跳到主要內容

金管會公開金融大數據的新聞解析

http://www.chinatimes.com/newspapers/20150203000019-260202

金管會在農曆年前公開金融消費評議中心的申訴案件統計、保險業理賠爭議類型統計等。5月底前公開銀行局可揭露銀行業務資訊、各銀行呆帳揭露網址等,一些金融機構共通性費用資訊、證券期貨市場交易相關資訊、基金每日淨值與保險相關資料等。共計陸續開放631項金融資料,供民眾、學界、產業界免費查詢。

看似這些資料有利於金管會提出的目標:網路趨勢、拼施政績效
不過,資料的公開與否需要有一定的判斷準則,其中,全國殘障ATM所在位置的例子是屬於公共建設的資訊,本來就應該公開,而不是讓Google Map自己弄,弄錯了造成不便。這是種政府的便民服務,所以這樣的資訊公開本來就是合理的。但是其他的資料庫內容呢?是否也符合公共資訊公開的原則,是便民的政府服務?還是其他?

政府資料開放平台是建在國發會的政府資料開放平台上,但未來金管會也建置「金融資料開放平台」,這兩個平台將可同步連結
當資料放在資料庫裡頭是需要佔空間的,這需要成本,即使成本很低,那也是成本,更何況政府的行政效率與預算設定方法本來就令人詬病,如果能夠放在統一的平台,那為什麼還要再建立一個開放平台,讓其同步連結,浪費資源?

金融大數據開放的理由是
目前周邊機構「開放資料」(open data)只有83項,金融「大數據應用」將投入11項,主要是應用在施政優化方面

這表示金管會會釋放出很多的計畫案,提供給產學界執行,然後作為金管會的施政依據。這是否表示那些數據資料有需要公開,或者是提供給那些得標單位直接使用,做出計劃案結果即可?如果資料公開了,而且施政用的計畫案是否也該提供出該單位的執行步驟,以防作假,然後讓施政的依據產生偏誤?


金融大數據公開的好處

  1. 金融評議中心資料對外公布後,可讓大家了解有何類產品造成更多的評議爭議,不只讓消費者充分理解,金融機構也可知道哪些產品容易造成銷售爭議,未來在銷售或設計產品時可以避開。
  2. 聯徵中心資料開放,可讓業者知道哪一類產業有更好發展前景,可利用這些資料讓銀行做更好的風險控管
  3. 證交所、櫃買資料開放,讓投資大眾更清楚上市櫃公司資料,了解相關產業情形。


無庸置疑的,金融評議中心的資料事關公共利益,公開的目的性相對清楚,當然我還是要說一句
金融商品的銷售爭議、保險理賠爭議是有關於金融商品設計,包含契約條款、模型設計,所以金融商品的銷售與設計上是可以事前用理論模型的模型設計與比較去避開。
那些設計金融商品的金融機構有沒有使用正確的研究方法去判斷?去建立原則?還是跟著國外的金融機構設計出的商品,直接使用?

第二點有意思。所謂『讓業者知道哪一種產業更有發展前景』,請問是哪些業者?可以評斷那些新成立的軟體公司嗎?我國的銀行並沒有向國外的銀行一樣可以有專業去評斷軟體的前瞻性,如果可以的話,台灣的軟體業還會那麼弱,弱到多是代理國外遊戲,弱到比中國早發展,然後幾近無疾而終,想當初2012年的遊戲橘子裁員事件

在第三點部分,證交所與櫃買資料本來就有公開,不知道還要開放那些資料,所以無法評論。不過,今天金管會同樣公布股價漲跌幅放寬到10%的消息,2015年8月正式啟動。


消息是屬於公告消息,同時也激勵台股上漲,兩個金管會的政策對台灣的金融體系當然是會有衝擊。

對於證交所與櫃買資料還要公開哪些資料庫出來,同樣也會衝擊金融體系。

這個網誌中的熱門文章

Durbin-Watson檢定與LM檢定的存在意義

每一本統計學、計量經濟學、時間序列分析、迴歸分析、市場預測的書籍都會提到資料自我相關問題。為了找到資料的自我相關性,有的學者從樣本相關係數出發進行資料的假設檢定,有的學者則是創造與樣本相關係數很相近的數學公式進行資料的假設檢定,其中,最知名的便是Durbin-Watson檢定與LM檢定(Breusch–Godfrey)。兩個檢定公式的出發點都是一樣的,那就是從迴歸分析的殘差出發。

Durbin-Watson檢定公式

LM檢定公式
從資料角度去看,無庸置疑的是資料的數值都是已知的,我們使用迴歸分析來瞭解資料間的因果關係。換言之,此時,解釋變數與被解釋變數之間是樣本條件關係。然而,我們卻遺忘了一件事情,那就是資料也是可以形成分配的,那就是抽樣分配。
既然資料可形成抽樣分配,這意味著解釋變數與被解釋變數都是抽樣分配,需要以分配的概念去解讀。於是,在統計學內就明確寫著: 每個樣本服從母體分配樣本的變異數一樣都是母體變異數樣本之間是無線性相關
同樣在迴歸分析的解釋變數、被解釋變數與誤差都有各自的母體分配,並且滿足上面的三個條件。同時解釋變數與被解釋變數之間可以是聯合關係,也可以是條件關係。
進一步推導所得到的係數、殘差、甚至是殘差的數學組合、變異數分析表內的SSR、SSE、MSR、MSE、自我相關係數都是抽樣分配。
請注意,這些都是隨機變數或隨機變數的數學組合,所以都是抽樣分配(只討論一個數字,不是分配)。當樣本數夠大時,才能夠代表母體分配(樣本要多大,沒人知道)。
所以要使用公式前,問問: 你確定資料的抽樣分配了嗎?你確定資料的抽樣分配轉換過程了嗎?(是數值的亂數表,不是機率生成的亂數表)隨機變數的數學組合之間有沒有成為函數關係?(例如自我相關係數與MSE)
當我們確定每一個轉換步驟狀況後,就可以觀察到解釋變數數值、解釋變數個數、誤差母體分配、樣本數、殘差限制對Durbin-Watson檢定與LM檢定的抽樣分配變化。
確實,Durbin-Watson檢定適合所有樣本大小,但是Durbin-Watson檢定的決策規則本身有問題,不符合統計公式的原則,那就是灰色地帶判定給虛無假設,因此只有虛無與對立假設的二分法,以及分配的臨界值只會有一個數字,而不會有所謂的上下界。除非沒有控制住解釋變數數值與殘差限制影響,才會讓這兩個影響融入分配當中,造成臨界值的不確定,產生了帶狀區間。
Dur…

經濟學的基礎 - 經濟循環圖概說

無論是基礎的經濟學、個體經濟學或總體經濟學,在前言總是會提到循環圖來讓學習者了解他們位在哪個地方。有趣的是循環圖總是無法全面性地展顯出來,甚至指引學習者知道他們該怎麼使用經濟循環圖。

Parkin在他所論著的經濟學教科書中,就將整個經濟循環圖展現出來。


就像是線上遊戲一般,初心者進入遊戲前總會來段開場動畫,告訴初心者所在的情境是怎樣。同樣地,完整的經濟循環圖內會包含四名角色、四個市場與金流方向。

四名角色:家計單位、廠商、政府與國外部門

如果沒有國外部門的話,那麼經濟循環圖就是封閉體系,如同清朝鎖國時期。
如果有國外部門的話,那麼經濟循環圖就是開放體系,如同台灣從早年至今的情況。

在圖上,四名角色可以在四個地方活動,也就是市場(Market)。

四個市場:勞動市場、商品市場、金融市場、外匯市場

在這邊的勞動市場只是要素市場當中的一種要素。
因為勞動的數量就為龐大,所以我在這邊將勞動市場指稱為要素市場的代表。

四種要素:勞動、資本、土地、企業家精神
四種報酬:工資、利息、地租、利潤

整個經濟循環圖,其實就是在講總體經濟的範圍。






學習經濟學的入門經驗

過去看過的經濟學教科書多是使用圖解、數學式來證實經濟學觀念的正確性,同時也讓學習者了解經濟學觀念的實用性。我常想如果能夠搭配電腦使用,達到經濟學觀念的實作演練,那不知該有多好?!

其實國外也有類似的教科書,只是深入一看,也都是根據經濟學的章節來撰寫內容。於是,我又想如果可以從本質著手,配合真實狀況,會不會更能夠將經濟學觀念的基礎說明得更加透徹?

經濟學最常見的區分方式就是個體經濟學(Microeconomics)與總體經濟學(Macroeconomics)。

所謂個體或總體,其實是從討論的對象(或角色)不同範疇而有所區隔。

個體經濟學是討論消費者(或生產者、政府)的經濟行為,而總體經濟學則是討論較大範疇,如國家、區域或全球的整合性經濟行為。於是,兩者的代表性指標就有所不同。


雖然個體經濟學與總體經濟學有所差異,但是,個體經濟學還是總體經濟學的基礎,所以,在新古典理論,常會提到個體基礎下的總體分析方法。

無論是先從總體的角度學習經濟學,或是先從個體角度學習經濟學,都是合宜且適用的。原因在於你選擇想先「見樹」再「見林」,還是先「見林」再「見樹」。

如果你選擇先「見樹」再「見林」,未免有以管窺天之虞,容易產生合成謬誤。如果選擇先「見林」再「見樹」,又難免犯了分割謬誤。

如此說來,好像怎樣做都不合適。那麼在這邊給初學者一個小小的建議,那就是投資理財上的一個觀念:

先見全盤(大盤走勢),然後觀看類股走勢,從強勢的類股中挑選一支值得你投資的股票。

或者是當你開車去某目的地前,先看看地圖,如同俯視一般了解大致的路況後,再上路,總比到了當地,在巷弄之間如無頭蒼蠅穿梭其中還來得好吧。

想避開分割謬誤,則可以如此思考:

並非一個類股下的所有股票都是強勢,開紅。

因此,當你了解整個經濟狀況後,再深入去看個體的經濟行為時,總是比較能夠抓出系統性的相同因素,剩下的就是個體自己的特殊因素在影響其決策了。