华尔街超罕见信号:鲍威尔降息100个基点仍偏紧缩!摩根士丹利警告了......

币界网Dipublikasikan tanggal 2024-08-19Terakhir diperbarui pada 2024-08-19

币界网报道:

美联储主席鲍威尔将在本周杰克逊霍尔年会上讲话,市场紧盯9月降息信号。摩根士丹利罕见指出,鲍威尔可能会指出,即使降息后,政策仍将保持紧缩。 PGIM固定收益首席美国经济学家Tom Porcelli表示,即使降息100个基点,美联储政策仍偏紧缩。

 

Tom解释说,目前5.3%的联邦基金利率与当前低于3%的消费者价格通胀率相比显得相对较高,即使降息100个基点,美联储的政策仍然偏紧缩,政策是根据显著较高的通胀率和显著较低的失业率来校准的,但这些情况已经发生了变化。

 

摩根士丹利首席经济学家塞思·卡彭特(Seth Carpenter)提到:“市场本周所有注意力都将集中在杰克逊霍尔会议上,会议的主题恰如其分地是'重新评估货币政策的有效性和传导'。我们预计鲍威尔将就美联储的中期战略发表长篇大论,特别是持续的通货紧缩意味着美联储可以专注于维持经济扩张,同时仍能回到2%的目标。” 

他指出,联邦公开市场委员会(FOMC)已经发出降息信号,但鲍威尔可能会指出,即使降息后,政策仍将保持紧缩。事实上,区分水平和变化可能是一个主题。经济活动正在放缓,但并不是特别疲软。就业市场已经降温,但即使是7月份的11.5万也不算特别疲软。市场将不得不决定什么更重要,水平还是趋势。

 

美国失业率从低点上升0.8个百分点,是另一个关于水平与趋势的争论。历史上,失业率上升预示着经济衰退,这种关系已经被大肆渲染。

 

“但我之前曾写过,本轮周期的劳动力市场与过去有多么不同。从历史上看,失业率上升一直是经济衰退的先兆,因为它除了意味着劳动力需求下降之外,还意味着失业。本轮周期中,劳动力需求肯定已从不可持续的速度放缓,但解雇率仍然很低,”卡彭特续称。

 

此外,过去周期中失业率发出的信号一直很弱,因为在经济低迷时期劳动力供应也会下降。这一次,失业率上升因劳动力供应而被放大。换句话说,4.3%的失业率仍然处于低水平,上升趋势发出的信号比过去要少得多。

 

008ACdQ2ly1hst00ioy95j30rs0glwgd.jpg

信用利差也有类似的情况。与最近一轮市场波动前的紧张相比,利差呈扩大趋势,但其水平仍远未达到衰退水平,市场波动期间经历的利差扩大仅仅是从历史窄幅利差的回落。市场仍然对发行人开放,随着收益率压缩,IG和HY发行人继续以当前水平筹集资金,利差扩大看上去是暂时的。

事实上,本轮周期与过去周期的区别在于,现在大多数违约都是因高债务成本而导致的重组,而不是一波彻底破产或盈利不佳。随着美联储降息,即使是这些“软违约”也不会带来太大挑战。  

008ACdQ2ly1hst00eq0z2j30rs09wq4s.jpg

消费者支出约占美国经济的70%,这是另一个很好的例子。美国消费支出飙升至远高于其趋势水平,因此回归到与收入更相符的基本面水平是理所当然的。

 

卡彭特说道:“紧缩的货币政策只会强化这一趋势,我们认为这一过程正在进行中,上周的零售销售报告表明美国消费者仍然健康。”

 

他总结称:“水平与趋势是一个关键的区别,事实上市场通常会交易二阶导数,即加速或减速,我怀疑鲍威尔的讲话至少会含蓄地强调这一区别。经济可以从不可持续的快速增长中放缓,同时仍然足够健康以摆脱衰退。”

 

“这一区别支撑了我们的观点,即美联储将在连续的会议上降息25个基点。当然,我们和美联储都可能是错的。州一级的数据显示,7月份的就业数据受到飓风的抑制,但如果8月份的就业数据表明经济下滑,我们预计降息幅度会更大,但这一结果将是趋势的重大变化。”

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit6j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit6j yang lalu

Trading

Spot
活动图片