Category: Others

因子投资的高维数时代

摘要：实证资产定价已然进入因子（协变量）的高维数时代。本文抛砖引玉，阐述我对此的四点思考。（DGP: Data Generating Process）

  • Key Takeaway: over-parameterization 的时代已经到来，变量数量 k 大于样本数量 t 似乎并没有带来 interpolate的问题，反而给prediction带来了帮助。

0 引子

时至今日，实证资产定价（以及因子投资）已然步入了因子（协变量）的高维数时代。大量发表在顶刊上的实证结果表明，多因子模型具有很大的不确定性且因子的稀疏性假设不成立。人们熟知的 ad-hoc 简约模型无法指引未来的投资。

在高维数时代，寻找真正能够预测预期收益率的协变量是核心问题之一。为了实现这个目标，需要考虑的问题包括：（1）多重假设假设检验；（2）投资者（高维）学习问题 & 另类数据；（3）来自资产定价理论的指引：即解释预期收益率的因子应该也能解释资产的共同波动。最后，一个最新的讨论热点是因子的个数是否越多越好（即模型复杂度是否越高越好）：复杂模型能更好地逼近真实 DGP，但参数估计的方差更大；简约模型的参数估计更准确，但却未必是 DGP 的合理近似。二者相比，如何权衡呢？

近日，我在某券商 2023 的年度策略会上做了题为《因子投资的高维数时代》的报告，阐述了我对上述四点的思考。本文借着报告的 slides 做简要介绍。由于对于某些问题专栏已经做了大量的梳理（比如多重假设检验），因此在本文的阐述中，在必要的地方会使用最少的文字（你马上就会明白我的意思）。

1 多重假设检验

这部分，一图胜千言。需要相关知识的小伙伴，请查看公众号的《出色不如走运》系列。

Next.

2 投资者学习问题 & 另类数据

理性预期假设投资者知道真实的估值模型。

然而，和进行事后（ex post）因子分析的你我一样，投资者在投资时同样面临协变量的高维数问题，因此不可能知道真实的估值模型，所以理性预期假设并不成立。这造成的结果是，均衡状态下资产价格和理性预期情况下相比出现偏差。在事后分析中，已实现收益率中包含一部分因估计误差导致的可预测成分。但对投资者来说，事前（ex ante）无法利用上述可预测性。

因误差导致的可预测性能够在样本内（IS）产生虚假的可预测性（无论投资者是否使用了先验以及无论先验是否正确），而在样本外（OOS）却无法预测收益率。这就是投资者（高维）学习问题导致的虚假的可预测性（Martin and Nagel 2022）。具体阐述见《False In-Sample Predictability ?》。面对这个问题，需要通过 OOS 检验才能规避。

投资者无法在事前投资中应对高维数，这主要体现在他们使用较少的协变量（因子）作为估值的依据。另一方面，由于一些变量的获取成本很高，投资者需要在该变量带来的预测好处和其成本之间权衡。此外，有限理性中的有限注意力机制也为投资者对简约性的渴望提供了微观基础。这两方面作用合力导致投资者在为资产定价时使用过度稀疏的估值模型。这样做的后果是，即便在样本外，也会出现因投资者学习问题而造成的虚假的可预测性。

就着上述推论，我们自然地引出本小节的另一个相关话题：另类数据。

回忆一下公众号之前的文章《科技关联度II》所介绍的 Bekkerman, Fich and Khimich (forthcoming)。相比于之前的基于专利类别的研究，该文对专利进行文本分析，通过提取专业术语并计算其重合度来描述公司之间的相似程度，以此构造了预期超额收益率更高的科技关联度效应。

比起专利类别，投资者在获得以及处理专利文本并计算科技关联度时的成本更加昂贵。这会导致大多数投资者会在为公司估值时忽略这方面的信息，即使用过度稀疏的估值模型，造成样本内和样本外收益率可预测性。

该文基于文本分析的科技关联度是近几年大红大紫的基于另类数据进行实证资产定价和因子投资的一个典型例子。然而，Martin and Nagel (2022) 所勾勒出的非理性预期假设世界告诉我们，使用最新的方法和技术构建预测变量并将其应用于早期历史时段时，它们在样本内和（伪）样本外检验中均能预测预期收益率。因此，我们在惊喜于另类数据的发现之余，恐怕也应该多一分谨慎。

除此之外，既然谈到另类数据，不妨再聊聊另一个相关话题。有相关研究表明，海外大量的另类数据供应商提供的数据都只具备对公司基本面的短时间尺度的可预测性。Dessaint, Foucault and Fresard (2020) 的研究表明，如此另类数据可得性的提升降低了进行短时间尺度的预测成本（从而提高了准确性），但增加了进行长时间尺度预测的成本（从而降低了准确性）。对于公司基本面预测来说，二者的综合效果是 mixed。可以预见，未来在使用另类数据预测公司基本面时，会有更多的研究向这个方向倾斜。

3 和协方差矩阵有关

Ross (1976) 的 APT 指出，解释资产预期收益率截面差异的因子应该同时能够解释资产的共同运动。在市场中不存在近似无风险套利机会这个假设下，Kozak, Nagel and Santosh (2018) 同样论述了这一点（见《Which beta (III)?》）。

以下展示了 BetaPlus 小组构造并维护的 A 股常见七类风格因子在 2000/01/01 到 2022/04/30 之间的表现。统计数据表明，在该实证区间内，虽然它们的收益率均值高低有差异，但收益率的标准差同样也有差异，因此并没有哪个风格因子的风险调整后收益明显高于其他的因子。

再来看一个美股的例子。Kozak, Nagel and Santosh (2018) 将实证区间分成前后两半儿并考察了 15 个因子。下图展示了每个因子在前后两个区间内夏普率的散点图。如果能够在获得高收益的同时降低波动，那么样本内（前一半区间）夏普率高的因子在样本外（后一半区间）的夏普率应该仍然更高一些，我们将会看到这些点围绕在 45 度直线上。然而事实并非如此。无论样本内的夏普率多高，这 15 个因子样本外的夏普率几乎是一条平行于横坐标的水平线，而非人们期望的 45 度斜线。（我用几百个因子在 A 股做了同样的实证，观察到了类似的结果。）

上述结果显示，（样本外）高收益往往对应着高波动（对着样本内硬挖 —— data snooping —— 另说），这一实证结果和 APT 吻合。

早在几十年前，Eugene Fama 曾经打趣到 APT 让众多挖因子的尝试“合理化”，即 APT 只说了资产预期收益率和众多因子有关，但却没有指出到底有哪些因子。因此，很多学者打着 APT 的旗号“肆无忌惮”地挖出了一茬又一茬因子（zoo of factors），Fama 把这个现象称作 APT 给了这些研究“fishing license”（即 APT 让这些研究合理化）。（Sorry，这里我实在忍不住吐槽一句，在一本著名的资产定价教材的中译版中，中文作者竟然真的把 fishing license 翻译成“钓鱼许可证”……）

如今，当我们重新审视 APT 时，毫无疑问应该将它作为挖掘真实因子的有效指引，正如本节一开头说的那样：解释资产预期收益率截面差异的因子应该也能解释资产的共同运动。在这个认知下，以 PCA 为代表的一系列实证资产定价研究在这几年取得了很多突破（Kelly, Pruitt and Su 2019 、Kozak, Nagel and Santosh 2020）。

4 越复杂越好 ?

在本节的讨论中，我们以因子个数的多少代表模型复杂度。因子个数越多，模型越复杂。

2019 年，Belkin, et al. (2019) 一文提出了机器学习中样本外误差的“double descent”现象，引发了机器学习领域和理论统计领域的广泛讨论。为了理解这一现象，我们先从熟知的 bias-variance trade-off 说起。

对于模型来说，其样本外表现和模型复杂度关系密切。当模型复杂度很低时，模型的方差很小（因为变量参数估计的方差很小），但是偏差很高；当模型复杂度高时，模型的方差变大，但是偏差降低。二者的共同作用就是人们熟悉的 U-Shape，即 bias-variance trade-off，因此存在某个最优的超参数，使得样本外的总误差（风险）最低。

我们还可以换个角度来理解 bias-variance trade-off，而这个角度对理解 double descent 至关重要。当模型很简单时，它能够有效规避过拟合，但却很难想象如此简单的模型是真实世界的好的近似；而当模型复杂时，它更有可能逼近真实世界，但是也的确更容易过拟合。因此 bias-variance trade-off 也可以理解为 approximation-overfit trade-off。

然而，上述结论有一个我们都习以为常的前提：变量个数 < 样本个数。那么，如果模型复杂到变量（因子）的个数超过了样本的个数又会出现怎样的情况呢？事实上，这一问题并非无缘无故的凭空想象。对于复杂的神经网络模型来说，模型参数的个数很容易超过样本的个数，然而这些模型确在样本外有着非凡的表现（哦，当然不是资产定价领域）。这个现象促使这人们搞清楚 what is behind the scene。

当变量个数 > 样本个数时，模型在样本内能够完美的拟合全部样本（在机器学习术语中，这个现象被称为 interpolation）。对这样一个模型来说，人们通常的认知是，它在样本外的表现一定会“爆炸”，即毫无作为。这是因为它过度拟合了样本内数据中的全部噪声。然而，Belkin, et al (2019) 指出，当人们让模型复杂度突破样本个数这个“禁忌之地”后，神奇的事情发生了：样本外总误差并没有“爆炸”，而是随着复杂度的提升单调下降。正因为在样本个数两侧都出现了误差单调下降的情况，Belkin, et al (2019) 将这个现象称为 double descent。

因为本文的目的并非解释背后的统计学理论，所以我在此对该现象给一些直觉上的解释。当变量个数超过样本个数的时候，样本内的解是不唯一的，而最优的解可以理解为满足参数的方差最小（正则化或 implied 正则化在这个过程中发挥了非常重要的作用）。随着变量越来越多，最优解的方差总能单调下降。

再来看偏差，通常来说，偏差确实会随着复杂度的提升而增加。但是所有模型都是真实 DGP 的某个 mis-specified 版本。当存在模型设定偏误的时候，可以证明当变量个数超过样本个数时，偏差也会在一定范围内随着复杂度而下降。因此，二者的综合结果就是模型在样本外的误差表现会随复杂度的上升而下降。（在一些情况下，样本外误差的 global minimum 出现在当变量个数 > 样本个数时。）

以下两张 slides 总结了上面的话（第二张 slide 里的表参考了 Bryan Kelly 的 talk，特此说明）。

对于资产定价和因子投资来说，如果你和我一样认同因子的高维数时代 —— 即收益率的 DGP 包含了非常多的因子，那么上述关于模型复杂度的探讨也许会带来全新而有益的启发。在这方面，也有大佬已经走在了前面。Bryan Kelly 和他的合作者以及学生一起写了一系列“复杂度美德”的 working papers，在资产定价领域探索提升复杂度带来的样本外好处。例如，Kelly, Malamud and Zhou (2022) 一文使用神经网络对美股进行了择时（每次建模仅利用一年 12 期的数据训练神经网络），并发现了类似的 double descent 现象。

当然，即便我们认同了“越复杂越好”，也依然要回答更重要的问题，即如何估计参数，如何正则化，如何来利用成千上万甚至更多的因子来形成关于预期收益率更好的预测。虽然 Kelly 等人的文章在择时方面取得了让人兴奋的结果，但在 cross-section 是否有类似的实证结果依然需要时间来回答（Kelly 有一篇 working paper 研究 cross-section，但还没有 publicly available）。

但是无论如何，欢迎来到 over-parameterization 时代。

5 结束语

以上就是我对因子投资高维数时代的四点思考。

不过在本文的最后，仍然有必要指出，在协变量的高维数时代，如何 prepare 因子固然重要（小心多重假设检验、小心投资者学习、利用 APT 的 implication），但是如何求解高维问题才更加核心（如何利用复杂度的好处 ?）。

或许，我们已经到了从计量经济学到机器学习的必然转型时刻。正如 Stefan Nagel 的《机器学习与资产定价》（Nagel 2021）所倡导的那样，将经济学推理注入机器学习算法将成为高维数时代研究的必经之路。

参考文献

  • Baba-Yara, F., B. Boyer, and C. Davis (2021). The factor model failure puzzle. Working paper.
  • Bekkerman, R., E. M. Fich, and N. V. Khimich (forthcoming). The effect of innovation similarity on asset prices: Evidence from patents’ big data. Review of Asset Pricing Studies.
  • Belkin, M., D. Hsu, S. Ma, and S. Mandal (2019). Reconciling modern machine-learning practice and the classical bias-variance trade-off. PNAS116(32), 15849 – 15854.
  • Dessaint, O., T. Foucault, and L. Fresard (2020). Does alternative data improve financial forecasting? The horizon effect. Working paper.
  • Kelly, B. T., S. Malamud, and K. Zhou (2022). The virtue of complexity in return prediction. Working paper.
  • Kelly, B. T., S. Pruitt, and Y. Su (2019). Characteristics are covariances: A unified model of risk and return. Journal of Financial Economics 134(3), 501 – 524.
  • Kozak, S., S. Nagel, and S. Santosh (2018). Interpreting factor models. Journal of Finance73(3), 1183 – 1223.
  • Kozak, S., S. Nagel, and S. Santosh (2020). Shrinking the cross-section. Journal of Financial Economics 135(2), 271 – 292.
  • Linnainmaa, J. T. and M. R. Roberts (2018). The history of the cross-section of stock returns. Review of Financial Studies31(7), 2606 – 2649.
  • Martin, I. and S. Nagel (2022). Market efficiency in the age of big data. Journal of Financial Economics145(1), 154 – 177.
  • Nagel, S. (2021). Machine Learning in Asset Pricing. Princeton University Press.
  • Ross, S. A. (1976). The arbitrage theory of capital asset pricing. Journal of Economic Theory 13(3), 341 – 360.

By

石川 https://zhuanlan.zhihu.com/p/589370949?utm_medium=social&utm_oi=774013724896788480&utm_psn=1583185642497994752&utm_source=wechat_session&utm_id=0

国企 & 私企

有个常见的说法是：国企比较有社会责任感，可以做很多私企觉得无利可图，不愿意做的事情。比如给某些偏远地区供电供水和邮政。

本质上，这种依然属于外部性。也就是从国家的角度来说，保证偏远地区的供电供水和邮政是重要的，但是私企自己又不是国家，所以不愿意去做。那么解决这个问题，其实和国企不国企并没有必然关系。

私企不愿意做是因为亏本，那么出于国家的某些需要（在这里是指的国民待遇的公平）通过国家补贴的方式，一样可以让私企来做。区别在于：私企做的时候补贴是显性的，是能看到从财政中拨款来进行补贴的；而国企做这些事情，补贴是隐性的，因为国企的利润就是政府的财政收入的一部分，所以依然相当于国家从财政收入中补贴。但是无论显性或者隐性，当其他条件不变的时候，这两者并无区别。

假定存在两个区域发达（D）和不发达（UD），提供服务的成本统一为 c。但是问题在于发达地区人们的支付意愿比较高，能从这项服务里面获得 u_d 的效用，而不发达地区的人们支付意愿比较低，能从这项服务里面获得 u_{ud} 的效用（这里如果反过来假设服务成本有区别也是一样的）。假定每个区域都有1个消费者，那么当企业无法区别定价的时候，企业有两个选择，如果只服务发达地区，那么价格可以定为 u_d ，而如果两个地区都服务，那么价格就只能定为 u_{ud} 。

在第一种情况下，企业利润为 u_d -c ，在第二种情况下，企业利润为 2(u_{ud}-c) 。那么当 c>2u_{ud}-u_d 的时候，企业就会只服务发达地区。

但是企业没有考虑的是，如果两个地区都服务，可以促进两个地区共同的经济发展，假如这个长期收益为 \pi_l ，那么显然当 \pi_l 足够大，大到弥补因为服务欠发达地区而造成的利润损失 u_d+c-2u_{ud} 的时候，国家的利益就和企业的利益不一致了。

这个时候如果政府想让私企服务不发达地区，那么就需要提供一个补贴，让私企至少能够赚的和现在一样多。这个补贴就是 u_d+c-2u_{ud}。 也就是私企因为要服务不发达地区而少赚的钱。而因为国家本身不产生任何的财富，这个补贴必然是从税款里面出。

这个时候，私企如果坚持不服务不发达地区，其获得的是： u_d -c 。而如果私企服务不发达地区，其收入是 2(u_{ud}-c) + u_d+c-2u_{ud}=u_{d}-c 。两边收益相等，私企自然愿意服务不发达地区了。

这个时候，国家和企业共同创造的价值是 \pi_l + 2(u_{ud}-c) 。欠发达地区获得了服务，发达地区获得了相对较低的价格，消费者还能剩下 u_d – u_{ud} 。所以社会总剩余就是 u_d + u_{ud}-2c+\pi_l 。

那么国企呢？国企直接被命令服务于这两个地区，其总利润是 2(u_{ud}-c) ，消费者剩余和上面一样，国家同样实现了长期收益，所以社会总剩余还是 u_d + u_{ud}-2c+\pi_l 。国企虽然不需要补贴，但是收入本来就降低了，依然相当于是隐形的补贴出去了。

这两者是完全一样的。因为说到底，消费者在两个模型下得到了同样的服务，企业供应了同样的产出，效率是完全一样的。

私企有时候不愿意承担社会责任，因为花的是自己的钱，去做亏本买卖心不甘，但是只要提供足够的补贴，那么照样可以做；而国企承担社会责任，本身就已经包含了国家的补贴。资源不是无中生有的，国企亏本做事情，最后买单的依然是政府，而政府本身不产生财富。

但是根据我们的观察，在现实中，国企和私企确实存在区别。那么肯定是有不一样。不一样在什么地方呢？其实说到底，还是一个科斯定理的问题：交易成本。

在国企-私企上面这个简单的模型里面，里面假定了是没有任何交易成本，并且合同是一定执行的，那么这个时候产权本身就是不重要的。但是现实中显然不能满足这个条件。

首先是收税的成本。

假定国企和私企赚的利润都一样。因为政府本身就是国企的事实拥有者，那么可以直接的把国企的利润变成政府的收入。但是私企不一样，私企因为所有者和政府不同，那么就存在少交税的动机。要获得同样的收入，就需要雇佣人手查税。这样就存在了一个因为税务信息不对称，而产生的交易成本。

比如说，在上面的例子里面，政府给私企的补贴，是要靠收税收上来的。那么收税需要人手，需要雇员，还需要查账。如果存在一个 λ ，国家每收上来1的税，其消耗的资源是 (1+λ) ，那么这个就是补贴私企的过程中所带来的额外损耗。但是强行命令国企去做亏本生意，则相当于补贴原地生效，就不存在上面这个问题。

其次是多任务激励。

大的私企的经理人和国企经理人都存在道德风险的问题，这是所有者和经营者分离的企业所共有的问题。但是这个问题在国企和私企之间还是不一样的。

私企的目标相对比较明确，更看重利润，而解决道德风险（经理人偷懒、吃里扒外）的问题主要是通过合同设计，所谓重赏之下必有勇夫，在给出高额的激励合同之后，经理人和股东之间的利益还是能够达成某种程度上的一致。

但是国企的经营目标是多元的。有经济上的，有政治上的。有容易量化的，有不容易量化的。那么这个时候国企的经营者就更有动机去根据自己的利益，而非政府的利益来平衡自己所付出的努力。平常说的「形式主义」，为什么在国企会比较突出一些？因为当努力的程度不可观测的情况下，「形式」恰恰是可以量化的，更容易被观测到的。

这只是其一。其二就是国企的升职路径是排他的——私企在市场上竞争，虽然说也是互相争夺市场份额，但是彼此之间有一个正的外部性，那就是大家的努力可以共同把市场做大。但是国企的高管竞争的是行政职位，而行政职位是零和的。这意味着强的激励更容易导致管理人员之间的互相破坏。与此同时，因为多任务并行，对绩效的考核，和真实的效率之间就更容易出现误差。

假定有两个努力方向， 一个同时和绩效标准和真实效率有关，一个只和真实效率有关，但是和绩效考核标准关系不大。那么显然管理者就更容易只对着和绩效相关的地方去努力。

这些都是环环相扣的，正是因为国企需要同时兼顾市场和政令，所以就导致国企无法像私企那样给一个很高的激励体制给自己的经理人——因为这样只有两个可能：要么因为激励太强，导致国企的管理人员「不听话」了，要么因为激励给偏了，从而导致真实的效率还不如低激励的时候。

并且国企的经营者还面临着激励一致性不足的问题。私企无论谁当股东，都希望自己公司的市值越来越高，公司资产越来越多；但是国企经营者的行政领导往往是有任期的，而行政领导的任期和企业的经营周期并不重合。

不同的领导，甚至于同一个领导在不同的时期都可能会提出不同的要求，而这些要求也并不总是能够和企业利润最大化一致。而管理人员对这一点是有预期的。那么在制定长期规划的时候就会尽量的保守，以免领导更换之后，面临巨大的沉没成本要负责的问题。

最后还有一点是和科斯定理有关的，那就是在完成政府目标这方面，「国企」相比私企比较好用，背后所反映的是两种激励之间的权衡。国企对经营者的激励是官僚层级上的提升，也就是内部晋升，而私企对经营者的激励是市场报酬。如果内部晋升更加的好用，那么有两种可能的解释：

第一种可能的解释是内部组织非常的精炼和高效，所以激励更强，应该进一步扩大；第二种解释是说明整体外部市场的有效程度还很不够，摩擦力太大，以至于通过政策+补贴的市场化激励还不如内部的行政命令。

Reference

https://www.zhihu.com/question/301294803/answer/2812237308

Thinking about ML

Learning from Deep Learning from Scratch. Let’s me share some thinking and ideas.

  • 1. Neural Network, multi-layer affine and activation function work great with non-linear transformation. Results are boosted to higher dimension.
  • 2. The combination between NN and loss minimisation make backward propagation applicable. Each little step of movements are the result of previous scholars’ research. That makes me feel closely how technologies and theories are developed, and how well statistics and mathematics are applied.
  • 3. Theories are inherited from previous research. Every year and every month, there are researchers from different countries, from different institutions, universities or high-tech firms, publish brilliant papers that are highly shocked and astonishing to further development.
  • 4. The current development of CS or ML are really top-notch and inspiring. Hardware, CPU & GPU & Cloud provide speedy efficiency of calculation, linear algebra works well on the Computer ; algorithms are innovative and update vastly. Hardware and Software together improve the ability of prediction.
  • 5. Although good for predicting, Deep Learning algorithms, NN, is still a Black Box, which means one could not explain the reason of getting the result. The bridge between Input <-> Output are weights, and weights are explained by backward propagation. However, is that pattern true? Is that a Correlation or Causality?

日本和韩国-低生育率的两个模版

经济发展潜力中，不可或缺的就是相对年轻的人口结构，我国的发展模式也是摸着石头过河，参考各个经济体的发展经验，从而试验出最适合我们发展的路线。东亚更是在战后成为全球发展最快的经济区域，其中我国的经济发展还相对靠后一些，最具代表性的是日本、韩国以及新加坡，也是少数跨越中等收入陷阱进入发达国家行列的经济体，日本迅速成为世界第二大经济体，韩国创造了著名的汉江奇迹，并且创造了发展中国经济体在此阶段的增长记录，改开后的很多政策都能看到这些经济体发展时期的影子。人口结构在东亚发展中也比较特殊，经济高增长时期往往是人口结构相对年轻的时候，而深度老龄化与少子化又比其他区域也更严峻，甚至出现了未富先老的问题，日本和韩国对待人口问题的政策差异很大，结果数据上也差异很大，为后来的经济体提供了两个参考模板。

1. 东亚经济奇迹与人口红利

第二次世界大战以后，世界格局洗牌，但东亚依旧很难摆脱贫穷落后的标签，日本虽然具有工业体系，身为法西斯和战败国被美军占领，当时也有戏称麦克阿瑟是日本真正的天皇。东亚之后便集中出现了多个经济体进入高速的发展阶段，其中以体量和增速划分，日本处于经济增长的第一梯队，凭借着工业化水平和出口导向，迅速实现了工业化到民用商品化的转化，全球范围内都能看到日本商品的影子，三四十年的发展便坐上世界第二大经济体的为主。第二梯队则是以韩国、我国台湾、我国香港、新加坡为代表的高增长经济体，俗称为亚洲四小龙，韩国在1965~1989年平均经济增速中，与新加坡共同领衔全球最高的7%的增速，根据70法则，每十年经济翻一番，韩国的经济奇迹也被称为汉江奇迹。第三梯队则是我国大陆、东南亚一些欠发挥国家为代表的经济体。以1965~1989年期间的经济数据，全球经济增长前十的国家和地区，除了瑞士、埃及加拿大以外的七个经济区域都在东亚。年平均增长率超过4%的12个经济区域，东亚占9个，筑起了东亚奇迹。

当然90年代以后，日本韩国纷纷深陷经济金融危机，但东亚奇迹并没有结束，而是一个新的开始，接过高速发展旗帜的则是我们经济体。我国市场经济虽然起步晚，但凭借着综合优势，比如基础工业化既有苏联老大哥的协助，又有中美蜜月期美国的协助，结合巨大的高性价比人口红利释放，尤其是60后婴儿潮、80后婴儿潮。快速的坐稳世界第一大制造业产能国、稳居世界第二大经济体以及世界第一大进出口国，超过韩国创造的7%发展奇迹，改革开放后维持了40年平均9.7%的增速，单独支撑了一个经济奇迹，至于最近十几年跟着玩金融信贷扩张，透支经济未来以及政策推高的资产泡沫，那是另外一个故事了，十几亿人温饱脱贫是举世无双的经济成就。

结合东亚人口稠密，资源有限，竞争激烈，可能还有传统文化的影响，盛产高性价比劳动力，这对任何资本都是一座金山，对内可以支撑发展的原始积累，对外是吸引国际资本和产业的筹码，资本都是逐利的。不管是我国、日本、韩国，经济高速增长时期都离不开一个支撑，那就是相对年轻的人口结构，我国的62年以后每年约2500万的婴儿潮，韩国1955~1963年的710万婴儿潮，日本的战后和平时期3年超过800万的婴儿潮，之后都成为了经济发展的重要力量，现在也被称为人口红利。人口结构相对年轻，10个人8个劳动力，与10个人4个劳动力，经济发展潜力当然不同。有人总说我国人口多，不需要鼓励生育，典型的只看体量不看结构，消耗的人大于产出的人，压力都到了后来者头上，结果就是恶性循环。

日本与韩国人口问题的政策差异

高速的工业化，城镇化以及平均受教育水平都会降低人口出生率，但根据全球的发展趋势，这三项都很难逆转。政策干预生育率往往只能让生育率下降减速，最好的结果是稳住不继续下降，而这些政策的核心是增加公共服务，以及宏观资源向年轻群体倾斜。

我们先回顾一下日本模式，核心政府不断增加负债来维持社会的公共服务支出，进而弥补企业和居民部门信贷和消费收缩带来的问题，当然这种公共服务也包括对生育环节的扶持。这个趋势是从90年代日本资产泡沫破裂以后开始的，日本模式的好处是经济不至于崩地彻底，也并没有出现更大范围的失业和金融停摆。代价则是居高不下的政府负债率，政府杠杆主要经济体中独树一帜，美国经常提高政府负债上限至今也是望尘莫及。

之后还有了所谓的安倍经济学，其三板斧分别是：更宽松的货币政策、更灵活的财政政策以及结构性改革。前两个比较突出，但并没有新的东西，安倍经济学是把日本模式玩到了极致，用更快速的给政府加杠杆的方式，再配合灵活的财政政策给市场输血，刺激经济热度，尤其是给居民输血，经济状况好坏都需要维持居民的公共福利开销。当然代价也是非常明显的，安培经济学把兴奋剂翻一倍，效果立竿见影但持续时间很短，之后又恢复到了极低增长和负利率之中，更快速的积累了尾大不掉的政府杠杆，让后来日本货币政策几乎失去了选择的余地，只能在无限宽松中一条路走到黑，美联储加息周期中，美元兑日元一年不到的十年站上140的位置，日元一年不到的时间贬值25%。

日本政府加杠杆减低居民压力的方式，隐藏的一个利好数据则是总和生育率，90年代资产泡沫破裂前后的总和生育率在1.5左右，截止2021年的数据，日本的综合生育率为1.34，三十年降低了约0.16的程度。此外，日本还是全球人均寿命最高的经济体，这也验证了一个结论，虽然日本模式代价很大，但毕竟玩了三十年。既然做不动分配改革，政府加杠杆总好过迫使居民加杠杆。日本模式只要还能维系一天，这种公共服务和生育率预计就还能维持一天，直至日本模式玩崩为止，或者说，即使日本模式今天崩溃，那不也续了30年的命么，居民享受了三十年的高公共服务，人生也没有几个三十年，很难说不值。

而韩国则是另一个发达国家的极端，以10%左右的公共福利占GDP的比重在发达国家中稳坐倒数第一的宝座，对内要喂饱财阀势力，对外要喂饱国际资本。以前政府只需要与财阀斗争，97年亚洲金融危机放开了外资控股，现在的三星现代等大企业都有大量的外资控股，财阀和国际资本形成利益捆绑，让本就没有军事主权的国家，根本无法对这些既得利益者下手，强人如文在寅也并没有触及这些分利集团的核心，世袭罔替的大小财阀根据推算可以占到韩国GDP的9成以上，预计不是和平方式可以撼动的。

居民看不到希望，高压下也没有讨价还价的资本，这种经济发展更多的是钝刀杀人。既没有暴力，也没有明面的掠夺，但就是中下层逐渐成为财阀和买办利益的牺牲品。居民部门负债占GDP比值超过100%，也是2008年全球金融危机之后独一档的存在。虽然韩国公共福利占GDP的比重逐年增加，却依旧维持在10%水平。相比于经合组织的其他发达国家的30%左右仍有巨大的差异，常年处于垫底的水平。既得利益者对居民的高压掠夺，且极其吝啬的公平服务，不仅是世界上第一个突破1的经济体。还在不断的刷新着自己的记录，2021年更是把世界的下限拉低到0.81，成为全球和平时期最可能把自己民族搞绝种的经济体。

总结起来：东亚奇迹有他的进步性，但也有很多问题，依靠人口红利和快速的工业化崛起，也必将因为工业化后，人口红利老去进入深度的老龄化。日本模式和韩国模式，必将成为东亚其他后来发展经济体必要摸的石头，这里都可以归入到系列文章提到的上中下三策：上策分配改革，调节财富结构，出清既得利益者；中策政府部门负债维持公共支出，保障居民的社会福利和生活质量；下策则是把成本都压到居民头上，居民不断加杠杆为各个环节提供利益。

日本模式可以归入到中策，韩国模式则可以近似归入到下策。之所以用近似，是因为韩国模式也未必是坏的结果，韩国分配再烂，也已经进入了高收入国家行列，有大量的高附加值市场占比。东亚的其他经济体如果再不提前做分配改革计划的上策，又不愿意政府负债来维持公共支出和居民福利，一味的给居民加杠杆来加剧财富结构畸形的下策，结果只会比韩国更惨，更低的生育率，深度老龄化后的老无所依问题，社会的僵化和阶层固化，都将是不可抗拒但又可以预期的结果。

Ref

文章全文摘自王克单出处：https://mp.weixin.qq.com/s/7d21-hVYi2a3KyllR44o9Q

财务造假分析 – 大坑

财务造假的动机

  1. 避免ST
  2. 有融资需求，让报表好看
  3. 完成业绩对赌协议
  4. 个人利益

造假的手段

  1. 虚增收入 by 虚构客户 供应商，循环交易
  2. 虚增收入 by 无中生有，遭假合同 流水
  3. 虚增收入 by 提前确认收入（权责发生制 提前确认）
  4. 虚减费用 by 删除账目。 导致lia和exp同减少
  5. 虚减费用 by 会计政策变更，coz 不计提坏账等
  6. 虚减费用 by 跨周期确认费用 以调整利润

识别

  • 1. Gross Profit Margin

通过虚增利润、虚减费用等方法会造成 Gross Profit Margin陡增。因为Rev 虚增时 COGS不变；同理COGS虚减时， Rev不变 ==> 导致GPM陡增。

因此GPM跨时间周期中大幅波动；GPM 显著高于同业 等情况需要引起重视。

  • 2. Inventory Turnover 与 经营情况不符。

正常企业经营，Rev COGS高是由于卖货多，所以 Inv Turnover 增加，意味着企业运营能力提高，会带来 Rev COGS提高，会带来 NI提高。

但是，若Inv Turnover 减少，同时Rev增加，需要引起重视。有可能是企业，虚增业务导致Rev增加，而实际并未有业务发生，所以Inv不变，所以Inv Turnover不变。

  • 3. CF表

CFO与NI的关系。 若NI常年未能转化成Cash，说明企业有巨多A/R，此部分A/R很可能是虚增的：Dr. A/R; Cr.Rev 为了虚增Rev。

  • 4. Others

如企业账上有巨多Cash，还要融资。等不正常行为。

Reference

大公国际-财务造假手段识别与分析Download

意识形态的思考

中美意识形态带来机构体系运行模式的不同。

我国 中央集权，部委及银行为中央效力。 e.g. 央行担任政府的银行的职能

US 三权分立：1. 行政机关：总统+内阁； 立法机关：参议院；3. 司法：最高法院。法律成文需要总统提案，参议院通过。&& Fed 和 gov独立。

意识形态的区别本无对错，都是控制社会主体有效运行的方式。

但是意识形态之间有区别：

  1. 中央集权的形态有助于上对下的管理，集中统一控制管理。但是会面临公平与效率的平衡：1. 指令有对错，取决于上层的能力和目的。2. 指令在传达向下时会浪费大量社会资源。3. 需要社会整体服从，分支的声音和思想会造成更大的效率浪费。4. 依托高层的信誉和下层的服从，需要大量的“服从”教育，减少异端思想，提高巩固稳定思想或没有思想。本质上看是基于管理的平衡和稳定。
  2. 分立的形态使得社会有自主的思想。基于社会主体max utility的假设，促进社会竞争，让社会自己达成动态均衡状态。但是同样会有以下问题：1. 社会不平等的现象必然会发生，因为意识形态本质上是在鼓励效率最大化，同时一定程度的放弃公平，所以不平等的到默许。2. 难以有social planner角色出现。3. dynamic equilibrium的体系可能会受极端冲击而崩塌。本质上是社会自我调节追求效率达到的平衡。

重复我的观点，意识形态本无对错，或者说就目前的社会研究难以分清对错。目前的国际矛盾也不是来源于意识形态的差异，而是来源于增长带来的对地位和利益的威胁。

虽然意识形态无对错，但是意识形态间的跳转意味着巨量的成本、摩擦、与体系机构等更新换代，同时还受制于历史文化因素考虑，意识形态无法跳转。因此，坚守自己所处的环境的意识形态，是为社会进步作出的最好的努力。

在我国，维持中央集权的意识形态是维持中国发展有效的方式，可以有自己的思想，但是不要制造发布意识形态间跳转的言论。我作为一个中国人，我坚定的热爱我的祖国，争取为我国发展作出贡献。