ShoelessCai-腾讯云开发者社区

开发者社区

文档建议反馈控制台

腾讯云架构师技术同盟

文章/答案/技术大牛

发布

ShoelessCai

专栏成员

7

文章

853

阅读量

9

订阅数

储蓄机构解除管制和现金控制法

工具网站金融存储服务

《储蓄机构解除管制和现金控制法》Depository Institutions Deregulation and Monetary Control Act，生效于 1980 年 3 月，将个人存款的保险额度从4万美元提升至10万美元；允许借贷机构自行制定贷款利息；可转让提款指令账户可以在全国范围内发出支付指令；允许信用合作社提供支票存款服务。这是一个叫做【联储历史】的网站的资讯，FTC 我这边是上不去的。我们看看这些解释吧！ Investopedia 关键要点 1980年的《货币控制法》（The Monetary Control Act, MCA）是一项重要的金融立法，要求所有存款机构满足美联储的最低要求。它是为了应对20世纪70年代美国经历的两位数通货膨胀而制定的。该法案还逐步取消了客户存款的利率上限，并成立了存款机构放松监管委员会。国会。《H.R.4986-1980年存款机构放松管制和货币控制法》。评注，一是收紧 M2。二是降低利率。因为储蓄机构用高利率吸引储户时候，自然增加货币流通量。这些 M2 的增加，由金融机构带来，而非经济活动带来，Not from setting。三是，宏观调控手段，从监管变为利率调控。影响美联储百年历史中最重要的立法之一正式被称为《储蓄机构解除管制和货币控制法》，原名 the Depository Institutions Deregulation and Monetary Control Act。1980年3月31日，Jimmy Carter总统签署了该法案。该法案的标题本身就表明了该立法希望解决的两个主要问题——放松对接受存款机构的监管，以及改善美联储对货币政策控制的努力。银行和其他存款机构所处的监管环境需要进行重大改革。利率上升到两位数水平，主要是由于通货膨胀率高，当时的历史背景。然而，自大萧条以来，存款机构被允许支付的存款利率受到现行法律的限制。因此，储户开始避免将银行作为储蓄工具，并将资金存放在共同基金等不受监管的实体中。不幸的是，一些储户，特别是低收入家庭，无法轻易获得这些替代品，他们的储蓄率远低于金融市场的水平。这一系列情况降低了储蓄的吸引力，同时也削弱了银行在金融市场中的传统重要作用。如何吸储？该法案的目的之一是 “逐步取消对存款和账户应付利率的所有限制，并授权计息交易账户。” 在此之前，银行和其他机构可以支付的存款最高利率由联邦政府根据所谓的 Q 条例进行监管。事实上，银行不允许对支票账户（或“活期存款”账户）支付任何利息，在该法案签署时，银行储蓄账户的利率设定为 5.25% 。但市场利率为两位数，短期国债利率超过 12% 就是明证。因此，与货币市场共同基金等监管较少的竞争对手相比，银行和其他传统类型的存款机构在吸引存款方面处于严重劣势。由于利率的限制，使用传统银行和其他类型存款机构的储户受到了惩罚，他们的资金被剥夺了市场利率。毫不奇怪，资金从银行流出，家庭储蓄往往受到影响，这一过程被称为“去中介化”。评注：这里可能在说这么件事情，如果中产把钱从银行拿出，投资共同基金，他们能获得更加高额回报。对中产以下的家庭，其实是不利的。那些低收入家庭，并非因为厌恶风险而将钱放在银行，是因为无法购买更加高收益的投资品。该法案的第二篇被称为1980年的《储蓄机构解除管制》（评注，这里是两部法案）。它逐步取消了对存款机构存款利率的限制。为了确保向这种新环境的有序过渡，逐步淘汰持续了六年。取消利率限制不仅提高了银行争夺资金的能力，还鼓励消费者增加储蓄，因为他们现在能够从储蓄账户中获得更高的回报，并且有更多机会使用支付市场利率的不同账户。如何控制流通货币？随着20世纪70年代末通货膨胀率达到两位数，对货币供应的更严格控制变得越来越重要。该法案的第一篇被称为1980年的《货币控制法》。它要求所有接受存款的机构（“存款机构”）满足准备金要求。准备金要求是美联储可以用来实现货币供应预期变化的重要工具。在此之前，只有联邦储备系统成员的商业银行被要求持有准备金，到1980年，只有不到40%的银行是成员。其他存款机构，如储蓄和贷款以及信用合作社，其存款也是货币供应的一部分，不受美联储准备金要求的约束。这限制了美联储控制货币供应的能力。储备要求要求存款机构以金库现金或其在地区联邦储备银行开立的账户的形式留出一定数量的资金。他们必须储备的金额取决于他们的存款规模。该法案规定，非成员机构的新准备金要求将分八年逐步实施。此外，任何持有准备金的机构现在都有资格获得贴现窗口借款，而以前只有成员银行才能获得贴现窗口贷款。对存款机构资产和负债的额外报告要求也是该法案的一部分，再次帮助美联储更好地控制货币供应。《货币控制法》的另一个重要特征是要求美联储开始对其提供的某些服务收取费用。这些服务包括机构的货币和硬币存

2025-01-20

790

LLMs 应对攻击综述：PLeak, Self-Reminder, RAIN, AutoDAN，GCG

算法网络 self token 模型

本来是阅读蚂蚁金服和上海财经大学联手写作的大语言模型的白皮书。这个专题是“LLMs 应对攻击综述：PLeak, Self-Reminder, RAIN, AutoDAN，GCG”。

2024-11-08

1720

蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - 10

金融读书笔记行业模型数据

评估范围：不同的领域，如金融、医疗或法律，拥有不同的数据特性、任务需求和合规要求。能力维度： 1.知识能力。衡量模型对广泛知识的了解程度，教育程度范围涵盖，义务教育、高等教育、职业教育。 2.推理能力。该维度针对模型的逻辑分析与问题解决能力。推理涉及数学计算和逻辑判断，还包括对复杂问题的因果推断，和程序代码的生成与 debug 能力。 3.理解能力。评估模型对于给定文本的深入理解程度，包括对文字含义的把握、主旨的抽取、语境的解读以及创意写作。 4.语言能力。关注模型在理解和生成语言方面的能力，包括对字词的精准辨识、分类、含义解释以及新词创造；对语句、段落的语法结构进行解析和错误纠正；以及将一种语言翻译为另一种语言的能力。包括同义词辨析、句子改写、多语种翻译等任务，来全面评估模型的语言处理能力。 5.安全能力。确保模型的输出不仅符合技术要求，还要符合社会和道德规范，这是避免潜在风险和不当使用的关键。通过设置与实际应用场景相符的测试用例和模拟情境，可以检验模型在各种复杂环境下的安全表现。数据分类： 1.网络爬虫。大模型评测集的数据来源包含网络爬虫、教科书、业务数据，以及问答社区和知识库等渠道，旨在全面衡量模型的知识掌握和实际应用能力。网络爬虫数据为模型提供了丰富的语言环境和现实世界的情境，包括最新的新闻、流行话题和公众讨论教科书是权威的学术资源，它们给模型带来了正式的学科知识和概念性学习材料。 2.业务数据。业务数据则来源于特定行业或企业，这些数据集中于具体领域的专业知识和场景，对于评估模型在专业环境中的适用性至关重要。 3.社区问答。问答社区和知识库如知乎提供了用户生成的问题与答案，这些实际的交互数据可以检验模型的应答质量和问题解决能力。综合这些来源，评测集能够更精确地揭示模型在理解和生成语言、处理知识信息、以及与用户交互方面的实际表现。题型分类： 1.文本补全测试。评估模型预测和插入缺失文本片段的能力，要求模型展现对上下文的理解并准确推断出合适的内容。 2.多项选择测试。旨在衡量模型能否在多个可能答案中选择最合适的一项，从而考验模型的知识储备，阅读理解和分析判断能力。 3.文本摘要生成。检验模型提取关键信息并有效压缩长篇文章为简洁摘要的能力，这对于评估模型的信息处理和概括能力至关重要。 4.代码生成。此类测试专注于模型理解编程语言规范并根据功能需求生成准确代码的能力，是衡量其技术应用潜力的关键。 5.工具调用。测试模型能否正确使用特定工具或服务来完成任务，如查询数据库、调用 API 接口等，这反映了模型的实用性和交互能力。构建方式： 1.对于 PDF 格式的数据。可以采用 OCR 技术进行电子化处理，随后通过人工干预进行清洗和校正，以确保构建出高质量的评测题目。相比于可能被模型预训练过的网页文本格式试题，PDF 格式的数据更能保障评估结果的客观性，以避免数据穿越的潜在影响。 2.对于未标注的教科书或专业资料，可以利用语言模型的转换功能，将这些内容转化为填空题、问答题以及选择题等形式。鉴于生成式大模型可能产生的幻觉问题，直接利用大模型生成题目可能无法确保其有效性。因此，利用教科书和专业资料作为基础，借助模型本身的语言理解能力构建评测题目是一种非常有效的方案。此外，专家构造的评估集也是评测工具箱中的重要组成部分。这类评估集能够有效避免数据泄露问题，并且人类专家能够创造众多独特而富有挑战性的评估数据。然而，专家构造评估集也面临规模有限、创建和更新成本高昂的局限性。 3.针对业务数据的题目构建，可以通过精心设计的提示（prompt）和规则将业务数据转化成具体的评测题型，以此评估模型在实际业务环境中的适用能力。评测方法： 1.客观评估。客观评估通过量化指标来衡量模型在特定任务上的表现，是小模型时代主流的评估方法，常用的评估指标包括：准确率、F1 分数、ROUGE 指标、METEOR 分数以及 pass@k 指标等。 2.主观评估。采用以人类评价者的主观感知为基础的评估方法，能够更全面地衡量模型的综合性能。主观评估则依靠人类专家根据经验和判断来进行，它涉及对模型性能的个人感知评价和比较，旨在识别模型的优势和潜在的改进空间。对于人工评估，使用 GPT-4 进行评估可作为其替代方法（团队内部评估过，GPT-4 作为人工评估替代方案，与专业达标人员评估相关度高，且效率大大提升）。以众包方式让不同的大模型进行匿名随机的对抗测评。这种评级基于国际象棋等竞技游戏中广泛使用的 Elo 评分系统（Elo 是一种计算玩家相对技能水平的方法，通过两名玩家之间的评分差异可以预测比赛的结果）。 3.上下文学习与思维链。研究领域已发展出具有代表性的评估方法如“上下文学习”（In-Context Learning）和“思维链推理”（Chain of Thought, CoT）等。包括

2024-11-08

1360

蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - 9

读书笔记模型数据算法金融

蚂蚁金服携手上海财经大学共同完成的白皮书，即《大模型实在金融领域的应用技术与安全白皮书》。先关注目录。 1.概述 2.大模型应用技术分析 3.大模型的应用安全 4.大模型评测 5.金融大模型发展中的人才培养蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - I 蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - II 蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - III 蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - IV 蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - V 第三章的目录，注意，这里是为了读者能够更加清晰地了解文章结构。不然，所有算法介绍完，要干嘛都不知道了！本文是这么用的哈！

2024-11-08

1330

蚂蚁联手上财：揭开AI大模型在金融领域的神秘面纱读书笔记 - 8

数据金融安全读书笔记模型

蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - VII 蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - VI 蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - V

2024-11-08

940

蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - VII

数据隐私金融读书笔记模型

蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - VII 之前的几篇文章：蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - VI 蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - V

2024-11-08

1180

蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - VI

数据金融 vi 读书笔记模型

这是第五篇关于蚂蚁金服和上海财经大学，大模型阐述的文章：蚂蚁集团联手上海财经大学：揭开AI大模型在金融领域的神秘面纱读书笔记 - V。接下来讨论基于隐私泄露的方法。第一，自由文本推断攻击。对抗攻击（adversarial attack）旨在利用对抗样本（adversarial example）来欺骗受害模型（victim model）。攻击模型（attack model）通过对原样本进行轻微的扰动来生成对抗样本，其真实的分类标签与原样本保持一致，但是受害模型的判断却会出错。对抗攻击被认为可以暴露受害模型的弱点，同时也有助于提高其鲁棒性和可解释性。 ShoelessCai 评注：之后我们也会看到，文章对于模型的可解释性，进行长篇大论的解释。我们可以认为是针对黑盒模型，一种测试性解释。换言之，如果全是线性模型，我可以按照输入模型的变量，去分析解释因素（factor），或者承载（load）。这时候我知道导致我输出变量的改变是什么。但是针对神经网络类型的模型，反向侦测可能就是一种思路。在图像领域已有CleverHans、Foolbox、Adversarial Robustness Toolbox (ART)等多个对抗攻击工具包，这些工具包将图像领域的对抗攻击模型整合在一起，大大减少了模型复现的时间和难度，提高了对比评测的标准化程度，推动了图像领域对抗攻击的发展。简要介绍一下这些算法。 CleverHans，该平台的攻防框架，将攻防算法模块化，全球研究者能在这一平台上，快速研发不同的对抗样本生成算法和防御算法。以 FGSM 和 PGD 为例，生成对抗样本，与干净样本对比正确率。因为是模块化平台，上述做法，可以通过调用函数实现。以 FGSM 为例，如下述方式定义参数，使用 CleverHans 平台。 def fast_gradient_method( model_fn, x , eps, norm, clip_min=None , clip_max=None, y=None , targeted=False , sanity_checks=False, ) Foolbox，较为成熟度工具箱。无目标攻击 raw, clipped, is_adv=attack( fmodel, data.to(device), target.to(device), epsilons=0.1 ) 有目标攻击 raw, clipped, is_adv=attack( fmodel, data.to(device), epsilons=0.15, criterion=criterion ) 可以发现有无目标攻击有一点不同就是是否含有 target。无目标攻击需要样本 target，告诉模型“只要最终判定的类别不为 target 即可”。有目标攻击，则是提供 criterion 参数，告诉了模型该如何定向分类。两种攻击模式都存在 epsilons 参数，这是必要参数，设定了像素点最大变化大小（没怎么懂，先放着）。上述的 attack 实际返回了三个变量：第一，raw 就是正常攻击产生的对抗样本；第二，clipped 就是通过 epsilons 剪裁生成的对抗样本；第三，is_adv 包含每个样本的布尔值，指示 raw 中哪些样本它们既被错误分类，又在干净样本周围的小邻域内（半径为 epsilon）。上述代码的解释比较直接，我们可以认为，FoolBox 就是用参数描述目标，让模型的分类能力变差，这才是所谓的攻击。这就是这类工具箱，免疫型操作的 Basic Idea。从文章的描述看，调用工具箱，以及 PyTorch，还是比较容易提升模型的“免疫力”的。 Adversarial Robustness Toolbox （ART），专门用于机器学习稳健性的 Python 工具包，具有模型防御功能，接下来，我们来看看是如何起作用的。官方文件，“applications against the adversarial threats of Evasion, Poisoning, Extraction, and Inference. ”。按照 ShoelessCai 的理解。ART 主要针对模型进行如下操作，污染样本、抽取重要信息，以及干预模型预测这类事件。这是 ART 这个工具箱的官方解释。注意，这个工具箱是持续地更新和迭代的。回到正文。文本领域鲜有类似的工具包，据我们所知目前仅有 TextAttack 这一个文本对抗攻击工具包。然而它所覆盖的攻击类型十分有限（仅支持gradient-/score-based类型的攻击以及字/词级别的扰动），其可扩展性也有待提高。相比之下我们的 OpenAttack 支持所有的攻击类型，

2024-11-08

1210

没有更多了

社区活动

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·干货材料·成员作品最新动态