本文探讨了人们在算法通常表现更优的情况下,仍然偏好人类预测者或决策者的现象,即“算法厌恶”。文章分析了导致这种现象的多种机制,包括对能动性的渴望、对算法判断的负面道德或情绪反应、对人类专家拥有独特知识的信念、对算法优良表现原因的无知以及对算法错误的不对称宽恕。
本文研究了机构投资者是否进行有效投资的问题。作者利用包含超过 16,000 家初创公司(代表超过 90 亿美元的投资)的新数据集,结合机器学习方法来评估早期投资者的决策。研究发现,高达一半的投资是可以预测的糟糕投资——根据投资时已知的信息,预测的投资回报率低于现成的外部选择。这些糟糕投资的成本为 1,000 个基点,在我的数据中总计超过 9 亿美元。作者提供的证据表明,过度依赖创始人的背景是这些选择背后的一个机制。
本文探讨了为何在大学和研究生院回报率处于历史高位之际,许多学生却依然背负沉重学生贷款。文章指出,学生贷款总额的增加以及当前借款人困境的根源在于联邦政策的改变,这些政策旨在扩大联邦援助和教育机会的覆盖面,却导致高风险情况下入学率和借贷人数增加。文章认为,这场危机凸显了教育机构在高等教育入学机会和学生成果方面的重要作用,以及在不同机构和课程之间以及学生偿还能力存在巨大差异的情况下,利用广泛可用的贷款补贴教育投资的难度。
这篇论文研究了大型语言模型 (LLM) 是否能够像专业分析师一样进行财务报表分析。研究人员向 GPT4 提供了标准化和匿名的财务报表,并指示其分析这些报表以确定未来收益的方向。结果显示,即使没有任何叙述或特定行业信息,LLM 在预测收益变化方面的能力也优于财务分析师,尤其是在分析师难以做出准确预测的情况下。此外,LLM 的预测精度与经过专门训练的最新机器学习模型相当。LLM 的预测并非源于其训练记忆,而是因为它能够生成对公司未来表现有用的叙述性见解。
本文提出了一种在扫描电子显微镜(SEM)中可视化任何磁体和磁化材料磁场的简单方法。该方法使用一种名为G-探测器的原创磁场探测器,其形式为一块板上刻有非磁性材料的特殊网格。G-探测器位于磁化样品附近,电子束以标准方式扫描G-探测器上的网格和样品本身。由于洛伦兹力的作用,一次电子束在扫描过程中发生偏转,G-探测器网格线的SEM图像发生变化,反映了样品磁场的影响。该方法允许观察和视频记录磁场感应的动态变化,空间分辨率高达100纳米,可研究的磁场强度范围为0.001 T到2 T。