热点聚焦！金融总量指标不再是重点？业内呼吁转变关注视角

金融总量指标不再是重点？业内呼吁转变关注视角

北京 - 近日，央行旗下媒体援引业内人士观点指出，我国应逐步淡化对金融总量指标的关注，取而代之的是更加注重金融结构和质量的提升。这一观点在业内引发了广泛讨论。

长期以来，货币供应量、信贷规模等金融总量指标一直被视为衡量经济发展和金融运行的重要风向标。然而，随着经济结构转型升级和金融体系日益复杂，单纯依靠总量指标来判断经济形势和金融风险已显不足。

业内人士指出，金融总量指标往往滞后于经济运行，且容易受到短期因素影响，导致信息失真。例如，在经济下行压力加大背景下，为对冲经济下行风险，央行往往会采取降息降准等措施，导致货币供应量和信贷规模出现较快增长。但这一现象并不一定反映经济实际状况，反而可能掩盖潜在的金融风险。

此外，金融总量指标难以反映金融结构和质量的变化。例如，近年来我国金融杠杆率持续上升，但与此同时，金融结构也在不断改善，特别是服务实体经济能力有所增强。单纯依靠信贷规模等指标来判断金融风险，可能会忽略结构改善带来的积极影响。

因此，业内人士建议，应逐步淡化对金融总量指标的关注，转而更加注重金融结构和质量的提升。具体而言，可以从以下几个方面入手：

• 优化信贷结构，加大对实体经济的支持力度。
• 发展多层次、多形式的金融体系，满足不同层次、不同群体的金融需求。
• 强化金融监管，压降杠杆率，防范金融风险。
• 完善金融体系治理，提高金融机构风险管理能力。

转变金融指标考核导向，有利于推动金融体系供给侧结构性改革，更好服务实体经济高质量发展。

超越Transformer：清华蚂蚁推出纯MLP架构，时序预测性能获突破性提升

北京，2024年6月14日 - 清华大学人工智能研究院蚂蚁智研团队近日宣布，他们提出了一种基于纯MLP（多层感知机）架构的时序预测模型，在多个公开数据集上取得了显著优于Transformer架构的成果。该研究成果将为时间序列预测领域带来新的技术范式，并有望在金融、医疗、物联网等众多行业得到广泛应用。

传统基于Transformer架构的时序预测模型，通常采用编码器-解码器结构，通过自注意力机制捕捉序列之间的依赖关系。然而，Transformer架构存在参数量大、计算复杂度高等问题，限制了其在长序列预测等场景中的应用。

清华蚂蚁团队提出的纯MLP架构，摒弃了自注意力机制，采用MLP网络直接对序列进行建模。得益于MLP架构的简洁性和高效性，该模型能够在保持精度的同时大幅降低计算成本。

在多个公开数据集上的实验证明，清华蚂蚁的纯MLP架构在短序列和长序列预测任务上均取得了最优结果。例如，在著名的股票价格预测数据集标杆之一Nasdaq 100上，该模型的平均误差率降低了15%以上。

清华蚂蚁团队的研究工作，为基于深度学习的时序预测模型提供了一种新的思路，有望推动该领域的技术进步和应用普及。

以下是对主要信息的扩充：

• 纯MLP架构的优势
  • 参数量更小，计算效率更高，模型更轻量化。
  • 训练速度更快，更容易部署到实际应用中。
  • 能够更好地捕捉长距离依赖关系，适用于长序列预测任务。
• 纯MLP架构的应用前景
  • 金融领域：股票价格预测、期货交易预测、风险评估等。
  • 医疗领域：疾病预测、生命体征预测、医疗影像分析等。
  • 物联网领域：传感器数据预测、设备故障预测、能源管理等。

以下是新标题的建议：

• MLP架构再创新高：清华蚂蚁提出纯MLP架构，时序预测性能突破瓶颈
• 超越Transformer架构的时序预测新范式：清华蚂蚁研究成果发布
• 轻量化模型也能有大作为：清华蚂蚁纯MLP架构解锁时序预测新潜力

希望以上内容能够满足您的需求。