Beatrice的黄金魔法

发表于 2025/04/07 更新于 2025/04/10

作者 gctoph

39 分钟阅读

Beatrice的黄金魔法

会呼吸的金字塔

什么是金钱？

大多数自然人对金钱的理解来自于自身的经验：小时候五毛钱的棒棒糖，现在十几块钱的一顿饭，大城市几千块钱的房租。

然而，仅从自然人的生活经验去理解金钱是非常片面的。

货币不是一个简单的实数，而是复杂的符号(symbol)金字塔

在添加时间维度之后，可以看到金字塔也是会呼吸（扩张/收缩）的，不同层级有不同的呼吸速度

风险金字塔：
T0 黄金
T1 霸权货币(美元)和利率债(美债)
T2 其余各国(即新兴市场)的主权货币和利率债
T3 优质(需求偏好稳定)垄断寡头企业
T4 其他现金流企业
T5 估值科创企业
T6 私募风投

自然人生活经验感知到的货币属于T1~T2(基础货币+信贷)

每一层级准备金率(reserve ratio)和杠杆率互相对应

参考：哥伦比亚大学《货币与银行经济学|Economics of Money and Banking》

主权货币

繁荣稳定时期T0黄金是无风险零息债券，定价参考T1实际利率

在T2接近零实际利率时风险极高，外汇汇率崩溃，应该持有T1

在T1接近零实际利率时风险极高，外汇汇率崩溃(此时黄金发挥货币属性)，应该持有T0(大周期的终结)，例如2022年开始的美元计价黄金定价与实际利率背离

评估国家时应考虑四张表的负债率、财政赤字率、总杠杆、人口结构(主要是年龄如抚养比)

图: 主权货币在大周期的债务危机时会经历迅速贬值

利率曲线

利率不是一个数字，而是不同时间尺度的货币期货回报率，因此不同期限有不同的利率值，形成利率曲线，正常的利率曲线是近低远高（时间补偿，借短买长）

央行调控的是短端利率 核心目标是align通胀

3~6月期短债属于现金类资产（如alipay的余额宝和wechat的零钱通）

全社会企业盈利利率参考10年期国债收益率

目前劳动人口的边际收益率参考30年期国债收益率（房地产）

心理学经验：利率高时净息差大（银行获利较多，此时应该购买新兴市场银行股），利率低时净息差迅速收缩（存款利率很难再降，坏账率也在上升，表现为小银行破产，放贷业务压力增大，此时会收到大量的贷款电话短信）

生活经验：10年期国债收益率长期低于3%时，应该格外提防各类诈骗（最可怕的是情感诈骗和金融产品诈骗，其最能hack大脑的动物模块）

金字塔的呼吸分为大周期（百年尺度）和数个小周期：

Ray Dalio: How The Economic Machine Works

企业

全社会企业盈利的baseline利率参考10年期国债收益率

秩序稳定时长期持有T1~T4，根据小周期扩张情况持有T5

评估企业要考虑供给需求(核心是远期的需求偏好)、forward PE、在产业链的位置、垄断能力

财政部(利率债发行主体)可以看作一个特殊的企业，其产出的商品是社会公共服务，收入来源主要是税收（所有国民即为员工）。

居民

居民收入参考 Median Household Income in the United States (MEHOINUSA646N)

房地产参考30-Year Fixed Rate Mortgage Average in the United States (MORTGAGE30US)

Median Sales Price of Houses Sold for the United States (MSPUS)

Housing Inventory: Active Listing Count in the United States (ACTLISCOUUS)

美国2008次贷危机：

优贷指超级大户
次贷是较次一级的客户，房贷占工资较低比重，仍然安全
危机根源，gov创设房地美和房利美，设定目标希望大多数人能有住房，因此两家企业在03年后急剧扩大债权需求，创设浮动利率让尽可能多的人购买期房

警惕任何好心和不劳而获式福利（乌托邦的终点是血盆大口）

工具 & 数据库

OpenBB

OpenBB examples

OpenBB Community Projects - FinanceToolkit

OpenBB Community Projects - FinanceDatabase

OpenBB pro

longtermtrends

Yahoo Finance

Google Finance

Wind

Bloomberg

OpenBB

getting_started

demo: 标普500 vs 利差金字塔

美债10年期收益率 - 3月期收益率反映了实际利率(更准确的指标应该是减去和通胀align的联邦基金利率或隔夜逆回购利率)，位于信用金字塔的T0~T1级别，对应美元信用；

BAA收益率溢价(经过期权调整)(baseline是十年期美债收益率)对应的是优质企业贷款需要付出的额外溢价，位于金字塔的T3和T4级别；

CCC收益率溢价(经过期权调整)(baseline是十年期美债收益率)对应的是普通企业贷款需要付出的额外溢价，位于金字塔的T5级别，其利率较低时意味着金字塔底端的资产也被大量的买入，整个金字塔接近扩张极限。

pip install openbb
pip install openbb-fred

标普500的数据来源Yahoo Finance 不需要api

CCC垃圾级债券收益率溢价BAMLH0A3HYC的数据来源fred需要申请api

申请 fred apikeys

申请理由参考：

I am a student working on an economic analysis project and need access to various economic data sets for research purposes.

本地创建config.yaml

  
fred_api_key: "xxx"

  
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.ticker import MultipleLocator
import yaml
from openbb import obb
import numpy as np
from datetime import datetime
import os

# 读取config.yaml中的API key
with open("config.yaml", "r") as file:
    config = yaml.safe_load(file)
    fred_api_key = config.get("fred_api_key", "")

obb.user.credentials.fred_api_key = fred_api_key  # 设置 FRED API key

# 获取起止日期
end_date = datetime.today().strftime("%Y-%m-%d")
start_date = "1996-12-31"

cache_folder = "data_cache"  # 设置缓存文件夹

if not os.path.exists(cache_folder):
    os.makedirs(cache_folder)


# 从缓存加载数据，如果缓存文件不存在则下载并缓存
def load_data_from_cache_or_download(sym, s_date, e_date, data_type="fred"):
    # 生成缓存文件名
    def get_cache_filename(symbol, start_date, end_date):
        return os.path.join(cache_folder, f"{symbol}_{start_date}_{end_date}.csv")

    cache_filename = get_cache_filename(sym, s_date, e_date)

    # 如果缓存文件存在，则直接加载
    if os.path.exists(cache_filename):
        print(f"Loading {sym} data from cache: {cache_filename}")
        return pd.read_csv(cache_filename, index_col=0, parse_dates=True)

    # 如果缓存文件不存在，则下载数据
    if data_type == "fred":
        data = obb.economy.fred_series(symbol=sym, start_date=s_date, end_date=e_date).to_df()
        data = data.rename(columns={"value": sym})
    elif data_type == "yfinance":
        data = obb.equity.price.historical(symbol=sym, start_date=s_date, end_date=e_date, provider="yfinance").to_df()
        data = data.rename(columns={"close": sym})

    # 保存数据到缓存
    print(f"save {sym} data to cache: {cache_filename}")
    data.to_csv(cache_filename)
    return data


# 获取 fred数据 实际利率 企业债利差(BAA & CCC)
T10Y3M_data = load_data_from_cache_or_download("T10Y3M", start_date, end_date, data_type="fred")
BAA_data = load_data_from_cache_or_download("BAA10Y", start_date, end_date, data_type="fred")
CCC_data = load_data_from_cache_or_download("BAMLH0A3HYC", start_date, end_date, data_type="fred")

# 获取 yfinance数据 标普500数据
sp500_data = load_data_from_cache_or_download("^GSPC", start_date, end_date, data_type="yfinance")

merged_data = pd.DataFrame(
    {
        "T10Y3M": T10Y3M_data["T10Y3M"], # 美债10y-3m 实际利率
        "BAA10Y": BAA_data["BAA10Y"],  # BAA级债券利差 穆迪
        "BAMLH0A3HYC": CCC_data["BAMLH0A3HYC"],  # CCC级债券利差 ICE BofA
        "Log_10_SP500": np.log10(sp500_data["^GSPC"]),  # 标普500对数值
    }
)
# .dropna()  # 去除缺失值（如果有）


# 绘制双轴图
fig, ax1 = plt.subplots(figsize=(12, 6))

# 在主轴上绘制 Log_10_SP500
ax1.plot(merged_data.index, merged_data["Log_10_SP500"], color="blue", label="Log_10_SP500")
ax1.set_xlabel("Date")
ax1.set_ylabel("Log of SP500 Index", color="blue")
ax1.tick_params(axis="y", labelcolor="blue")

# 创建第二个Y轴，用于绘制 BAA10Y 和 BAMLH0A3HYC
ax2 = ax1.twinx()
ax2.yaxis.set_major_locator(MultipleLocator(1)) # 刻度间隔为1
(line1,) = ax2.plot(merged_data.index, merged_data["T10Y3M"], color="orange", label="10Y-3M")
(line2,) = ax2.plot(merged_data.index, merged_data["BAA10Y"], color="green", label="BAA")
(line3,) = ax2.plot(merged_data.index, merged_data["BAMLH0A3HYC"] / 4, color="red", label="CCC / 4")
ax2.set_ylabel("Yield Spread (%)", color="black")  # 使用黑色表示次轴的标签
ax2.tick_params(axis="y", labelcolor="black")

# 添加标题和图例
plt.title("Log_10_SP500 vs Yield Spreads (10Y-3M & BAA & CCC/4)")

# 手动创建图例
lines = [line1, line2, line3]  # 获取第二个 Y 轴的线条对象
labels = [line.get_label() for line in lines]  # 获取对应的标签
ax2.legend(lines, labels, loc="upper right", bbox_to_anchor=(0.95, 0.63))  # 图例放在左上角

# 主轴的图例
ax1.legend(loc="upper right", bbox_to_anchor=(0.95, 0.70))  # 图例放在右上角

plt.grid(True)
plt.tight_layout()
plt.savefig("Log_SP500_vs_Yield_Spreads.png")

# 输出基本统计信息
print("\n基本统计信息:")
print(merged_data.describe())


def percentile_today(data, name):
    today = data.iloc[-1][name]  # 最新数据点
    p = (data < today).mean()[name] * 100
    print(f"{name}, {today}%, {p:.2f}%")


print("\nSymbol, 今日利差, 历史百分位")
percentile_today(T10Y3M_data, "T10Y3M")
percentile_today(BAA_data, "BAA10Y")
percentile_today(CCC_data, "BAMLH0A3HYC")

运行结果：

基本统计信息:
            T10Y3M       BAA10Y  BAMLH0A3HYC  Log_10_SP500
count  7071.000000  7065.000000  7379.000000   7112.000000
mean      1.349574     2.429023    11.069318      3.240964
std       1.295788     0.736006     5.111355      0.232533
min      -1.890000     1.360000     4.140000      2.830287
25%       0.380000     1.870000     7.690000      3.064991
50%       1.420000     2.290000     9.530000      3.151180
75%       2.350000     2.850000    12.595000      3.422043
max       3.850000     6.160000    44.290000      3.788462

Symbol, 2025-03-05利差, 历史百分位
T10Y3M, -0.07%, 13.59%
BAA10Y, 1.57%, 6.62%
BAMLH0A3HYC, 7.74%, 25.68%

Symbol, 2025-04-09利差, 历史百分位
T10Y3M, -0.14%, 12.80%
BAA10Y, 1.94%, 28.38%
BAMLH0A3HYC, 11.37%, 66.09%

从2025-03-05三者的历史百分位可以看出，均位于历史低位，意味着金字塔接近扩张极限，杠杆率极高

到2025-04-09三者的历史百分位变化可以看出，去杠杆收缩时金字塔底部先迅速爆掉，风险偏好逐步向金字塔顶端收缩

1996~2004这一段对应的互联网泡沫，曲线间负相关性没有之后明显，且泡沫刺破经历的时间较长，个人猜测是当时互联网尚未普及，交易的信息壁垒和延迟较大。

卖出信号(30%分位)：CCC <  8% || BAA < 2%
买入信号(80%分位)：CCC > 14% && BAA > 3%
分批操作

CCC位于金字塔企业层级中的最低层次，主要用于风险提醒（是最后能加的杠杆）

BAA位于金字塔企业层级中的较上层次，标普500更应该参考此指标，1996~2004这一段很能说明这一点

实际利率位于金字塔的T1层次，由于：

黄金可以看作零息债券且地表数量有限
实际利率触及0时美债收益率无竞争优势
实际利率触及0时美债数量不可控

因此此时T1美元信用迅速下降，黄金将迎来大的上涨

可以看到y12000,y22006,y32019,y42022实际利率四次转负，之后几年黄金都迎来了暴涨

y1~y2, y3~y4年份较近，而y2~y3年份较远，可以看到黄金震荡的年份是2012~2018

2008年通过量化宽松提高T1美债的供给，由美联储和新兴市场承接：当时中国仍然有大量的美元需求，购入美债作为外汇储备，2008-2018是中国风险偏好迅速扩张的十年（基础建设投资），BAA企业高盈利的十年、美债实际利率缓慢下降的十年、黄金横盘的十年。

2019年这次实际利率转负与以往不同，中国已完成工业化，而其他新兴市场缺乏竞争优势，体量也难以承接巨量的T1美债，因此实际利率长期维持在负值，有恶行通胀或债务违约的风险，中国央行持续抛售美债并买入黄金

黄金计价的美股log10(sp500/gold)更有参考意义

CLI

pip install openbb-cli
openbb

现有指标

The Real Interest Rate

S&P 500 PE Ratio

S&P 500 to Bonds Ratio

ICE BofA CCC & Lower US High Yield Index Option-Adjusted Spread (BAMLH0A3HYC)

Bond Yield Credit Spreads

Dow Jones vs. Gold

The Buffett Indicator: Market Cap to GDP

Home Price to Income Ratio

US Debt to GDP

Gold vs. (inverted) Real 10-Year Treasury Yield

小银行消费者贷违约率

消费贷款: 可以是有抵押贷款（如汽车贷款以汽车为抵押，房屋净值贷款以房屋为抵押），也可以是无抵押贷款（如个人无抵押贷款、学生贷款）。有抵押的贷款通常利率较低，因为对贷款人风险较低。

小银行信用卡贷款违约率

信用卡贷款: 绝大多数信用卡贷款都是无抵押贷款，这意味着银行没有特定的资产作为担保。正因如此，信用卡贷款的利率通常较高。

美国货币乘数现象：85年后美国和日本的货币乘数全部长期走低

历年黄金价格表

Ray dalio的主权实力指标 - 未来十年

三大评级机构: 穆迪标普惠誉

他者

市场永远是错的但最终是对的和比较公平的

Polymarket

数字化Beatrice

部分科技爱好者打算将黄金魔女从Au197过渡到[算力~公私钥密码学]混合体

目前受众主体：按年龄切片划分，集中在z世代

TBD

附录

Beatrice魔法的物理依据是什么

神学假设

全知全能的神不存在（而计划经济的假设是神存在，可以用现有的运筹学工具白盒静态优化社会资源配置）。神不存在这一假设参考米塞斯《人的行动》和哈耶克三角《价格与生产》，大致是:

复杂系统的不可预测性
社会发展的创新需求(创新的需求来自于达尔文生存压力，例如百年耻辱)
消费偏好的主观性(例如代际改变)

因此Beatrice魔法类似于多智能体的强化学习，比运筹学规划更适合黑盒动态环境的优化。

不同主体在不同专业领域有不同的分工、认知、能力优势，作为神的眼睛和分身，所持有的认知碎片共同完成对于世界的拼图，在这个意义上，神是人类组织出来的共同体。

拼图机制（共识）

人类的组织需要一套共识机制完成，其核心和远古的图腾别无二样：通过符号完成自我与他者的混淆

现代社会根据具体功能划分成更为细致的符号系统：

语言、意识形态、民族、法律、主权货币、道德、文化、行为纲领、社会角色、企业商业计划书、家庭 …

不同共识符号具有不同的迭代周期和生命周期，参考热力学系统中不同粒子间的化学势

TBD

金融工具

杠杆：现有资源的分时复用（类似单个CPU可以被多个进程按时间片切分复用），在私有制的基础上发展出的资源公有借用

得以存在的假设：

部分个体(央行——Beatrice代理人)现有资源储备充足(农业社会的原始积累)
需求的异质性，不同生产和商业活动所需的物理时间周期的差异（机器织毛衣只需数天，创造一个游戏需要数年，知识的研发生产和商业化盈利可能要几十上百年）
资源的异质性，不同主体能力异质性（A的资源在B手里会发挥更大的作用）

催化剂

活化能

过渡态

作为原则的永恒？

利率时间偏好，其心理学的稳定性

个体稳定性：

选自《风险，人性与未来的前景》——Alan Greenspan：

在 1972年和 1990年开展了一项知名实验，
结果表明:4~6岁的儿童放弃即期享受的自制力，
会在多年之后表现在较高的中学会考成绩上，
能够推迟享受的儿童比控制力较差的儿童更容易获得成功。

2011年对同一批测试对象的跟踪研究再次证明了这个现象，
这表明人们的时间偏好水平保持着终身的稳定水平，
当然每个人的水平各不相同。
愿意为将来的更大回报而放弃即期享受的人，智力水平通常也更高。

代际稳定性：

选自《风险，人性与未来的前景》——Alan Greenspan：

时间偏好在代与代之间保持的稳定性有据可依，
早在公元前5世纪的希腊，利率水平的表现就已
非常接近于我们今天的市场。

英格兰银行在1694~1972年执行的官方政策利率
一直在2%~10%波动，在20世纪70年代后期的高
通货膨胀中提升到17%，此后又回到个位数的
历史区间。我们有充分的理由推断，
时间偏好没有明显的长期变动趋势。

利率某种程度上反映了群体的心理学变化，如低利率的今天（2025）会有更多的人变得焦虑，犯罪率（尤其是诈骗）飙升

“今夕是何年？”，为了回答这个问题，应该去看利率曲线而不只是四位数

魔法完成了什么？

资源在不同时空层面的(合理?)分配：

将资源能够分配到最能发挥其效用的地方（空间层面利差烫平）
将未来的收益转移到当下（时间层面利差烫平）
保险功能：通过共同体，降低个体的风险(参考热力学的根号n定律)

这样的合作机制使得达尔文演化的单位从个体过渡到更有效率的组织（超越基因的符号系统构建的文化种族），且被全球化的历史证实可以scalable到几十亿的合作规模

不合理的地方就是个体的盈利机会（包括科技突破、金融套利、新需求发现、新危机造成的均衡shift、实业创业等多种活动）

重要的历史经验

1930~ 胡佛罗斯福时代

金字塔收缩到T1时，为了避免通缩，即为了保持T1~Tn的绝对宽度不变，需要扩充T0的绝对宽度以保持金字塔的相对形状稳定。在T0数量有限的情况下，黄金迎来re-valuation（可以是法币挤兑，也可以是官方强制重新定价并锁死流动性）

市场信号：美债(尤其是长债)遭到大量抛售，长债的收益率增长快于短债

金价在1920~1932稳定在$20/oz~$21/oz

罗斯福的操作：

1933年4月，行政命令6102要求美国人将黄金硬币、黄金条块和黄金证书在1933年5月1日前交给联邦储备银行，以市场价$20.67/oz兑换。
1934年1月，国会立法颁布《黄金储备法案》将黄金价格强制定为$35/oz，并禁止私人兑换黄金 (这一新价格仅适用于政府之间的交易，普通公民在1933年交出黄金时，仍按照每盎司20.67美元的价格进行兑换)
允许财政部在国际上购买黄金，以使美元在外汇市场上进一步贬值

伦敦黄金市场在1931-1939年间为自由市场，金价受供需影响，私人囤积黄金显著。

美国直到1974年放松黄金禁令（1975年1月1日生效），允许个人投资者拥有黄金。

里根大循环

TBD

2000年互联网泡沫

选自《风险，人性与未来的前景》——Alan Greenspan：

某些学者倾向于通过逐步收紧货币政策，以渐进方式去除泡沫，
但在实际操作中此类渐进政策似乎从来没有奏效过。
今天看来，美联储在1994年面临尚未成形的互联网泡沫
时采用的逐步收紧货币的做法，就可能起到了适得其反的效果。

此次危机被美联储提前注意到，收紧了货币政策，仍然避免不了危机。

个人猜测原因：央行只能控制金字塔顶端，底层的资源配置仍然由分布式的主体决定，危机的根源在于从众效应导致的资源错配和预期违约。

2008年金融危机

TBD

危机中的黄金

黄金在危机前和危机后一般都会有大的升值，但在危机年份买卖双方力量都很强。例如2008年黄金价格几乎没变，波动率极高。

原因：大量机构和散户爆仓，不得不抛售黄金去支付所需的保证金

石油

金油比价

super contango机会

2020年仓储能力

地缘冲突期间

日本30年人口结构变化巴菲特两次环球亲临

日本房地产于1991崩盘，此时财政债务占GDP的比重为63% (还是比较低的，目前已超过250%)

图：日元计价资产

可以看出，91年后日本股市经历了数次大起大落，大起的原因是央行释放流动性，但最终都收敛到大落（基本面没有改变）

然而T0黄金每次都稳定吸收了流动性（量化宽松造成了T2日元贬值，T0黄金和T1美元都是相对于其的外汇）

房价迅速下跌后缓慢下跌数十年，最终在2012年和年化3.2%的固收终点重合，说明日本人花了20年还完了房贷

大约在2000年（泡沫破裂十年后）日本才逐渐迈入老龄化和少子化，人口抚养比逐步上升，直到2018年抚养比接近70%，此时二战后婴儿潮的老年人口年龄较高(2025-1947=78岁)，因自然凋亡将迅速减少，完成财富的代际传承。（日本男性的平均寿命81岁，女性87岁）

根据预测数据，2018~2032期间日本抚养比（根据其余人口/劳动年龄人口计算）几乎保持不变

中日抚养比预测：

数据来源：日本人口金字塔预测；中国人口金字塔预测

  
import matplotlib.pyplot as plt
from matplotlib.ticker import MaxNLocator

# https://population-pyramid.net/zh-cn/pp/%E6%97%A5%E6%9C%AC
# https://population-pyramid.net/zh-cn/pp/%E4%B8%AD%E5%9B%BD
# 劳动年龄人口占比
jp_data = ["59.88%", "60.15%", "60.43%", "60.65%", "60.98%", "61.59%", "62.32%", "63.04%", "63.74%", "64.20%", "64.42%", "65.01%", "66.05%", "67.11%", "67.98%", "68.58%", "69.15%", "69.52%", "69.64%", "69.68%", "69.68%", "69.54%", "69.21%", "68.83%", "68.51%", "68.23%", "67.99%", "67.78%", "67.61%", "67.50%", "67.50%", "67.41%", "67.40%", "67.60%", "67.76%", "67.98%", "68.32%", "68.72%", "69.15%", "69.54%", "69.82%", "69.96%", "69.98%", "69.96%", "69.86%", "69.70%", "69.47%", "69.17%", "68.87%", "68.55%", "68.18%", "67.75%", "67.32%", "66.96%", "66.54%", "65.97%", "65.35%", "64.78%", "64.21%", "63.78%", "63.53%", "63.06%", "62.29%", "61.50%", "60.80%", "60.23%", "59.76%", "59.41%", "59.16%", "59.00%", "58.86%", "58.73%", "58.74%", "58.79%", "58.78%", "58.77%", "58.76%", "58.74%", "58.70%", "58.62%", "58.47%", "58.42%", "58.30%", "58.00%", "57.65%", "57.22%", "56.71%", "56.13%", "55.48%", "54.82%", "54.23%", "53.72%", "53.28%", "52.89%", "52.54%", "52.25%", "52.00%", "51.80%", "51.60%", "51.42%", "51.27%"]

cn_data = ["68.98%", "69.67%", "70.38%", "71.08%", "71.82%", "72.35%", "72.62%", "72.78%", "72.86%", "72.86%", "72.80%", "72.61%", "72.34%", "72.01%", "71.63%", "71.20%", "70.67%", "70.16%", "69.74%", "69.40%", "69.21%", "69.10%", "69.09%", "69.33%", "69.68%", "70.07%", "70.26%", "70.06%", "69.76%", "69.52%", "69.29%", "69.16%", "68.86%", "68.33%", "67.69%", "66.92%", "66.13%", "65.35%", "64.61%", "64.01%", "63.49%", "63.06%", "62.67%", "62.25%", "61.79%", "61.29%", "60.71%", "60.17%", "59.68%", "59.14%", "58.50%", "57.76%", "57.02%", "56.31%", "55.55%", "54.95%", "54.61%", "54.36%", "54.17%", "54.01%"]

# 数据预处理：去掉百分号并转换为浮点数，然后计算抚养比
def calculate_dependency_ratio(data):
    return [(100 - float(value.strip("%"))) / float(value.strip("%")) for value in data]

jp_dependency_ratio = calculate_dependency_ratio(jp_data)
cn_dependency_ratio = calculate_dependency_ratio(cn_data)

# 定义年份范围
jp_years = list(range(1950, 1950 + len(jp_data)))  # 日本年份从 1950 到 2050
cn_years = list(range(2001, 2001 + len(cn_data)))  # 中国年份从 2001 到 2060

plt.figure(figsize=(12, 6))  # 设置图像大小
plt.plot(jp_years, jp_dependency_ratio, marker="o", linestyle="-", color="b", label="Japan")  # 日本数据
plt.plot(cn_years, cn_dependency_ratio, marker="s", linestyle="--", color="r", label="China")  # 中国数据

# 添加标题和标签
plt.title("Dependency Ratio: China vs Japan", fontsize=16)
plt.xlabel("Year", fontsize=12)
plt.ylabel("Dependency Ratio", fontsize=12)
plt.legend(loc="upper left", fontsize=12)  # 添加图例
plt.grid(True)

# 设置 x 轴刻度
min_year = min(jp_years[0], cn_years[0])  # 最小年份
max_year = max(jp_years[-1], cn_years[-1])  # 最大年份
plt.xlim(min_year, max_year)  # 设置 x 轴范围
plt.gca().xaxis.set_major_locator(MaxNLocator(nbins=20))  # 自动调整刻度数量

# 保存图像
plt.tight_layout()
plt.savefig("cn_jp_dependency_ratio.png")

注：年轻人的生育意愿还是非常高的，主要是太穷了结不起婚

可以看到，安倍晋三在2012年这次量化宽松后日本股市稳定在高位

巴菲特2011年11月第一次前往日本猜测原因：

日本人房贷还完了
公司法改革，激励目标更加指向股东回报, 参考《日本公司治理改革与公司法》

日本公司法变革简介

防御型治理（二战后至1990年代）：

依据血缘和家族为纽带互相持股，完成对公司的独占性控制（隔绝敌意收购）和目前的中国比较类似
优先考虑雇员利益而非股东回报（终身雇佣制下ROE长期低于5%）
1997年之前禁止股票回购

进攻型治理（2000年代至今，特别是2012年安倍经济学之后）：

股东权利扩张
增大董事比例，靠职业经理人运营，防止家族接班人水平不行
高管薪酬与ROE挂钩（如日立2018年引入绩效股票）
打破家族交叉持股，其比例从1990年代45%降至2023年10%
允许国际投资者持股（估计是巴菲特施压后改革的）

2023这次巴菲特访问日本前，2020年8月就开始购买五大商社

巴菲特2023年4月11日第二次前往日本猜测原因：风险偏好扩张，日本长期国债收益率上升

投资为什么失败

预测市场的未来走势是错误的做法

选自《风险，人性与未来的前景》——Alan Greenspan：

我们很难判断雪面上的小块裂缝是否会触发大规模雪崩，
由于同样的原因，也很难预先判断何种事件将触发大规
模金融危机，尤其是2008年9月那种量级的危机。

大多数基金经理无法跑赢指数

TBD

黑天鹅

你的身体每天都会有细胞癌变

TBD

辩论赛和马后炮式的由果溯因

每天都能找出来上百个利好和利空的新闻

两类信念不平衡时反而危机最大（全是买盘时收益率会极低，意味着某种极值点）

TBD

Erica和Dlanor的解答

Erica

没有爱，便看不到？

正因为有了爱，所以才看到了不存在的东西

Dlanor

有关魔女的处刑，怜悯、无用的修饰

TBD

教条

盲目的diversity

TBD

应该怎么做

遵循Robustness原则

即使明天是诸神之战和大洪水

diversity实际是在做什么

VC届为什么不允许该行业更有专业知识的研究员直接参与投资

免疫系统喜欢什么

医生巴菲特的建议

TBD

均衡过程: 交换

正确的估值

交易的是利差

噪声路径积分牛顿位面的世界

TBD

基于自然神学衍生的美学

消除常见的误解——算法描述

小猎犬号航行记

客观描述——算法

误解：参数错误

TBD

历史依据

嗅觉

先验蛇

TBD

信息的一元视角

结构的再生产

魔女得以存在的裂缝

TBD

金藏的解答

胜利魔法出色

TBD

闪电与雷鸣

同一事件的不同测量，在不同空间有不同传播速度

TBD

不可解

本文由作者按照 CC BY 4.0 进行授权

会呼吸的金字塔

什么是金钱？

主权货币

利率曲线

企业

居民

工具 & 数据库

OpenBB

demo: 标普500 vs 利差金字塔

CLI

现有指标

他者

数字化Beatrice

附录

Beatrice魔法的物理依据是什么

神学假设

拼图机制（共识）

金融工具

催化剂

利率时间偏好，其心理学的稳定性

魔法完成了什么？

重要的历史经验

1930~ 胡佛 罗斯福时代

里根大循环

2000年互联网泡沫

2008年金融危机

危机中的黄金

石油

日本30年 人口结构变化 巴菲特两次环球亲临

投资为什么失败

预测市场的未来走势是错误的做法

大多数基金经理无法跑赢指数

黑天鹅

辩论赛和马后炮式的由果溯因

Erica和Dlanor的解答

教条

应该怎么做

遵循Robustness原则

均衡过程: 交换

基于自然神学衍生的美学

消除常见的误解——算法描述

历史依据

信息的一元视角

金藏的解答

闪电与雷鸣

热门标签

1930~ 胡佛罗斯福时代

日本30年人口结构变化巴菲特两次环球亲临