一个简单的逻辑是：
当时东南亚各国多年来经济高速发展，以出口替代为导向的经济政策和金融自由化的风潮吸引了外资大量流入，存在大量的逆差，造成了“错配”的情况：一是货币错配，二是期限错配。由此导致这些国家的资本结构、外债结构存在巨大风险：大量流入的外资存款在国内被用于房地产、制造业等中长期贷款中，一旦外资流出超过流入，本币的贬值就不可避免。以索罗斯为代表的西方资本家此时观察到这一情况，一方面做空股市，一方面大量卖出本币，买进外币，导致货币被做空、货币贬值，汇率暴跌。
做空
做空是指投资者借入某种货币，然后卖出换成另一种货币，期待借入的货币贬值，从而在还款时获利。做空会导致贬值的原因是，做空会增加市场上借入货币的供应量，而供需理论告诉我们，供应量增加会导致价格下降。当市场上有大量的投机者或对冲基金做空某种货币时，就会形成一种自我实现的预期，导致该货币的需求减少，进一步推动其贬值。
做空会导致贬值的原因是，做空会增加市场上借入货币的供应量，而供需理论告诉我们，供应量增加会导致价格下降。当市场上有大量的投机者或对冲基金做空某种货币时，就会形成一种自我实现的预期，导致该货币的需求减少，进一步 ...
前言
计量经济学对生活中的经济现象进行研究，试图找到现象的因果关系。正如我在[概况]所说，计量经济学的研究过程可以总结为下面这些步骤：
明确研究问题
写出要估计的回归方程式
选择适当的数据集
使用统计软件，用数据估计回归方程式
分析并解释结果
常用于计量经济学的软件有Eviews、Matlab、Stata等。由于我的科研训练涉及面板数据的分析，所以选用Stata作为研究的主力软件。本篇文章根据我的科研进度持续更新。
研究问题和主要思路
探索生育率和房价之间的关系。
数据选取和整理
为了探索生育率和房价之间的关系，我们选用2002至2021的各项有关数据：
被解释变量
生育率
解释变量
平均房价
控制变量
人均GDP
数据来源分为两部分：
2014年以前各项数据在《中国区域经济统计年鉴》中可以直接找到。
2014年以后从各省《XX省统计年鉴》中获取数据。
从各《统计年鉴》中获得的数据是截面数据，而且往往由于表格的设置，我们首先得到的是一个地区对应一个或几个变量，选取的变量需要进行整理，从而形成对应年份完整的截面数据。得到截面数据之后，需要转化为面板数据才能 ...
一些关于过去的随感
昨天博友建议我加上RSS订阅功能，才让我意识到我的博客在过去一段时间内，更像是我的线上笔记查阅处，而不是我的随想安放区。这篇2023的随想，来的确实有些迟了。
必须承认，我自己并不是一个勤于思考的人。在高考前，由于经常写作文的原因，不论自己是否愿意，大脑尚且得以有思考人生的些许机会。不论这些思索是否稚嫩，不论这些思索是否有意义，不论这些思索正确与否，我想这都有所裨益。正如人们常常嘲讽井底之蛙坐井观天，殊不知许多人自以为跳脱深井之外，放眼于整个天地，实际上自己仍然处于舒适区中，目光所及并不比井底之蛙好到哪里。
我也必须承认融入大学生活对我而言并非易事，尽管我的大学生活即将过半。过去曾看到一篇文章，大致说的是劝“宁做鸡头不做凤尾”之类的思想。高中的我确实也享受了如此的“风光”，在我们高中的重点班名列前茅让我不由得有些飘飘然。然而不得不承认，当在大学校园里遇到无数和你一样优秀甚至更加优秀的同学时，你就会像“tin god”飘得越高，摔得越惨。人总是或多或少有一些功利的想法，希望少劳多得甚至是不劳而获。这种众星捧月到稀松平常的心态转变，是我不得不接受的。
我必须承认我自己并 ...
学习笔记
未读内容简介
线性代数是一门以向量、向量空间(线性空间)、线性方程组、线性变换为为研究对象的学科。
资料推荐
下面是我学习这门课程所用到的一些学习资料：
引用站外地址
线性代数极简入门
toconscience
最牛逼、最深入浅出、最具启发性的线代课程
引用站外地址
MIT Introduction to Linear Algebra
Gilbert Strang
引用站外地址
Essence of Linear Algebra线性代数的本质
3Bl ...
学习笔记
未读本文基于new bing的回答进行二次撰写
好的，我找到了一些关于《金融市场学》这本书的信息。根据¹，这本书的作者是周彩霞，她是南京理工大学经济管理学院的副教授，研究方向是金融学、产业经济、个体行为与制度变迁等。这本书是她在2019年出版的，也是南京理工大学优秀教材之一²。
内容介绍
根据³，这本书主要分为以下几个板块：
第一部分：金融市场概述，介绍了金融市场的基本概念、功能、分类和特征。
第二部分：货币市场和利率决定，介绍了货币市场的组成、运行机制和监管方式，以及利率的形成、影响因素和预测方法。
第三部分：债券市场和债券价格决定，介绍了债券市场的分类、特点和发展趋势，以及债券价格的计算、影响因素和风险管理。
第四部分：股票市场和股票价格决定，介绍了股票市场的组织形式、交易规则和监管制度，以及股票价格的影响因素、评估方法和波动原因。
第五部分：衍生品市场和衍生品价格决定，介绍了衍生品市场的定义、功能和分类，以及期权、期货、互换等衍生品合约的特征、定价模型和风险控制。
第六部分：外汇市场和汇率决定，介绍了外汇市场的结构、运行方式和监管政策，以及汇率的形成机制、影响因素和预测技术。
...
目录
[toc]
模型的设定和估计
为什么用 多元线性回归 ？
因为一元线性回归的结果很难建立因果关系
引例：
income^=0.5+700∗schoolingyear\hat{income}=0.5+700*schoolingyearincome^=0.5+700∗schoolingyear
样本中可看出多一年教育年限收入就多700元，但我们不能简单得出 “增加一年教育年限，收入就可以提高700元” 的结论
多元回归 可以通过增加更多变量改善因果关系的建立
income^=0.5+700∗schoolingyear+500∗age\hat{income}=0.5+700*schoolingyear + 500*ageincome^=0.5+700∗schoolingyear+500∗age
这个式子说明，年龄一样的人，教育年限多一年，收入平均多700元。如果我们通过控制所有特征（保证单一变量），得出的系数就可以认为是 建立起了教育年限和收入的因果关系
当然，由于我们不可能控制所有变量，多元回归分析只能说是改善而不是完全解决一元回归存在的问题
多元估计的一般形式
y=β0+β ...
目录
[toc]
模型的设定
引例
研究收入和消费的关系
在不同收入水平有消费的不同分布
总体回归方程
E(Y∣Xi)=f(Xi)E(Y|X_i)=f(X_i)
E(Y∣Xi)=f(Xi)
此方程代表总体Y的变化情况。如果将其写成一元线性形式，会得到：
总体线性方程
E(Y∣Xi)=f(Xi)=β0+β1∗Xi2E(Y|X_i)=f(X_i)=\beta_0+\beta_1 * X_i^2
E(Y∣Xi)=f(Xi)=β0+β1∗Xi2
系数的定义
β0\beta_0β0 截距项，即 xi=0x_i=0xi=0 时 E(Y∣Xi)E(Y|X_i)E(Y∣Xi) 的取值
β1\beta_1β1 斜率，即 xix_ixi 变化一个单位时，E(Y∣Xi)E(Y|X_i)E(Y∣Xi) 的变化
线性的定义
指的是系数的线性，而不是变量的线性
例一：
E(Y∣Xi)=f(Xi)=β0+β1∗Xi2E(Y|X_i)=f(X_i)=\beta_0+\beta_1 * X_i^2E(Y∣Xi)=f(Xi)=β0+β1∗Xi2
此例系数是线性，而变量 ...
[toc]
计量经济学简介
简要介绍基本范畴
stata软件操作
线性回归模型
一元线性、多元线性
最小二乘法
线性回归模型基本假设
最小二乘法基本性质
统计推断和特殊应用
单系数检验、多系数检验
应用线性模型：虚拟变量
大样本性质
当样本量趋于无穷大，最小二乘量的性质
异方差和序列相关
放宽同方差假设、随机样本假设
内生性问题
解释变量和相关量被放宽后导致的后果
解决内生性问题
非线性回归模型
放宽线性假设
计量经济学简介
引例：选修经济学双学位真的能增加就业前景吗？
导致就业前景增加的变量不唯一，难以确定。为了回答此问题，需要：
明确研究问题
写出要估计的回归方程式
选择适当的数据集
使用统计软件，用数据估计回归方程式
分析并解释结果
计量经济模型中的变量
从经济活动的形态上，可以分为
流量
存量
从变量的因果关系，可以分为
解释变量：是变动的原因，常被称为“自变量” (independent variable)，“回归元” （regressor）
被解释变量：研究的对象，是变动的结果，常被称为“应变量” (dependent vari ...
学习笔记
未读[toc]
在线性代数中，逆矩阵具有诸多性质，拥有许多用途。本文从各个方面总结逆矩阵相关的性质。
定义
AA−1=IAA^{-1}=I
AA−1=I
奇异性和可逆性
在线性代数中，矩阵有许多特性，如
奇异性
singular⇔non-singular\text{singular}\xLeftrightarrow{}\text{non-singular}singularnon-singular
线性相关性
independence⇔dependense\text{independence}\xLeftrightarrow{}\text{dependense}independencedependense
可逆性
invertibility\text{invertibility}invertibility
正交性
orthogonality\text{orthogonality}orthogonality
相似性
similarity\text{similarity}similarity
类型
秩
pivot
independency
singular
r<nr& ...
本文使用new Bing书写
知识体系
这门课程的知识体系可以分为两大部分，即概率论和数理统计。
概率论
研究随机现象的规律性的数学分支，主要包括以下几个方面的内容2：
概率论的基本概念
如事件、概率、条件概率、独立性等，以及一些常用的概率计算公式，如加法公式、乘法公式、全概率公式、贝叶斯公式等。这部分内容是概率论的基础，是理解和运用概率论的前提。
P(A∣B)=P(B∣A)P(A)P(B)P(A|B) = \frac{P(B|A)P(A)}{P(B)}P(A∣B)=P(B)P(B∣A)P(A)
随机变量及其概率分布
包括离散型随机变量和连续型随机变量的定义、分布函数、概率密度函数等概念，以及一些常见的概率分布，如二项分布、泊松分布、正态分布、指数分布、均匀分布等，以及它们的性质和应用场景。这部分内容是概率论的核心，是描述和分析随机现象的主要工具。
数字特征
包括随机变量的数学期望、方差、协方差、相关系数等数字特征，以及它们的性质和意义，以及如何利用它们描述随机变量的分布特征和相关性。这部分内容是概率论的重要内容，是对随机变量进行定量分析的基本方法。
大数定律与中心极限定理
如 ...
排序
k个东西排序，第k个有k种可能位置，第k-1个有k-1种，以此类推，排序可能性为
k!=k×(k−1)×(k−2)×⋯×1k!=k \times (k-1) \times (k-2) \times \dots \times 1
k!=k×(k−1)×(k−2)×⋯×1
组合(选取)
n个中选出r个对象，不考虑顺序，求出对象选取有多少种可能情况
Cnk=n!k!(n−k)!=Ankk!C_n^k=\cfrac{n!}{k!(n-k)!}=\cfrac{A_n^k}{k!}
Cnk=k!(n−k)!n!=k!Ank
排列(选取再排序)
Ank=n!(n−k)!=Cnk×k!A_n^k=\cfrac{n!}{(n-k)!}=C_n^k \times k!
Ank=(n−k)!n!=Cnk×k!
第一步，从n中选出k个，不考虑次序
第二步，对每个组合再进行排序，×k!\times k!×k!
离散型
0~1分布
X∼B(x,p)X \sim B(x, p)X∼B(x,p),
有两种结果，试验只做一次
二项分布的特殊情况
数学期望为E(X)=pE(X)=pE( ...
学习笔记
未读
引用站外地址
LaTeX数学符号大全
[author]
在LaTeX\LaTeXLATEX中可通过如下办法输入大括号，md文件同理
cases
fY(x)={2233f_{Y}{(x)}=
\begin{cases}
2& \text{2}\\
3& \text{3}
\end{cases}
fY(x)={2323
使用cases，可以通过输入\text{}，书写每行公式的附加信息
aligned
fY(x)={23f_{Y}{(x)}=\left\{
\begin{aligned}
2 \\
3
\end{aligned}
\right.
fY(x)={23
align
fY(x)={233f_{Y}{(x)}=\left\{
\begin{align}
2\\
3\\
...
学习笔记
未读名词性从句的引导词按 从句的类型 分类
*
定语从句从句的引导词按 先行词的种类的类型 分类
*
定语从句从句的引导词也可以按 引导词本身词性 分类，分为三类
代词
副词
形容词
状语从句的引导词按 引导词本身的意思 分类，共分为九类
时间状语从句
时间状语从句
引导词
when=while=as
当while翻译为当...的时候，后面要跟进行时态
before
after
since(自从)
I have fallen in love with you since I met you.
the moment = as soon as
by the time
until
not…until
状语从句时态问题
当爱来临的时候，我要牵住她的手
When love comes, I will hold her hands.
当主句从句都没发生时，主句用一般将来时，从句用一般现在时表示将来。 主将从现
当爱来临的时候，我没有牵到她的手
When love came, I failed to hold her hands.
当主句和从句都已经发 ...
前言
本站采用了twikoo+vercel配置评论功能，在一众大佬的教程指引下完成了评论邮件提醒、回复邮件提醒功能。
评论系统配置
引用站外地址
Hexo + Butterfly 建站指南（四）Twikoo 评论系统
Nick Xu
引用站外地址
Twikoo评论系统配置教程（基于腾讯云开发）
Heo
邮件回复功能
引用站外地址
部署Twikoo评论系统及其邮件推送(Vercel)
Chak Aciano
...
本教程前置操作：
引入自定义csscustom.css
最近看到安知鱼的博客页面宽幅比默认的宽的多，扩大了可视区域，提高了大屏幕的阅读效率。后来在Eacls 的美化教程中找到了思路。
F12后发现了影响页面宽幅的关键因素
可以看出，页面宽幅取决于custom.css中的
123.layout { max-width: 1400px;}
在我魔改的关于界面，由于设置隐藏侧边栏，页面宽幅取决于
123.layout.hide-aside { max-width: 1310px;}
由此，在自定义引入的css里，添加如下语句
12345678/*文章页卡片宽幅占比*/.layout { max-width: 1400px;}.layout.hide-aside { max-width: 1310px;}
自行修改需要的宽度即可更改页面宽幅。
前言
本文主要基于两位大佬的教程，原文链接如下
https://anzhiy.cn/posts/e62b.html#添加-css
https://anzhiy.cn/posts/sdxhu.html
https://opeach.cn/posts/dab4.html
问题
按安知鱼大佬的原教程走，有可能遇到以下问题：
部分颜色、边框无法显示
致谢板块的打赏按钮无法使用
图片无法显示
helo模块显示异常
原因和解决办法
建议跟着HiPeach教程走，做出以下调整
部分颜色边框无法显示
我在HiPeach大佬的教程中找到了原因：
安知鱼在他的博客中引入了颜色css文件，如果没有引入过他的颜色css文件，颜色就无法正常显示。
解决方案是：
在themes\butterfly\source\css目录新建一个anzhiyu.css
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869 ...
学习笔记
未读名词性从句
名词能充当什么成分
主语
The movie looks fantastic/terrific.
宾语
I admire/appreciate his mother.
表语
Gump is a man.
同位语（用来解释名词的部分）
I enjoy the part, the beginning.
I, a boy, like Eason, a famous/well-known singer from Hong Kong.
只要在作文中见到名词，都可以有意识地在它后面加个同位语，对该名词进行解释说明。
Persistence, an active mentality, plays a critical role in the glories of all children and adults.
同位语的成分
名词
代词
非谓语动词
I enjoy sports, running. 此处running非谓语动词作同位语
从句
什么是名词性从句
主语从句
从句充当主语
What I saw looks terrific.
宾 ...
学习笔记
未读并列句
什么是并列句
用连词连接两个句子
I love you, you love the dog.（错误）
逗号不能连接两个句子
解决方法
独立主格
I loving you, you love the dog.
Loving you love the dog.
加连词，并列句
I love you but you love the dog.
从句
Although I love you, you love the dog. (让步状语从句)
常见的并列连词
平行关系
and, not only…but also…,
PS: as well as是介词短语不是连词
转折关系
but, yet, while, whereas
选择关系
or, whether…or…
因果关系
for, so, because(不是纯连词)
PS: because还可以当原因状语从句引导词
递进关系
then
逻辑关系词(副词和介词短语)
平行(and)
similarly, equally, likewise, at the same time, i ...
