Python政府短期或长期债务李嘉图等价模型状态矩阵

🎯要点

🎯居民消费,财政用途:🖊贴现未来单期公用事业 | 🖊无风险单期贷款毛利率 | 🎯完全和不完全市场中居民消费:🖊计算完全市场、不完全市场中消费和债务发展趋势 | 🖊有限状态马尔可夫模拟费用收入 | 🎯完全和不完全市场税收:🖊有限状态马尔可夫模拟完全市场,政府单期支出和累积回报 | 🖊马尔可夫模拟:和平时期政府预算,战争时期政府预算 | 🖊马尔可夫跳跃于和平期和战争期,模拟政府预算 | 🎯马尔可夫跳跃过程:🖊计算单期收益 | 🖊李嘉图-巴罗效应模型(也称为李嘉图等价):计算政府税收和借贷 | 🎯最优财政政策规划:🖊拉姆齐定价规划税率、税收收入、政府债务的动态 | 🎯全球化两国创新周期轨迹模拟。

🎯资产价格:Python和MATLAB及C++资产价格看涨看跌对冲模型和微积分

🎯风险获利:Python流动性做市风险获利 | 信息不对称买卖数学模型

🎯市场流动性:Python | C++ | MATLAB | Julia | R 市场流动性数学预先评估量

🎯市场机制:Python牛市熊市横盘机制 | 缺口分析 | 头寸调整算法

🎯金融数学:C++和Python计算金融数学方程算法模型

🍇Python宏观经济学矩估计

矩估计就是模拟模型数据 S S S次,并使用模拟数据中矩的平均值作为模型矩的估计量。令 x ~ = { x ~ 1 , x ~ 2 , … x ~ s , … x ~ S } \tilde{x}=\left\{\tilde{x}_1, \tilde{x}_2, \ldots \tilde{x}_s, \ldots \tilde{x}_S\right\} x~={x~1,x~2,x~s,x~S} 为模型数据的 S S S​ 模拟。
m ^ ( x ~ ∣ θ ) = 1 S ∑ s = 1 S m ( x ~ s ∣ θ ) \hat{m}(\tilde{x} \mid \theta)=\frac{1}{S} \sum_{s=1}^S m\left(\tilde{x}_s \mid \theta\right) m^(x~θ)=S1s=1Sm(x~sθ)
一旦我们从 S S S 模拟中估计出模型矩 m ^ ( x ~ ∣ θ ) \hat{m}(\tilde{x} \mid \theta) m^(x~θ),矩估计就与我们对广义矩法的介绍非常相似。估计参数向量 θ ^ S M M \hat{\theta}_{S M M} θ^SMM 的矩估计法是选择 θ \theta θ 来最小化数据矩 m ( x ) m(x) m(x) 与模拟模型矩的距离度量 m ^ ( x ~ ∣ θ ) \hat{m}(\tilde{x} \mid \theta) m^(x~θ)
θ ^ S M M = θ : min ⁡ θ ∣ ∣ m ^ ( x ~ ∣ θ ) − m ( x ) ∣ ∣ \hat{\theta}_{S M M}=\theta: \quad \min _\theta|| \hat{m}(\tilde{x} \mid \theta)-m(x)|| θ^SMM=θ:θmin∣∣m^(x~θ)m(x)∣∣
在此,矩估计量如下:
θ ^ S M M = θ : min ⁡ θ e ( x ~ , x ∣ θ ) T W e ( x ~ , x ∣ θ ) \hat{\theta}_{S M M}=\theta: \quad \min _\theta e(\tilde{x}, x \mid \theta)^T W e(\tilde{x}, x \mid \theta) θ^SMM=θ:θmine(x~,xθ)TWe(x~,xθ)
其中 W W W 是准则函数中的 R × R R \times R R×R 权重矩阵。现在,将此加权矩阵视为单位矩阵。我们将二次形式表达式 e ( x ~ , x ∣ θ ) T W e ( x ~ , x ∣ θ ) e(\tilde{x}, x \mid \theta)^T W e(\tilde{x}, x \mid \theta) e(x~,xθ)TWe(x~,xθ) 称为准则函数,因为它是严格正标量,即矩估计问题陈述中最小化的对象。准则函数中的 R × R R \times R R×R 加权矩阵 W W W 允许计量经济学家控制最小化问题中每个时刻的加权方式。例如, W W W R × R R \times R R×R 单位矩阵将为每个时刻赋予相等的权重,而标准函数将是偏差百分比(误差)的简单平方和。其他加权策略可以由问题或模型的性质决定。

矩估计需要强调的最后一项是,为模型的 S S S 模拟绘制的误差必须仅绘制一次,以便最小化问题 θ ^ S M M \hat{ \theta}_{S M M} θ^SMM 不会因 θ \theta θ 值的每次猜测而改变底层采样。更简单地说,您希望所有模拟的随机抽取保持不变,以便最小化问题中唯一改变的是参数向量 θ \theta θ 的值。

💦正态分布拟合到中等宏观经济学测试分数

数据位于文本文件 tpts.txt 中。回想一下,这些测试分数在 0 到 450 之间。下图显示了数据的直方图,以及三个截断的正常概率密度函数。黑线是截断的正态概率密度函数的 μ \mu μ σ \sigma σ 的机器学习估计。红线和绿线只是截断法线参数 μ \mu μ σ \sigma σ 的两个“任意”选择的组合的概率密度函数。

import requests
from IPython.display import Imageurl = ('https://raw.githubusercontent.com/Notebooks/' +'master/DMM/images/Mplots.png')
image_file = requests.get(url, allow_redirects=True)
open('Mplots.png', 'wb').write(image_file.content)
Image("Mplots.png")

让我们尝试根据矩估计的截断正态分布来估计参数 μ \mu μ σ \sigma σ​。我们应该利用哪些时刻?让我们尝试一下数据的均值和方差。这两个数据统计定义为:
mean  ( scores ⁡ i ) = 1 N ∑ i = 1 N scores ⁡ i var ⁡ ( scores ⁡ i ) = 1 N − 1 ∑ i = 1 N ( scores ⁡ i − mean ⁡ ( scores ⁡ i ) ) 2 \begin{gathered} \text { mean }\left(\operatorname{scores}_i\right)=\frac{1}{N} \sum_{i=1}^N \operatorname{scores}_i \\ \operatorname{var}\left(\operatorname{scores}_i\right)=\frac{1}{N-1} \sum_{i=1}^N\left(\operatorname{scores}_i-\operatorname{mean}\left(\operatorname{scores}_i\right)\right)^2 \end{gathered}  mean (scoresi)=N1i=1Nscoresivar(scoresi)=N11i=1N(scoresimean(scoresi))2
因此,矩估计的数据矩向量 m ( x ) m(x) m(x) 如下
m ( scores ⁡ i ) ≡ [ mean ⁡ ( scores ⁡ i ) var ⁡ ( scores ⁡ i ) ] m\left(\operatorname{scores}_i\right) \equiv\left[\begin{array}{c} \operatorname{mean}\left(\operatorname{scores}_i\right) \\ \operatorname{var}\left(\operatorname{scores}_i\right) \end{array}\right] m(scoresi)[mean(scoresi)var(scoresi)]
测试分数的一次模拟(某次模拟)会是什么样子?数据文件 tpts.txt 中有 161 个测试分数观测值。因此,一次模拟(某次模拟)将是从参数 μ 、 σ \mu、\sigma μσ 和截断值 = 450 =450 =450 的截断正态分布中抽取 161 个测试分数。

import numpy as np
import numpy.random as rnd
import numpy.linalg as lin
import scipy.stats as sts
import scipy.integrate as intgr
import scipy.optimize as opt
import matplotlib
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
cmap1 = matplotlib.cm.get_cmap('summer')%matplotlib notebook
url = ('https://raw.githubusercontent.com/Notebooks/' +'master/DMM/data/tpts.txt')
data_file = requests.get(url, allow_redirects=True)
open('tpts.txt', 'wb').write(data_file.content)pts = np.loadtxt('tpts.txt')

令随机变量 y ∼ N ( μ , σ ) y \sim N(\mu, \sigma) yN(μ,σ) 服从均值 μ \mu μ 和标准差 σ \sigma σ 的正态分布,PDF 为 ϕ ( y ∣ μ , σ ) \phi(y \mid \mu, \sigma) ϕ(yμ,σ)和 CDF 由 Φ ( y ∣ μ , σ ) \Phi(y \mid \mu, \sigma) Φ(yμ,σ) 给出。随机变量 x ∈ ( a , b ) x \in(a, b) x(a,b) 的截断正态分布基于 y y y,但截止值为 a ≥ − ∞ a \geq-\infty a 作为下限, a < b ≤ ∞ a<b \leq \infty a<b 为上限具有以下概率密度函数。
f ( x ∣ μ , σ , a , b ) = { 0 if  x ≤ a ϕ ( x ∣ μ , σ ) Φ ( b ∣ μ , σ ) − Φ ( a ∣ μ , σ ) 0 if  x ≥ b if  a < x < b f(x \mid \mu, \sigma, a, b)=\left\{\begin{array}{l} 0 \text { if } \quad x \leq a \\ \frac{\phi(x \mid \mu, \sigma)}{\Phi(b \mid \mu, \sigma)-\Phi(a \mid \mu, \sigma)} \\ 0 \quad \text { if } \quad x \geq b \end{array} \quad \text { if } a<x<b\right. f(xμ,σ,a,b)= 0 if xaΦ(bμ,σ)Φ(aμ,σ)ϕ(xμ,σ)0 if xb if a<x<b
截断法线的累计密度函数可以表示为:
F ( x ∣ μ , σ , a , b ) = { 0 if  x ≤ a Φ ( x ∣ μ , σ ) − Φ ( a ∣ μ , σ ) Φ ( b ∣ μ , σ ) − Φ ( a ∣ μ , σ ) 0 if  x ≥ b if  a < x < b F(x \mid \mu, \sigma, a, b)=\left\{\begin{array}{l} 0 \quad \text { if } \quad x \leq a \\ \frac{\Phi(x \mid \mu, \sigma)-\Phi(a \mid \mu, \sigma)}{\Phi(b \mid \mu, \sigma)-\Phi(a \mid \mu, \sigma)} \\ 0 \quad \text { if } \quad x \geq b \end{array} \quad \text { if } a<x<b\right. F(xμ,σ,a,b)= 0 if xaΦ(bμ,σ)Φ(aμ,σ)Φ(xμ,σ)Φ(aμ,σ)0 if xb if a<x<b
请注意, z z z 只是 p p p 的变换,使得 z ∼ U ( Φ − 1 ( a ∣ μ , σ ) , Φ − 1 ( b ∣ μ , σ ) ) z \sim U\left(\Phi^{-1}(a \mid \mu, \sigma), \Phi^{-1}(b \mid \mu, \sigma)\right) zU(Φ1(aμ,σ),Φ1(bμ,σ))​。

定义函数,根据截断正态分布给出概率密度函数值

def trunc_norm_pdf(xvals, mu, sigma, cut_lb, cut_ub):if (cut_lb == None) & (cut_ub == None):cut_ub_cdf = 1.0cut_lb_cdf = 0.0elif (cut_lb != None) & (cut_ub == None):cut_ub_cdf = 1.0cut_lb_cdf = sts.norm.cdf(cut_lb, loc=mu, scale=sigma)elif (cut_lb == None) & (cut_ub != None):cut_ub_cdf = sts.norm.cdf(cut_ub, loc=mu, scale=sigma)cut_lb_cdf = 0.0elif (cut_lb != None) & (cut_ub != None):cut_ub_cdf = sts.norm.cdf(cut_ub, loc=mu, scale=sigma)cut_lb_cdf = sts.norm.cdf(cut_lb, loc=mu, scale=sigma)pdf_vals = (sts.norm.pdf(xvals, loc=mu, scale=sigma) /(cut_ub_cdf - cut_lb_cdf))return pdf_vals

定义从截断的结果中提取 N x S 测试分数值的函数

def trunc_norm_draws(unif_vals, mu, sigma, cut_lb, cut_ub):if (cut_lb == None) & (cut_ub == None):cut_ub_cdf = 1.0cut_lb_cdf = 0.0elif (cut_lb != None) & (cut_ub == None):cut_ub_cdf = 1.0cut_lb_cdf = sts.norm.cdf(cut_lb, loc=mu, scale=sigma)elif (cut_lb == None) & (cut_ub != None):cut_ub_cdf = sts.norm.cdf(cut_ub, loc=mu, scale=sigma)cut_lb_cdf = 0.0elif (cut_lb != None) & (cut_ub != None):cut_ub_cdf = sts.norm.cdf(cut_ub, loc=mu, scale=sigma)cut_lb_cdf = sts.norm.cdf(cut_lb, loc=mu, scale=sigma)unif2_vals = unif_vals * (cut_ub_cdf - cut_lb_cdf) + cut_lb_cdftnorm_draws = sts.norm.ppf(unif2_vals, loc=mu, scale=sigma)return tnorm_draws

从平均值 μ = 300 , σ = 30 \mu=300, \sigma=30 μ=300,σ=30 的截断正态分布中模拟 161 个测试分数会是什么样子?

mu_1 = 300.0
sig_1 = 30.0
cut_lb_1 = 0.0
cut_ub_1 = 450.0
unif_vals_1 = sts.uniform.rvs(0, 1, size=161)
draws_1 = trunc_norm_draws(unif_vals_1, mu_1, sig_1,cut_lb_1, cut_ub_1)
print('Mean score =', draws_1.mean())
print('Variance of scores =', draws_1.var())
print('Standard deviation of scores =', draws_1.std())count_d, bins_d, ignored_d = \plt.hist(pts, 30, density=True, color='b', edgecolor='black',linewidth=0.8, label='Data')
count_m, bins_m, ignored_m = \plt.hist(draws_1, 30, density=True, color='r', edgecolor='black',linewidth=0.8, label='Simulated data')
xvals = np.linspace(0, 450, 500)
plt.plot(xvals, trunc_norm_pdf(xvals, mu_1, sig_1, cut_lb_1, cut_ub_1),linewidth=2, color='k', label='PDF')
plt.title('Econ 381 scores: 2011-2012', fontsize=20)
plt.xlabel('Total points')
plt.ylabel('Percent of scores')
plt.xlim([0, 550])  
plt.legend(loc='upper left')

通过该模拟,我们可以根据模拟数据计算矩,就像根据实际数据计算矩一样。

👉参阅一:计算思维

👉参阅二:亚图跨际

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/27348.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

理解Python的元类

1.type()函数 type 函数是一个内置函数&#xff0c;用来获取一个对象的类型。它可以接受一个参数&#xff0c;返回这个参数的数据类型。type也可以用来创建类&#xff0c;type就是元类 x333 list["ab"] tuple (1, "a", True, 3.14) dict {name: Alice,…

初步认识Mysql数据库

MySQL数据库是一个广泛使用的关系型数据库管理系统&#xff08;RDBMS&#xff09;&#xff0c;以下是对其的初步认识&#xff1a; 1. 定义与背景 定义&#xff1a;MySQL是一个开源的关系型数据库管理系统&#xff0c;用于存储和管理大量的数据。背景&#xff1a;MySQL由瑞典的…

这4款国产软件,因为太良心好用,甚至被误认为是外国人开发的

说起国产软件&#xff0c;大家总是容易给它们打上“流氓、要钱、广告满天飞”的标签&#xff0c;其实&#xff0c;有些小众的软件超级好用&#xff0c;功能强大又不耍流氓&#xff0c;真心不该被一棍子打死。 1、sunlight studio Sunlight Studio是一个开源、免费、无广告的硬…

从云端到终端:青犀视频汇聚/融合平台的视频接入方式与场景应用

一、青犀视频汇聚/融合平台 由TSINGSEE青犀视频研发的EasyCVR智能融合/视频汇聚平台基于“云-边-端”一体化架构&#xff0c;支持视频汇聚、融合管理&#xff0c;兼容多协议&#xff08;GA/T1400/GB28181/Onvif/RTSP/RTMP/海康SDK/Ehome/大华SDK/宇视SDK等&#xff09;、多类型…

你的职业规划就是面向贫穷的规划

如果你觉得作者的文章还有点用,请记得点赞 + 关注 说一个扎心的事实,就是我们绝大多数人的职业规划基本上都是错误的,都是面向贫穷的规划。 因为绝大多数人的职业规划都是打工人的职业规划,这种规划除了很少部分人最终能成为企业高管,实现层级跃迁外,绝大多数人在大多数…

单向环形链表的创建与判断链表是否有环

单向环形链表的创建与单向链表的不同在于&#xff0c;最后一个节点的next需要指向头结点&#xff1b; 判断链表是否带环&#xff0c;只需要使用两个指针&#xff0c;一个步长为1&#xff0c;一个步长为2&#xff0c;环状链表这两个指针总会相遇。 如下示例代码&#xff1a; l…

解决 SQLyog 连接 MySQL 8 连不上和 SQLyog Trial 试用到期的问题

今天发现 SQLyog 突然连不上 MySQL 了&#xff0c;跟之前不一样的地方就是我升级了 MySQL&#xff0c;升级到了 MySQL 8。 原来是因为 MySQL 8 引入了新的密码验证机制。在 MySQL 8 中默认的密码验证插件从 mysql_native_password 更换为 caching_sha2_password。我的 SQLYog …

Java17 --- RabbitMQ之常规使用

目录 一、实现消息可靠性投递 1.1、消息生产者端确认机制 1.2、备份交换机 1.3、消费端确认机制 二、消费端限流设置 三、消息超时设置 3.1、从队列设置全局超时时间 3.2、设置消息本身超时时间 四、死信 4.1、消费端拒绝接收消息 4.1.1、创建死信交换机与队列 …

LangChain入门学习笔记(一)——Hello World

什么是LangChain LangChain是一个开源&#xff08;github repo&#xff09;的大语言模型应用开发框架&#xff0c;提供了一整套的工具、方法和接口去帮助程序员构建基于大语言模型的端到端应用。LangChain是长链&#xff08;long chain&#xff09;的意思&#xff0c;它的一个…

Linux驱动开发笔记(八)输入子系统

文章目录 前言一、输入子系统1. 子系统的引入2. 组成部分3. 事件处理流程4. 相关数据结构 二、程序编写1. 相关API函数1.1 input_allocate_device ( )1.2 input_free_device ( )1.3 input_register_device ( )1.4 input_unregister_device ( )1.5 input_event ( )1.6 input_rep…

Prometheus写入influxDB:中间件remote_storage_adapter

Prometheus写入influxDB&#xff1a;中间件remote_storage_adapter prometheus默认采用的是本地磁盘做数据存储&#xff0c;本地存储的优势就是运维简单但是缺点就是无法海量的metrics持久化和数据存在丢失的风险,数据写入可能造成wal文件损坏导致采集数据无法再写入的问题。 …

【嵌入式DIY实例】-Nokia 5110显示DS18B20传感器数据

Nokia 5110显示DS18B20传感器数据 文章目录 Nokia 5110显示DS18B20传感器数据1、硬件准备2、代码实现本文将介绍如何使用 ESP8266 NodeMCU 板和 DS18B20 数字温度传感器实现简单的温度测量站。 NodeMCU 微控制器 (ESP8266EX) 从 DS18B20 传感器读取温度值,并将其打印在诺基亚 …

LeetCode 2786.访问数组中的位置使分数最大:奇偶分开记录(逻辑还算清晰的题解)

【LetMeFly】2786.访问数组中的位置使分数最大&#xff1a;奇偶分开记录&#xff08;逻辑还算清晰的题解&#xff09; 力扣题目链接&#xff1a;https://leetcode.cn/problems/visit-array-positions-to-maximize-score/ 给你一个下标从 0 开始的整数数组 nums 和一个正整数 …

如何使⽤C语⾔填充封闭图形?

一、问题 如要对封闭图形&#xff08;如两个区域的交集&#xff09;进⾏填充&#xff0c;那么怎么实现呢&#xff1f; 二、解答 填充就是⽤指定的颜⾊和图案填满⼀个封闭图形。 TC 提供了⼀个可对任意封闭图形填充的函数&#xff0c;即 floodfill( ) 。其调⽤格式如下&#xf…

Nginx部署Vue项目css文件能加载但是不生效

目录 问题描述问题解决 问题描述 Nginx部署打包后的Vue项目css文件能加载但是不生效&#xff0c; 问题解决 查看响应标头&#xff0c;发现不对劲&#xff0c; Content-Type: text/plain正确的应该是 Content-Type: text/css根本原因是nginx没有告诉浏览器正确的文件类型 所…

Kubernetes面试整理-Kubernetes 如何工作?

1. 部署应用: ● 开发者或管理员定义一组期望的状态(通常通过 YAML 文件),描述了应用包括的 pods、容器镜像、网络设置和存储要求。 ● 这些定义文件会提交给 API 服务器,存储在 etcd 中。 2. 调度: ● 当创建 pod 请求提交给 Kubernetes 时,调度器会选择一个节点来部署…

Postman接口测试/接口自动化实战教程

一、API 自动化测试 Postman 最基本的功能用来重放请求&#xff0c;并且配合良好的 response 格式化工具。 高级点的用法可以使用 Postman 生成各个语言的脚本&#xff0c;还可以抓包&#xff0c;认证&#xff0c;传输文件。 仅仅做到这些还不能够满足一个系统的开发&#x…

springboot学习小结

背景 业务上需要开发&#xff0c;组里一位前辈给我指路 spring基础 什么是spring spring提供一个容器称为spring应用上下文&#xff0c;容器里可以创建和管理组件&#xff0c;组件会在容器里装配好&#xff0c;组件也可以叫bean。 装配不由组件创建他依赖的组件&#xff0…

Python学习打卡:day05

day5 笔记来源于&#xff1a;黑马程序员python教程&#xff0c;8天python从入门到精通&#xff0c;学python看这套就够了 目录 day538、函数的初体验39、函数的基础定义语法函数的定义注意事项 40、函数的基础定义案例练习41、函数的传入参数42、函数的传入参数案例练习——升…

GEE数据融合——Landsat (collection 2,level 2 )4、5、7、8、9长时间序列影像数据融合和视频导出分析

本次我们使用Landsat (collection 2,level 2 )4、5、7、8、9数据的地标反射率数据进行融合,来实现指定区域的影像导出分析。 简介 长时间序列影像数据融合是指将Landsat影像数据集合2级2(Level 2)中的4、5、7、8和9这五个卫星的数据进行融合。具体来说,这包括将同一地…