纷表示,拒绝出具意见。

* * * 刘教链 原创 * * * 

刘教链公众号相关文章阅读:

降息

增速骤降2703亿

一天跑了100亿

美七月通胀数据喜忧参半

笑着笑着就哭了

巴菲特囤积千亿美债

8%高息揽储,馅饼还是陷阱?

(公众号:刘教链。知识星球:公众号回复“星球”)

(免责声明:本文内容均不构成任何投资建议。加密货币为极高风险品种,有随时归零的风险,请谨慎参与,自我负责。)

内容概要:本文围绕基于Wasserstein生成对抗网络(W-GAN)的光伏场景生成程序展开研究,提出了一种利用W-GAN生成高精度、高波动性光伏出力场景的方法,以应对新能源发电中的不确定性挑战。研究通过构建生成器与判别器之间的对抗训练机制,有效捕捉光伏出力的时间序列特征与统计分布规律,生成符合实际运行条件的多样化场景数据,弥补实测数据稀缺问题。相较于传统GAN,W-GAN引入Wasserstein距离作为损失函数,显著提升了模型训练的稳定性与梯度传播的连续性,增强了生成样本的质量与多样性。文中还提供了完整的Python代码实现,便于读者复现与拓展。; 适合人群:具备一定Python编程能力、深度学习基础的研究生、科研人员,以及从事新能源电力系统规划、优化调度、不确定性建模等相关领域的工程师和技术人员。; 使用场景及目标:①用于电力系统中可再生能源出力的不确定性建模与风险评估;②支撑微电网、综合能源系统等场景下的随机优化、鲁棒优化与分布鲁棒优化研究;③为风光互补系统、储能配置、需求响应等应用提供高质量、多样化的输入场景;④帮助研究人员掌握深度学习在能源时序数据生成中的前沿应用,推动模型迁移至风电、负荷等其他场景生成任务。; 阅读建议:建议读者结合提供的Python代码进行动手实践,深入理解W-GAN的网络架构设计、损失函数构造、训练技巧及超参数调优策略,重点关注Wasserstein距离在缓解模式崩溃与梯度消失问题中的作用,并尝试将该框架拓展至多变量、多站点或多能源联合场景生成,提升模型的泛化能力与工程实用价值。
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