报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 支付欺诈近年来高发，随着犯罪分子获取生成式AI工具，创新欺诈检测研究需求增长，但研究受限于公开支付交易数据匮乏 [4][7] - 引入CardSim，这是一种灵活、可扩展的支付卡交易模拟方法，校准公开数据，采用贝叶斯方法关联交易特征与欺诈，模块化结构便于更新 [4][12] - 展示CardSim输出可用于测试和评估与支付卡欺诈检测相关的机器学习工作流程、建模方法和可解释性框架 [4] 根据相关目录分别进行总结 1. 引言 - 支付卡欺诈是各方长期关注问题，美国自新冠疫情后欺诈显著增长，2023年信用卡和借记卡被盗或欺诈比例翻倍，相关报告数量大幅增加，欺诈也是金融机构风险官员首要关注的操作风险 [7] - 人工智能发展使欺诈情况更复杂，生成式AI工具可能增强欺诈能力，金融机构和当局也广泛使用AI进行欺诈检测 [7] - 支付卡欺诈检测学术研究增多，但研究受限于公开支付数据缺乏，现有公开数据集存在样本小、陈旧、高度掩码等问题，影响研究的速度、多样性和可重复性 [8][10] - 模拟方法可弥补数据缺口，虽有局限但能缓解隐私和竞争担忧，现有模拟方法有一定进展，但仍需构建反映支付系统欺诈动态的方法 [11] - 介绍CardSim，它具有校准公开数据、嵌入贝叶斯关系、高度模块化三个重要特征，其方法已在软件包中实现并公开可用 [12] 2. 相关工作 - 数据隐私和竞争压力阻碍敏感支付交易数据用于研究，部分研究使用金融机构数据但难以公开，多数使用有限的公开数据集，如ULB - Worldline和IEEE - CIS数据集，但这些数据集存在样本小、陈旧、掩码和标签不一致等问题，影响对机器学习模型的评估 [15][16][18] - 介绍了Lopez - Rojas、Suzumura、Altman等人的模拟方法，CardSim与这些方法有一定关联，但核心不同，它更依赖公开调查数据，是首个贝叶斯支付卡欺诈模拟器 [19][21][22] 3. 模拟方法 - 模拟聚焦于消费者对企业的非预付借记卡和信用卡支付及第三方未经授权欺诈，分三个阶段进行，参数可调整以模拟支付和欺诈趋势变化 [23] - **第一阶段：付款人和收款人特征**：为付款人分配每日卡交易平均数量、借记卡和信用卡支付平均金额及分散度、地理坐标，使用消费者支付选择日记数据推导；收款人的特征仅为地理坐标，假设付款人与收款人的比例为10:1 [24][32] - **第二阶段：交易模拟器**：确定付款人每日付款数量，生成卡类型、位置类型、支付金额、距离和时间五个交易特征，各特征分布根据实际数据或假设进行校准 [33][36] - **第三阶段：欺诈标记**：利用贝叶斯定理生成欺诈标记，先确定各特征的边际和条件分布，再使用朴素贝叶斯过程计算欺诈概率，最后通过排序方法标记欺诈交易 [44][53][58] 4. 结果 - 以10,000个付款人、1,000个收款人、365天为例进行模拟，产生316万条记录，假设先验欺诈概率和欺诈排名阈值均为1% [59][61] - **特征分布**：合法交易特征分布与边际概率一致，欺诈交易特征分布更倾向于条件概率较高的特征；支付金额分布呈对数正态且右偏，欺诈支付金额分布更分散；欺诈交易距离更远；合法交易时间有明显季节性，欺诈交易在深夜和凌晨达到高峰 [62][66][69] - **计算性能**：采用基于数组的编程方法，具有可扩展性和计算效率，模拟运行时间对付款人数量更敏感，记录数量与付款人数量和天数呈线性增长 [71][72] - **局限性**：不尝试捕捉欺诈类型，专注于通过贝叶斯定理关联支付属性与欺诈，有助于理解模型优缺点，但限制了某些特征工程方法的应用；专注于未经授权欺诈和简化的付款人、收款人特征，限制了对相关建模和特征工程方法的测试；任何模拟器都是现实的不完美表示，但参数可修改以测试不同欺诈模式 [74][76][77] 5. 用于机器学习 - **数据处理**：使用比例分割方法将模拟数据分为训练集和测试集，按时间顺序分割更符合实际；可进行常见的特征工程，如创建时间特征、对偏态变量进行变换、创建行为分析预测器等 [79][80][81] - **评估指标**：欺诈检测存在类别不平衡问题，使用精确率、召回率、F1分数和精确率 - 召回率曲线下面积四个指标评估模型性能，而整体准确率、假阳性率、特异性和ROC曲线下面积在类别不平衡情况下可能无信息或有问题 [84][87][89] - **模型训练和性能**：训练逻辑回归、XGBoost和多层感知器三个分类模型，与高斯朴素贝叶斯模型进行比较，XGBoost和多层感知器神经网络在性能上优于逻辑回归，高斯朴素贝叶斯模型牺牲了很多精确率以换取高召回率 [91][93][94] - **调优和重采样**：使用XGBoost进行网格搜索优化超参数，随机重采样训练数据以解决类别不平衡问题，重采样可显著提高召回率但降低精确率 [102][105] - **可解释性**：使用SHAP可解释性框架解释XGBoost模型的全局和局部预测器重要性，但解释SHAP基值在XGBoost中存在挑战，结果受CardSim校准影响，可作为调整模拟器参数的指南 [108][109][115] 6. 结论 - 支付系统欺诈高发和生成式AI带来的欺诈风险增加，需要更多样化和创造性的欺诈检测研究，但受限于公开支付交易数据缺乏 [117] - 引入CardSim模拟方法和软件包，它嵌入了支付交易特征与欺诈倾向的概率关系，具有高度模块化，可用于测试和评估机器学习工作流程、模型和可解释性方法 [118] - 指出CardSim存在简化和局限性，未来研究可结合欺诈类型和概率校准方法、构建适用于无监督异常检测的模拟方法、扩展到其他电子支付系统 [119]

报告行业投资评级 未提及相关内容 报告的核心观点 - 2024年第四季度家庭债务余额增加930亿美元，较2024年第三季度增长0.5%，达到18.04万亿美元，自2019年底疫情衰退前增加3.9万亿美元 [2] - 各类债务余额有不同程度增长，非住房债务余额增长730亿美元，较2024年第三季度增长1.5% [3] - 新发放贷款信用质量参差不齐，新发放汽车贷款和抵押贷款信用评分总体稳定，但抵押贷款有所恶化 [5] - 2024年第四季度总体逾期率略有上升，信用卡逾期率小幅上升，汽车贷款、信用卡和房屋净值信贷额度严重逾期率微升，抵押贷款保持稳定 [6] 根据相关目录分别进行总结 全国图表 - 2024年第三季度总债务余额17.94万亿美元，第四季度为18.04万亿美元，包含抵押贷款、房屋净值循环贷款、汽车贷款、信用卡、学生贷款和其他贷款 [16] - 展示不同贷款类型的账户数量 [17] - 呈现新开户、销户数量和查询次数 [19] - 按信用评分展示抵押贷款发放情况 [22] - 展示抵押贷款发放时的信用评分 [25] - 按信用评分展示汽车贷款发放情况 [28] - 展示汽车贷款发放时的信用评分 [31] - 展示信用卡和房屋净值循环贷款的信用额度和余额 [33] - 按逾期状态展示总余额 [36] - 展示不同贷款类型90天以上逾期余额的百分比 [38] - 展示不同贷款类型进入早期逾期（30天以上）的情况 [41] - 展示不同贷款类型进入严重逾期（90天以上）的情况 [44] - 展示当前抵押贷款账户的季度转换率 [47] - 展示30 - 60天逾期抵押贷款账户的季度转换率 [49] - 展示新增止赎和破产的消费者数量 [52] - 展示第三方催收情况 [55] 按年龄分组图表 - 展示不同年龄段的总债务余额 [60] - 展示2024年第四季度不同年龄段各产品类型的债务份额 [64] - 展示不同年龄段的汽车贷款发放情况 [66] - 展示不同年龄段的抵押贷款发放情况 [69] - 展示不同年龄段进入严重逾期（90天以上）的情况 [72] - 展示不同年龄段抵押贷款进入严重逾期（90天以上）的情况 [74] - 展示不同年龄段汽车贷款进入严重逾期（90天以上）的情况 [76] - 展示不同年龄段信用卡进入严重逾期（90天以上）的情况 [79] - 展示不同年龄段新增止赎情况 [84] - 展示不同年龄段新增破产情况 [88] 按州分组图表 - 展示各州人均总债务余额 [94] - 展示2024年第四季度各州人均债务余额的构成 [97] - 展示2024年第四季度各州人均债务余额的逾期状态 [100] - 展示各州90天以上逾期余额的百分比 [103] - 展示各州抵押贷款90天以上逾期的百分比 [105] - 展示各州进入30天以上逾期的季度转换率 [107] - 展示各州新增止赎消费者的百分比 [109] - 展示各州新增破产消费者的百分比 [112] 数据字典 - 纽约联储消费者信贷面板包含1999 - 2024年个人和家庭的详细Equifax信用报告数据，是全国代表性的5%随机样本，约4400万个体，结果基于0.1%随机样本（约26.7万个体） [114][115] - 分析区分了抵押贷款、房屋净值循环贷款、汽车贷款、银行卡、学生贷款和其他贷款等账户类型 [119] - 明确了总债务余额、账户数量、查询次数、信用额度和余额、信用利用率、逾期状态等指标的定义 [121][122][123] - 介绍了90天以上逾期百分比、新增止赎、新增破产、催收、消费者信用评分、新增逾期余额和转换率、新发放分期贷款余额等指标的计算方式 [127][128][129]

报告行业投资评级 未提及相关内容 报告的核心观点 - 构建了全面的高校特征数据集，分析已知和未知的高校关闭情况 [4] - 现代机器学习技术结合丰富数据，比线性概率模型和现有问责指标更能有效预测高校关闭 [4] - 即将到来的“人口悬崖”导致的招生挑战，可能会显著增加未来高校关闭数量 [4] 根据相关目录分别进行总结 I. 引言 - 高校关闭、合并和财务困境会对学生、员工和当地经济产生深远影响，测量和预测高校财务困境很重要，但因财务结构复杂和数据有限而困难 [7] - 2010 - 2021 年，学位授予高校的入学人数下降了 15%，部分原因是“人口悬崖”、毕业率低和高中生上大学比例下降 [8][9] - 成年学习者入学人数在过去十年大幅下降，高校提高学费收入能力受限，运营成本上升，导致财务困境加剧 [10][12] - 研究结合高校学生、员工和财务状况数据以及县级经济活动数据，探讨高校面临的财政挑战，重点关注关闭的强预测因素 [15] II. 高等教育现状与财政挑战 A. 财务困境与高校关闭 - 美国高等教育历史上财务挑战一直存在，许多高校有韧性，公立高等教育系统很少关闭，但会面临合并和整合 [20] - 一些分析师和咨询公司确定了与高校关闭相关的因素，但实证研究较少，统计分析显示与关闭相关的机构特征和财务特征 [21][22] - Kelchen（2020）用线性概率模型预测高校关闭，但短期能确定关闭的高校比例小 [23] B. 高等教育、劳动力市场与经济增长 - 高等教育在劳动力市场中很重要，学生和政策制定者关注高校为学生就业做准备的作用，高校与当地经济健康有很强关系 [24][25] - 高校不仅是当地社区的经济引擎，还能成为文化中心，吸引人们并改善生活质量，高校困境受多方关注 [27][28] C. 高校资金指标与模式 - 美国高等教育系统约有 6000 所高校接受联邦财政援助，行业直接支出约 7000 亿美元，招收近 2500 万学生，有 300 万员工 [29] - 2021 - 2022 学年，不同类型高校的主要收入来源包括学费和杂费、拨款、赠款和合同等，各收入来源占比不同 [32] - 2002 - 2022 年，公立高校通胀调整后的收入呈上升趋势，私立非营利高校收入受投资回报影响大，营利性高校约 90%的资金来自学费和杂费 [35][39][40] - 高校运营成本几十年来增长快于通胀，人员费用是最大支出类别，其他主要支出包括设施维护和债务偿还 [54][56] III. 数据来源 A. 机构特征（IPEDS 和大学成绩单） - 从美国教育部的综合高等教育数据系统（IPEDS）获取高校历史特征、学生和员工特征信息，数据面板为 2002 - 2022 年 [63][64] - 根据大学成绩单和 IPEDS 的主要学位对高校进行分类，考虑主要学位分类能更好反映高校重点 [65] - 关注的主要变量包括招生、员工、收入、支出、资产和债务等，对财务值进行通胀调整，处理偏态分布变量和缺失值 [66][67][68] B. 高校关闭（PEPS） - 从联邦学生援助的高等教育参与者系统（PEPS）数据库获取高校关闭信息，限制样本为主要校区关闭的高校 [70][72] - 合并 IPEDS UnitID 和 FSA OPEID 级别的数据很复杂，将数据汇总到 OPEID 级别，最终分析样本有 8633 所高校，超十分之一在样本期间关闭 [73][74] C. 联邦问责指标与县级特征 - 使用大学成绩单数据标记处于财务困境的高校，包括高度现金监测（HCM）2 级和私立高校未通过政府财务责任综合（FRC）得分 [77] - 收集县级人口、收入、贫困率和失业率数据 [79] D. 分析样本 - 关闭预测 - 关闭的高校规模较小、更依赖学费、招生和收入下降幅度更大，但开放和关闭高校的变量分布有重叠，需要多变量预测 [80][81] - 1996 - 2023 年，共 1671 所高校关闭，关闭数量在 2016 - 2018 年达到峰值，公立机构很少关闭，大多数关闭发生在私立营利性高校 [82][83][85] IV. 方法论 A. 识别财务困境的预测因素 - 采用监督式机器学习分类算法 XGBoost，处理丰富数据和数据缺口，与线性概率模型等替代模型进行性能比较 [98][100][101] - 为增加样本量，使用最小绝对收缩和选择算子（LASSO）进行协变量选择，估计线性概率模型，还使用分箱控制的线性概率模型和包含更多协变量的 XGBoost 模型 [102][104] - 将观察值分为 75%的训练数据和 25%的评估数据，比较六个模型 - 数据对的拟合优度指标 [105] B. 评估检测关闭的潜在筛选模型 - 关注模型的预测准确性，分析模型输出以确定特征重要性，使用预测的关闭概率推导预测精度指标 [107][108] - 预测概率可用于考虑相对风险和排序机构，也可转换为二进制分类器，与现有联邦问责指标模型进行比较 [109][111] C. 模拟关闭变化 - 使用估计系数模拟不同财政路径下高校的总体预测关闭情况，考虑招生、收入和费用趋势的合理和极端情景 [112]

会议主要讨论的核心内容 - 通胀有进一步下降,但仍然略高于2%目标 [29][30] - 劳动力市场状况有所缓和,但仍然保持稳健 [31][32] - 经济活动继续以稳健的步伐扩张,消费支出保持韧性 [33][34] - 风险和不确定性有所下降,大多数参与者认为实现就业和通胀目标的风险基本平衡 [35] 问答环节重要的提问和回答 - 一位参与者更倾向于将联邦基金利率目标区间降低25个基点至5%-5.25%,而不是50个基点,理由是核心通胀仍大幅高于目标,劳动力市场接近充分就业,经济增长基础牢固 [47] - 参与者普遍认为,如果数据大致符合预期,通胀可持续下降至2%,经济接近充分就业,适当的政策正常化过程将使政策立场趋于中性 [38]

报告行业投资评级 报告行业投资评级为中性。[4] 报告的核心观点 1) 报告发现,通胀加速的主要原因是价格调整频率的内生变化。当通胀率较高时,企业更频繁调整价格,这反过来又加剧了通胀,形成了一个正反馈循环。这种"通胀加速器"效应大幅增加了菲利普斯曲线的斜率。[9] 2) 应用到美国时间序列数据,模型预测菲利普斯曲线的斜率在1990年代为0.02,而在1970年代和1980年代高达0.12。这主要是由于"通胀加速器"效应造成的。[95] 3) 模型还预测,当通胀较高时,为降低通胀1个百分点所需的产出下降幅度较小,牺牲率较低。例如,从10%降到9%的成本要小于从3%降到2%。[105][106] 根据相关目录分别进行总结 行业投资评级 报告给出了行业的中性投资评级。[4] 核心观点 1. 通胀加速的主要原因是价格调整频率的内生变化。当通胀较高时,企业更频繁调整价格,这反过来又加剧了通胀,形成了正反馈循环。这种"通胀加速器"效应大幅增加了菲利普斯曲线的斜率。[9] 2. 应用到美国数据,模型预测菲利普斯曲线的斜率在1990年代为0.02,而在1970年代和1980年代高达0.12,主要是由于"通胀加速器"效应。[95] 3. 模型预测,当通胀较高时,为降低通胀1个百分点所需的产出下降幅度较小,牺牲率较低。[105][106]

报告行业投资评级 报告给出了行业的投资评级为中性。[1] 报告的核心观点 1) 标准菜单成本模型无法同时再现微观价格变化的分散性和通胀与价格变化比例之间的关系[4][5][6] 2) Golosov和Lucas (2007)模型虽然能够产生价格变化比例的波动,但预测价格变化的分散性过小,因此货币非中性作用较弱[6][7] 3) 能够再现价格变化分散性并产生更强货币非中性作用的模型版本,预测价格变化比例几乎保持不变[8][9][10] 根据目录总结 1. 引言 - 价格变化比例随通胀上升是一个稳健的特征[11][12] - 这一特征对货币政策的通胀-产出权衡有重要影响[2][3] 2. 模型 - 考虑3种菜单成本模型:固定菜单成本、Calvo-plus、带均匀分布菜单成本的Calvo-plus[15][21][22] - 使用Krusell-Smith方法求解非线性均衡[24][25][26] - 校准模型参数以匹配微观价格数据统计量[27][28] 3. 价格变化分布 - GL模型预测价格变化分布过于集中[31][32] - NS和Uniform模型能更好匹配价格变化分散性[31][32] 4. 非线性动态 - GL模型预测价格变化比例对通胀有较强响应,但不及数据[34][35] - NS和Uniform模型预测价格变化比例几乎不变[34][35][36] - GL模型货币冲击实际影响较小,NS和Uniform模型货币非中性作用较大[39][40][41][42] 5. 结论 - 菜单成本模型面临同时匹配微观价格数据和通胀-价格变化比例关系的挑战[43][44]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 研究利用优步司机数据，发现老年司机在领取社保福利当周劳动力供给平均下降2%，但经济影响小，多数司机无明显调整，少数司机降幅超40%，表明标准劳动力供给模型对多数司机适用，但少数司机存在较大偏离 [4] - 研究结果对理解社保与零工经济的相互作用、老年劳动力供给决策有重要意义，也为相关政策制定提供参考 [103][107] 根据相关目录分别进行总结 1 引言 - 美国人依赖社保养老，但部分人需从事零工补充收入，研究旨在探讨社保领取对优步司机日常劳动力供给决策的影响 [6] - 利用社保发放日期与出生日期的外生关联，开发新估计策略，允许按队列考虑事前预期效应和事后领取效应 [7] - 发现62岁以上优步司机在领取福利当周劳动力供给减少2% - 5%，年轻司机无此效应，频繁使用即时支付功能的司机更易减少劳动力供给 [9] 2 背景 - 社保退休福利按月支付，可预测且不随月份变化，根据出生日期确定发放时间，62岁可开始领取但有减额，延迟领取有增额 [19][21] - 未达法定退休年龄的社保领取者面临收入追回规定，自雇工人有工作时间限制，但实际影响较小 [22] - 研究未观察到司机是否领取福利，只能获取资格和处理时间，结果为意向治疗估计，但多数老年美国人会领取社保 [23] 3 数据 3.1 来源和摘要统计 - 使用优步专有数据，包括退休年龄样本（1956年及以前出生，至少62岁）和工作年龄样本（1958 - 1961年出生，无社保资格） [25] - 观察司机每日应用使用和驾驶行为，以在线概率衡量劳动力供给的广泛边际，以在线时间衡量密集边际 [27][28] - 退休年龄样本和工作年龄样本司机在劳动力供给行为上存在显著差异，不同出生日期队列间也有差异，但样本间差异更大 [32] 3.2 图形分析 - 简单图形分析显示，退休年龄样本司机在领取福利前后在线时间和概率下降，工作年龄样本无此模式，表明劳动力供给对可预测的一次性转移支付有反应 [35][45] - 多数变化由广泛边际驱动，且效应在事件日期前后不对称，领取福利后约五到六天恢复到基线 [36][45] 4 研究设计 4.1 配对事件研究框架 - 研究面临处理时间交错、无自然对照组和需估计事前效应等挑战，假设社保福利最多每月扭曲劳动力供给15天，以构建对照组 [51][53] - 分别估计事前和事后效应，为每个司机样本和劳动力供给结果估计六个不同回归 [55] 4.2 配对事件研究结果 - 退休年龄司机在领取社保福利前后工作可能性降低，效应精确但经济规模小，工作年龄样本无劳动力供给动态变化 [58] - 只有使用即时支付超过中位数的司机对社保福利领取有反应，其劳动力供给在福利前后下降，负预期效应与目标收入行为模型一致 [71][72] 4.3 稳健性：两阶段双重差分 - 使用两阶段双重差分估计器检验识别假设，结果显示退休年龄样本劳动力供给在领取福利前四天下降，一周后恢复，工作年龄样本估计值小且无统计显著性 [74][81] 5 未观察到的司机异质性 5.1 个体层面的治疗效果 - 提出允许未观察到的司机异质性的方法，估计个体层面的治疗效果，发现个体司机对社保福利时间的反应存在异质性 [84][86] - 约1%的司机FDR校正p值低于0.1，表明只有少数司机对社保福利有强烈反应，结果对不同调整方法和结果指标稳健 [90][91] 5.2 基于个体治疗效果的配对事件研究 - 分别对调整后p值高于和低于0.1的两组司机重新进行配对事件研究，发现非响应者的结果支持标准生命周期劳动力供给模型，响应者的劳动力供给下降幅度大且持续时间长 [99][100] - 响应者在福利周的收入下降22%，非响应者和工作年龄司机收入基本不变，表明存在大量未观察到的异质性 [101][102] 6 结论 - 研究发现退休年龄优步司机在领取社保福利前后平均减少劳动力供给，效应精确且稳健，但经济规模小，工作年龄样本无类似效应 [103] - 小的平均治疗效果主要由少数司机（约1%）的大幅效应导致，多数司机符合标准劳动力供给模型，少数司机的违反可能源于非标准偏好 [104][105] - 研究区分了小的平均效应和少数司机的大效应，对政策制定有启示，建议通过自我选择实现目标定位，未来研究可使用高频数据重新审视早期研究 [107][110]

劳动力市场 - 就业水平总体保持稳定或略有上升[11,40,67,108,122,136] - 工资增长温和[68,123,136] - 部分行业和地区仍存在技能短缺[28,39,81] 价格和成本 - 非劳动力成本温和上涨[13,70,124,149] - 销售价格涨幅有所放缓[13,57,71,82,179] - 预期未来价格和成本压力将趋于稳定或进一步缓解[13,31,58,126] 消费和旅游 - 消费支出整体呈现下降或持平态势[32,72,98,127,141,181,182] - 旅游活动有所放缓[32,46,99] 制造业和建筑业 - 制造业需求有所下降[73,84,144,153,166,183] - 住宅建筑和房地产活动疲软[74,88,100,142,185] - 商业房地产市场表现参差[75,89,101,186] 银行和金融 - 贷款需求整体持平[76,90,133,156,171] - 信贷质量保持稳定[90,133,156] - 银行业对未来经济前景持谨慎态度[171]

通胀上升和下降的原因 - 新冠疫情导致供给和需求严重失衡，引发通胀上升[17][18][21][22][23][30][38] - 俄罗斯入侵乌克兰导致能源和大宗商品价格大幅上涨，加剧了通胀压力[30] - 劳动力供给受限，导致就业市场过热，工资上涨加剧了通胀[22][32][33][39] 通胀下降的原因 - 供给和需求失衡的逐步修复，以及大宗商品价格的回落缓解了通胀压力[38][40] - 货币政策的强力收紧抑制了需求，与供给改善共同推动了通胀下降[35][40] - 通胀预期保持稳定，有助于实现无需大幅提高失业率的通胀下降[41]

通胀情况 - 通胀有所缓解,但仍然较高,近期有进一步向2%目标靠近的迹象[10,32] - 核心商品价格自3月以来基本持平,住房服务价格涨幅有所放缓,非住房服务价格涨幅也有所减弱[32] - 企业的定价能力有所减弱,一些企业已经降价或提供折扣来保持竞争力[32] 劳动力市场 - 就业增长有所放缓,但失业率仍处于较低水平[11,34,35] - 劳动力供给有所增加,体现在25-54岁人群劳动参与率上升和移民增加[35] - 名义工资增长有所减弱[11] - 整体来看,劳动力市场已基本恢复到疫情前水平,不再过热[35] 经济增长 - 实际GDP和实际最终自用购买(PDFP)增速有所放缓,但仍保持较好增长[12,37] - 消费支出增速有所放缓,但仍保持较好增长,受益于劳动力市场强劲和家庭资产状况良好[38] - 住宅投资疲软,反映了利率上升的影响[39] 政策取向 - 维持联邦基金利率目标区间在5.25%-5.5%不变[44,48,52] - 预计下次会议可能适当降息,但需要更多数据支持通胀持续回落[45,48] - 将继续缩减资产负债表[48,52,55,56] 风险评估 - 就业目标的下行风险有所增加,通胀目标的上行风险有所降低[41,46] - 关注供应链中断、地缘政治局势恶化等可能引发通胀上行压力的因素[41] - 关注金融体系中的脆弱性,包括银行业、商业地产市场等[42,43]