与二货妈妈有关论文参考文献

摘 要】从美国次贷危机开始，到美国的房利美和房地美“两房”危机，再到雷曼兄弟申请破产、美林银行被收购、美国最大的保险公司AIG濒临破产被注资850亿美元拯救、全球股市的持续下跌，预示着华尔街最冷的冬天还没有到来，美联储前主席格林斯潘认为，美国正在陷入“百年一遇”的金融危机之中。在全球金融经济一体化的今天，必须认真分析美国金融危机对中国经济带来的影响，采取针对性的措施，才能避免更大的损失。 【关键词】金融危机 经济增长 货币政策 一、中国经济增长速度放缓趋势明显。 中国今明两年经济增速放缓将成为大势所趋，出口以及固定资产投资增速回落是必然趋势。据亚洲开发银行16日发布的年度报告《2008年亚洲发展展望更新》预计，中国经济增速将从2007年的11.9%回落到2008年的10%；2009年中国经济增速将进一步回落至9.5%。主要原如下， ①由于美国经济增长放缓，出口增长减速远超出预期； ②通货膨胀率升高的趋势将使政府采取更严厉的紧缩货币政策，固定资产投资增速放缓、企业倒闭潮出现，工业利润增长大幅放缓； ③信贷紧缩下房地产市场降温，可能出现比2008年更为严重的危机； ④宏观调控下，房地产、钢材、水泥、铝合金和汽车产业投资增速回落； ⑤每年1000万个新就业岗位完成很困难。农民工回农村种地回潮，农村隐性失业大量增加； ⑥由于明年油价和电价可能会进一步上调带来PPI继续上升的传导因素，2008年中国全年CPI涨幅预测值从先前的5.5%上调至7%。2009年预测值从2008年4月的5%上调到5.5%； ⑦居民消费增长速度下降，靠消费拉动经济增长等于“画饼充饥”。收入的不稳定性增大、股市的负财富效应、城乡居民收入差距进一步拉大等原因使居民的消费欲望受到抑制。 二、央行的货币政策陷入“左右为难”的境地。 目前，在“保增长”和“控制通货膨胀”之间，央行的货币政策“左右为难”。在全球金融危机下，中国的经济增长受到抑制，增长率放缓是必然的，但在连续10年的高速增长下的“急刹车”会是一大批企业倒闭和就业的困难，影响社会稳定和谐。但放松货币政策又使已经比较严重的PPI和CPI更加泛滥成灾。15日宣布的“两率”下调市场并不领情就是证明。同样，人民币对美元是继续升值或是贬值也是“两难”选择。 三、中国银行业的经营效益增长出现困难。 主要原因： ①在经济下滑状态下，银行的业务拓展空间变窄； ②在居民收入不稳定性加大和货币紧缩政策下，存款大量增加与贷款增量减少的矛盾突出，加上贷款基准利率下调0.27个百分点； ③经济下滑带来的行业、企业破产倒闭，银行不良贷款反弹压力很大（比如房地产贷款下面专门分析）； ④资产泡沫破裂后，银行的抵押物大量缩水，贷款的抵押率超过“警戒线”，第二还款来源丧失。如房地产抵押、土地抵押、股票质押的贷款最为明显； ⑤持有美国次级债或对美国破产公司的贷款造成的损失。如中国银行集团共持有雷曼兄弟控股公司及其子公司发行的债券7,562万美元；工商银行对雷曼公司贷款5000万美元；招商银行对雷曼贷款8000万美元； ⑥中国商业银行在2008年在海外的收购及投资因危机加重，过去的“抄底”行为变成了现在的“垫背”结果。按照高盛的预测，2009年香港H股中资银行的获利大约下降4%-8%；规模较小的股份制A股银行获利下降幅度更达到8%-13%。 四、各国央行任何救市行为都会“失灵”。 就在最近两天，以美联储为首的全球央行和金融监管当局各显神通，为金融体系注入超过3000亿美元的流动性。美联储过去两天连续通过回购协议向市场注资1200亿美元，这是“911”以来最大规模的注资行动。在美国之后，欧元区、英国、日本、澳大利亚以及瑞士等多个央行也连续采取注资措施。在亚洲，中国大陆和台湾都先后宣布下调存款准备金率或是贷款利率，印尼则宣布下调隔夜回购利率。 但各国央行的努力没有马上收到成效，道指、标普500指数、纳指、欧洲股市、伦敦股市全线下跌沪深A股金融股抛压沉重，沪指的十年成本线也岌岌可危。在投资者的信心跌到“冰点”之后，任何的救市措施都会在沉重的抛压之下，变成“昙花一现”的“绿色风景”。但需要积极的财政政策，今天的印花税单边征收就是较好的救市行为。在投资者信心丧失后，最好是彻底取消印花税。 五、房地产行业真正的“冬天”来临，寄希望于政府救房市无异于“痴人说梦”。 在全球金融危机带来的经济下滑趋势中，中国房地产行业的真正“冬天”和银行不良贷款风险将在2008年末与2009上半年开始显现。未来房产业的成交量持续下滑、购房者信心减弱和持币观望、空房率持续增加与毛利率下降，将导致开发商遭遇现金流的困扰，银行业中的房地产不良贷款风险将大为提高。 根据高盛从银行向65家房产商贷放记录分析来看，从去年10月楼市调整以来，开发商现金流不足现象，就已逐渐暴露出来；但开发商仍以较高的利率，从国内外的私人投资者吸引了资金。为了筹集现金，国内大牌明星房地产开发商万科、恒大等都在竞相降价销售，明显看出珠三角城市的房价已陷入下降趋势，尤其是同比下降较多的三个城市是深圳、广州与惠州。中国政府机构在16日表示，8月追踪70个城市的房价指数首度较前月下滑，上海地区下跌了0.2%。目前，中国各地房价下跌现象越来越普遍，房地产投资进一步萎缩。 此外，曾踊跃投资上海房地产的摩根士丹利，如今却要抛售部份最顶尖的豪宅，最近大摩旗下的房地产基金将两栋上海豪宅标售，包括新天地超过100间的商务住宅。此外，大摩原本有兴趣买下上海最高楼--上海环球金融中心的楼层，而后也作罢。结合美国的“金融危机”来看，大摩标售中国房地产有可能是为潜在的流动性危机做准备，它可能也预示着部分外资开始准备撤出中国房地产市场，这将对本在严冬中的中国房地产市场“雪上加霜”－－先是开发商面临偿付能力危机，其后是实力不济的房地产开发商倒闭，进而殃及国内银行。

金融市场的内在经济特征 汇率的内在波动性：汇率是两种货币的相对价格，同其他商品的价格一样，当需求和供给相等时，汇率达到均衡。有所不同的是，汇率是一种相对价格，两种货币的相对供给等于相对需求时决定了汇率水平。但有些因素会引起两种货币供求不平衡：货币政策变化是潜在不对称的根源，其它非对称变化，例如财政政策的变化、自然灾害、对世界货币的需求的变化，也能影响汇率，甚至是事件本身是对称的，如果市场参与者的反映不同，汇率也会发生改变。 一国的货币当局为了维持汇率的稳定必须不断地干预市场，如果干预政策有效，为了抵消起初的非对称变化导致的汇率改变，相对货币供给必须相应发生变化。 但是基于一些原因，外汇交易干预很容易变得不可能：一是外汇储备不是无限的，这适用于本国货币遭受攻击的情况，如果要使本国货币停止贬值，当局必须卖出外汇买入本国货币，但没有一个国家拥有无限的外汇储备面对全球市场大部分市场参与者连续不断地买入而不断地卖出，每天在全球外汇交易市场上易手的货币数量超过所有IMF成员国的外汇储备之和。 另一个原因与丁伯根定理有关，该定理表明，为了达到政策目标，独立政策工具的数量不能少于独立政策目标的数量。在目前环境下，工具是货币政策，目标是汇率稳定和国内经济稳定，一般来讲，一种政策工具不能达到两个目标。 为了维持汇率稳定就必须干预市场，然而却面临“两难选择”的困境，究竟是优先考虑汇率稳定还是国内经济？一个国家一般准备放弃货币政策的自主性或资本自由流动以维持汇率的稳定，尽管如此，外汇储备的匮乏会使该项目标成为不可能，汇率不能简单地一直保持固定不变。 金融市场的特殊性：汇率是金融市场中的价格，它们的特点与金融市场的基本特征息息相关，金融市场在以下几个方面不同于一般的商品或劳务市场。金融市场中的交易成本很低，交易迅速，短期内大量资金能从一个市场流入另一个市场。在金融市场中，市场预期、传言和当局的可信度在价格决定中起着重要作用，由于这个原因和上面第一点原因，金融市场的价格具有内在不稳定性。信息不对称盛行，债务人比债权人具有更多的偿还债务方面的信息，这不仅容易导致逆向选择，不良项目得到融资，而且“无知”市场参与者受到意外事件冲击时容易诱发金融恐慌。进一步地讲，由于金融交易的隐蔽性和低交易成本性，市场交易者和监管部门也具有不对称信息。金融部门的道德风险显著强于其他部门的道德风险。没有其他机构能取代金融中介在经济中的重要地位。 金融危机的诱因 在金融市场的这些特征中，前三个特征随金融全球化而得到强化，他们构成了触发金融危机的重要因素，金融市场具有内在不稳定性，有些经济萧条或政策失误就会触发金融危机。事实上，即使不考虑跨国资本流动和汇率变化，金融市场的特征足以诱发国内金融危机。 如果考虑到国际资本流动和汇率变化，危机就会更加严重。国际借贷增大了资本流动的数量；如果发生金融恐慌，国外资金比国内资金更可能被抽逃；当资本在国际范围内流动时，信息不对称问题更加恶化，两个国际经济机构比两个国内经济机构更可能具有不同背景，当局获得国外企业信息更加困难，尤其是建立在“避税天堂”中的企业；如果一国货币是可兑换的，货币当局就不易控制货币事件，因此国际资本流动增大了金融市场的易变性。 汇率易变性和金融市场的特殊性是经济逻辑演绎的结果，具有普适性，每一个参与国际经济流动的国家都会或多或少发生一些危机。换句话说，金融危机并不是新兴金融市场的个别现象，金融市场的特征决定了金融危机容易转化为经济危机。这是因为，金融中介维持着经济系统的血液循环，一旦货币或金融中介活动陷入无序状态，整个经济就会迅速而又严重地受到冲击。 对我国金融市场开放的启示 当前，在入世的推动下，我国正在逐步开放我国的金融市场，人民币自由兑换、国内金融领域向国外开放已经逐渐提上议事日程，前面所论述的诱发金融危机的因素在我国也开始发挥作用。根据前面的论述，由于无法消除金融危机发生的可能性，我们的目标只能是尽可能地降低危机发生的可能性，政策并不能很好地改变诱发金融危机的两个基本因素，我们只能采取措施降低危机发生的程度和频率。 保持竞争和保护之间的均衡 如果一国想分享全球储蓄有效分配的利益，资本管制无论如何也无法永远存在下去，一旦一国解除资本管制，诱发经济危机的基本因素就会凸现出来，政策能改变的两个基本因素就是减少信息不对称和道德风险。 开放金融市场放松资本市场管制是经济发展的内在规律，随着我国金融市场的进一步开放，我国必须采取以下措施来降低金融危机发生的可能性。 通过资产管理公司处理完银行造成的损失后，政府和中央银行不应再替市场中的商业银行承担损失。在这种情况下，如果市场参与者确信没有最后求助贷款，道德风险就会减少。 逐步对国外竞争者开放我国金融部门。换言之，资本流动管制不同于禁止国外竞争者进入本国的金融市场。这一点对减少金融危机的频率与规模具有深刻含义。禁止国外竞争者进入本国金融部门是非常危险的，因为这会导致一国金融中介标准的唯一化，如果一味排斥国外竞争者，金融中介标准就会促进信息不对称和风险。为了减少金融危机的风险，一个方法是开放本国金融部门参与国际竞争，这种措施具有下列好处：国外金融机构一般要求更多透明度，规定与标准将愈加全面；为了在竞争中获胜，我国的金融机构不仅在产品数量而且在风险管理中也必须是有效和有效率的；在同国外金融机构竞争过程中，我国金融机构可以学习到外国同行的先进做法，不断增强自身实力，如同我国家电行业的发展那样；在金融市场开放的过程中。我国政策当局将逐渐放弃对本国企业的特殊照顾，政策当局的活动将更加透明，这将为金融市场的发展营造一个良好的发展环境；在开放的过程中，我国政府也将会看到要求建立健全维持稳定的竞争性环境的法律框架的迫切需要。 但是，另一方面，金融部门天生具有不稳定性，过度竞争会导致金融部门的不稳定，这与竞争是通过减少信息不对称与道德风险以稳定市场的目的抵触。显然，我国国内金融部门引入竞争要比在其他部门引入竞争需要更加慎重。 货币当局需要权衡，金融部门的过度竞争会阻碍经济稳定和发展，这就是一个国家在早期发展阶段需要管制和固定的汇率的缘由。然而，金融部门的过度保护会诱发道德风险，降低金融中介标准的透明度。 建立与国际接轨的规则 与世界公认的监管规则相协调一致，如果各国的金融中介标准一致，金融业务就会便于在全球范围内展开。汇率由于信息不对称而发生变化，根据定义，趋于一致意味着更弱的信息不对称，从这种意义上讲，不考虑究竟会趋于怎样的共同规则，共同规则本身已经令人非常满意。如果共同规则能确保透明度和信息揭露度，它将更加有利。金融交易标准应该保证合同和原则向每个人公开，这种标准就是理想的“全球标准”。 参考文献： 1. Paul Krugman. Working Paper. Massachusetts Institute of Technology，1998 2.陈玲娟，李栋巍.探讨金融危机的成因及预防.决策探索，2003

论文： 论文题目：《Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-Through Rate Prediction》 地址： 这是阿里妈妈发表在2020SIGIR上面的又一篇佳作，让我们来阅读一下这篇论文吧。 在CTR/CVR预估领域中，用户历史行为对CTR/CVR预估的建模是很有指导意义的，用户的历史行为序列中潜藏着用户丰富的”兴趣点“，用户的每一次行为都是某个方面兴趣的一种反应。比如我喜欢各种口红产品、喜欢洗面奶、但是又对某个牌子不是特别感兴趣，基于这些兴趣的驱动，我可能浏览、点击过很多相关领域的内容或商品，那这些历史行为是否对我未来行为的预测有帮助呢，答案是肯定的。正是基于上述这种主观的行为模式，我们才需要对用户的历史行为进行建模，用户行为队列越长，包含的用户兴趣也就越丰富，但是同样也会带来更大的挑战，其实用户的兴趣是发散的多元的，如何从发散多元的用户兴趣中找到真正对当前任务有帮助的兴趣是十分重要的。 在介绍这篇论文之前建议先去看一下阿里的另一篇论文MIMN，也是基于用户长序列进行CTR预估的论文，但是MIMN存在着几个问题，一个是因为，当用户行为序列的长度进一步增加（例如，增加10倍或比十倍更多）时，MIMN无法精确捕获给定特定候选项的用户兴趣。另一个是因为，MIMN不能很好的解决延时和存储这两个瓶颈上的棘手问题，也就是说部署到线上到时候如何才能做到延时跟其他轻量模型相近。 在淘宝中，用户的浏览序列长度可能达到上千甚至上万个，怎么高效且有效的利用这种长序列信息呢？阿里妈妈提出了SIM模型来进一步从用户丰富的长期历史行为队列中挖掘用户有价值的兴趣点，并且提供一种长行为序列线上服务化的可行性方案，接下来就来看看这篇论文吧。 模型总览： SIM分为两个阶段，这两个阶段都有自己的核心部分，文章中将长序列用户行为特征的建模分为了两个模块，即Genral Search Unit（GSU）和Exact Search Unit（ESU），这两部分就是两个阶段的核心模块了。先简单的介绍下这两个模块的作用吧。GSU如图所示，简单理解就是从几百上千的用户长序列中挑选出TopK个跟候选Item最相似的K个Item，类比与推荐系统中的召回模块，先降低长序列物品的长度，在进行后续任务。另一个是ESU，这个模块的作用是对刚刚GSU抽取出来对K个物品进行序列建模，得到一个能代表用户长序列兴趣对向量，并利用这个向量进行后面对排序。 GSU的主要任务是从长度为T的序列中抽取出K个跟候选item相似的item，GSU有两种方式来选取TopK个物品，分别是hard-search 和soft-search。前面也提到了GSU类比于推荐系统中的召回阶段，而在多路召回中，一般也有基于Embedding的召回和基于策略规则的召回，其中hard-search就是基于规则的召回，soft-search就是基于Embedding的召回，下面来详细讲一下这两种方法。 这种方法比较直观而且实施起来比较简单，就是我们从候选行为序列中按照给定规则筛选出与当前目标任务相关的候选集，举个例子，我在淘宝上历史浏览过很不同种类的商品（比如电子产品、口红、男鞋等等），当候选广告是iphone12时，hard-search方法会从我历史行为队列中筛选出电子产品相关的行为进行建模，用于PCTR预估，而口红、男鞋大概率就不会对这次预估产生影响，通过上面这个例子大家应该能明白这种基于规则和策略的思路。论文中指出hard-search方法使用的是商品类别作为筛选的标准。 这种方法是基于Embedding的抽取方式，从上面的模型图的左侧可以看到整个soft-search的结构。这个部分也是一个子模型，模型的输入是候选Item和长序列，目标是CTR预估，用这种方式来学习候选Item和长序列Item的embedding信息。有了Embedding后，就可以将候选广告embedding和历史行为中的embedding算一个内积相似度，利用近似最近邻检索方法（论文中用的是ALSH）来得到topK相关的候选行为序列。 在这个子model中，DNN的输入是候选item  和Ur的concat，其中Ur：注意，如果用户行为增长到一定程度，则不可能将整个用户行为直接输入模型。 在这种情况下，可以从长序列用户行为中随机采样子序列集，这些行为仍需遵循原始序列的相同分布。 这种方法的缺点就是计算开销比较大，不如基于规则的hard-search方便，优点就是效果应该会更好一些。但是论文中也提到了两种方法在效果上的差异不是特别的大，所以最后基于性能和效果的折中，采用了hard-search这种比较简单的方式。 从模型整体上来看，这部分主要是利用从GSU抽取出来的K个Item得到一个能代表用户长期兴趣的向量，并配合其他特征送的DNN里面做整体的CTR预估任务。 论文中对这K个来自GSU对item是用self-attention进行序列建模的： 其中 为： concat中第一个是原始的embedding，第二个是关于时间的embedding。 根据self-attention的方式，我们又得到了一个向量h(K)。 这里，第二个子model也进行了ctr预估，特征是模型图上面画出来 input，还有个dien，dien前面的文章以及介绍过了，就不再赘述。 最后的loss是： 其中α和β是控制损耗权重的超参数。 在我们的实验中，如果GSU使用软搜索模型，则将α和β都设置为1。具有硬搜索模型的GSU是非参数的，并且α设置为0。 广告推荐系统对线上的计算耗时要求还是比较严格的，因为要保证用户最基本的用户体验。随着用户行为序列的进一步增长，采用传统的方式直接对长序列用户行为进行计算耗时和内存占用会增长的特别快，所以需要有针对性的对线上系统进行一定的升级和改造。文章提到在hard-search和soft-search的选择中，是基于大量的离线实验结果最终决定采用hard-search这种方便快捷有效的方式，同时信息损失也在可以接受的范围内。 一般的线上部署的系统架构图是这样： 为了让SIM能更好的给用户带来低延时的体验，阿里构建了SIM的Online Seving结构： 可以看到对于用户的行为序列，论文采用的是对每个用户采用的是两层索引的结构：key-key-value，第一个key是user_id，第二个key是category ids，value是用户行为序列中属于对应类别的item。用这种方式可以很快的通过这个索引树找到属于统一category的物品。线上A/B Test实验效果： 用户的历史行为对于整个CTR/CVR预估任务越来越重要了，如果不考虑时间和存储，那么把所有的序列输入到模型中作为长期兴趣关键点是可以精确的定位出用户的长期兴趣的，但是由于性能的原因就不得不考虑用特殊的方法对这个长序列进行一次筛选，筛选的K个物品都是跟候选Item相似的物品，能做到裁剪的效果还不会带来CTR预估的损失。在进行筛选过程中还分为了两种方法，但是为了部署到线上，就要考虑性能最好的hard-search方式进行TopK筛选任务，这种方式跟Embedding筛选的效果是差不多的，但是速度比Embedding快，所以采用这种方式。 未来应该还会有更多针对序列推荐的论文，单纯的对长序列阶段还带来一定的兴趣偏差，所以如何有效挖掘用户更丰富行为特征背后的商业价值是需要好好思考的。