Американские компании восстанавливают инвестиционную активность, но до фазы инвестиционного расширения 2012-2016 еще далеко.
За последние 12 месяцев крупнейшие публичные нефинансовые компании США на капитальные расходы потратили 5.8% от выручки, без учета сырьевых компаний – 4.7%, без учета технологических компаний – 5.5%, а без учета торговых компаний (оптовая и розничная торговля) согласно собственным расчетам на основе отчётности компаний.
Насколько велико отклонение от нормы? Если брать все нефинансовые компании, текущая инвестактивность (капексы к выручке) всего на 2.1% ниже средних показателей в 2017-2019, на 7.6% ниже 2012-2016, но на 8% выше 2014-2017. Период кризисов (2008-2009 и 2020) и посткризисного восстановления (2010-2011 и 2021) не брал в расчеты.
Внутри секторов очень велика дифференциация.
Например, экстремальное сжатие инвестиционной активности демонстрирует нефтегаз – минус 37% к уровням 2012-2016, производственно-технические услуги – сжатие на 45.4% и здравоохранение – сокращение на 31.2%, потребительские товары длительного пользования – минус 18% среди секторов, где сокращение инвестактивности было больше 15%.
В фазе агрессивного расширения инвестактивности розничная торговля – плюс 39% к уровня 2012-2016 за счет факторам Amazon, технологии (хардсегмент) – 40% за счет переноса производства из Китая, коммерческие услуги – 36% и коммунальные услуги - 23%.
На графиках можно оценить инвестиционные циклы, тенденции и лидеров/аутсайдеров инвестиционной активности. В выборке почти 95% нефинансовых компаний США по выручке и капитализации, с 1997 по 2002 много пропусков, т.к. за последние 20 лет добивалось свыше 1/3 новых компаний.
Относительно операционного денежного потока доля капексов составляет 40%, что на 8% ниже, чем в 2017-2019, на 15% ниже, чем в 2012-2016 и на 8% ниже, чем в 2004-2007. Без учета сырьевых компаний – 34%, что на 5.7% ниже, чем в 2012-2016.
Интересно, нефтегаз, имея рекордные прибыли за последние два года демонстрирует рекордную низкую инвестактивность.
За последние 12 месяцев крупнейшие публичные нефинансовые компании США на капитальные расходы потратили 5.8% от выручки, без учета сырьевых компаний – 4.7%, без учета технологических компаний – 5.5%, а без учета торговых компаний (оптовая и розничная торговля) согласно собственным расчетам на основе отчётности компаний.
Насколько велико отклонение от нормы? Если брать все нефинансовые компании, текущая инвестактивность (капексы к выручке) всего на 2.1% ниже средних показателей в 2017-2019, на 7.6% ниже 2012-2016, но на 8% выше 2014-2017. Период кризисов (2008-2009 и 2020) и посткризисного восстановления (2010-2011 и 2021) не брал в расчеты.
Внутри секторов очень велика дифференциация.
Например, экстремальное сжатие инвестиционной активности демонстрирует нефтегаз – минус 37% к уровням 2012-2016, производственно-технические услуги – сжатие на 45.4% и здравоохранение – сокращение на 31.2%, потребительские товары длительного пользования – минус 18% среди секторов, где сокращение инвестактивности было больше 15%.
В фазе агрессивного расширения инвестактивности розничная торговля – плюс 39% к уровня 2012-2016 за счет факторам Amazon, технологии (хардсегмент) – 40% за счет переноса производства из Китая, коммерческие услуги – 36% и коммунальные услуги - 23%.
На графиках можно оценить инвестиционные циклы, тенденции и лидеров/аутсайдеров инвестиционной активности. В выборке почти 95% нефинансовых компаний США по выручке и капитализации, с 1997 по 2002 много пропусков, т.к. за последние 20 лет добивалось свыше 1/3 новых компаний.
Относительно операционного денежного потока доля капексов составляет 40%, что на 8% ниже, чем в 2017-2019, на 15% ниже, чем в 2012-2016 и на 8% ниже, чем в 2004-2007. Без учета сырьевых компаний – 34%, что на 5.7% ниже, чем в 2012-2016.
Интересно, нефтегаз, имея рекордные прибыли за последние два года демонстрирует рекордную низкую инвестактивность.
Насколько американские компании свирепствуют с дивидендами и байбеком?
Хороший вопрос, ответ на который искал достаточно долго, т.к. необходимо было консолидировать и синхронизировать огромные массивы корпоративной статистики.
Результаты интересные. Объем расходов по акционерной политике (дивы плюс чистый байбек) снизился с $333 млрд в 1кв22 (исторический максимум) до $273 млрд в 3кв23, однако это намного выше 210 млрд среднеквартальных расходов в 2019.
За последние 12 месяцев по всем нефинансовым компаниям США на акционерную политику было направлено 1132 млрд согласно собственным расчетам на основе корпоративной статистики.
Вне привязки к корпоративным показателям эти данные мало, о чем говорят. Есть две базовые метрики сравнения – выручка и операционный денежный поток (именно он, а не прибыль или EBITDA).
Сейчас по всем компаниям США на акционерную политику уходит 6.5% от выручки, без учета сырьевых компаний – 6.3%, без учета технологических компаний – 5.3%, без учета торговых компаний – 8.1%.
Сравнивая с докризисной нормой в 2017-2019, на дивы и байбек по всем компаниям уходит на 4.2% меньше по данным за последние 12 месяцев, но на 7.1% выше, чем в 2012-2016 и на 8.6% выше, чем в 2004-2007.
Самый значительный прирост расходов на акционерную политику относительно выручки у нефтегаза – плюс 93% в сравнении с 2017-2019 и у металлургов/химии – плюс 157%!
Сокращают расходы: промышленное производство – 45%, транспорт и потребительские услуги – 30%, медицинские технологии – 27%, розничная торговля – 22%.
Относительно операционного денежного потока акционерная политика составляет 45.3%, что на 10% ниже 2017-2019, на 1% ниже 2012-2016 и на 7.2% ниже, чем в 2004-2007.
В лидерах роста сырьевые компании: нефтегаз, металлурги и химия, коммунальные услуги.
Происходит «оздоровление» корпоративной стратегии – рост капексов на фоне сокращения дивов и байбека.
Расходы на дивы и байбек относительно капексов снизились с рекордных 143% в 1кв22 до 113% в 3кв23, что сопоставимо с нормой в 2017-2019.
Хороший вопрос, ответ на который искал достаточно долго, т.к. необходимо было консолидировать и синхронизировать огромные массивы корпоративной статистики.
Результаты интересные. Объем расходов по акционерной политике (дивы плюс чистый байбек) снизился с $333 млрд в 1кв22 (исторический максимум) до $273 млрд в 3кв23, однако это намного выше 210 млрд среднеквартальных расходов в 2019.
За последние 12 месяцев по всем нефинансовым компаниям США на акционерную политику было направлено 1132 млрд согласно собственным расчетам на основе корпоративной статистики.
Вне привязки к корпоративным показателям эти данные мало, о чем говорят. Есть две базовые метрики сравнения – выручка и операционный денежный поток (именно он, а не прибыль или EBITDA).
Сейчас по всем компаниям США на акционерную политику уходит 6.5% от выручки, без учета сырьевых компаний – 6.3%, без учета технологических компаний – 5.3%, без учета торговых компаний – 8.1%.
Сравнивая с докризисной нормой в 2017-2019, на дивы и байбек по всем компаниям уходит на 4.2% меньше по данным за последние 12 месяцев, но на 7.1% выше, чем в 2012-2016 и на 8.6% выше, чем в 2004-2007.
Самый значительный прирост расходов на акционерную политику относительно выручки у нефтегаза – плюс 93% в сравнении с 2017-2019 и у металлургов/химии – плюс 157%!
Сокращают расходы: промышленное производство – 45%, транспорт и потребительские услуги – 30%, медицинские технологии – 27%, розничная торговля – 22%.
Относительно операционного денежного потока акционерная политика составляет 45.3%, что на 10% ниже 2017-2019, на 1% ниже 2012-2016 и на 7.2% ниже, чем в 2004-2007.
В лидерах роста сырьевые компании: нефтегаз, металлурги и химия, коммунальные услуги.
Происходит «оздоровление» корпоративной стратегии – рост капексов на фоне сокращения дивов и байбека.
Расходы на дивы и байбек относительно капексов снизились с рекордных 143% в 1кв22 до 113% в 3кв23, что сопоставимо с нормой в 2017-2019.
Поэкспериментировал на новогодних праздниках с генеративным ИИ – время провел продуктивно и вот, что можно сказать.
Инструмент крайне мощный в умелых руках, огромные возможности во многих областях, но есть и ограничения. Рассказываю с позиции решения конкретных научных и бизнес задач.
▪️Нет самообучения. Любой диалог и подстройка точности интерпретации контента со стороны ГИИ заканчивается в рамках одной сессии. Новая сессия и все с чистого листа.
Это значит, что любая тонкая настройка ГИИ имеет не так уж много смысла в рамках реализации сложных задач. Ключевая ценность нейросетей – это веса, которые естественно скрыты, т.к. веса определяют, как информация переходит и трансформируется внутри модели, влияя на то, как ГИИ реагирует на входные данные и какие выходные данные генерирует.
Проще говоря, веса определяют адекватность трансформации информации со стороны ГИИ. Нет доступа к весам – нет самообучения, соответственно нет полноценной интеграции.
ChatGPT внешняя весьма упрощенная оболочка, даже с доступом через API, тогда как веса – ядро системы и именно веса стоят миллиарды долларов и всегда буду закрыты.
▪️Не подходит для сложных интегральных проектов, где нужно учитывать целостную картину.
Можно поставить задачу ГИИ написать код для создания ОС, где ГИИ вежливо пошлет нахрен, но, можно разбить задачу на сотни и тысячи подзадач (модулей), где каждый модуль подробно описать с жестким техническим заданием.
Постановка задачи, основные и побочные цели, четкое описание входных переменных, подробное описание логики функционирования алгоритмов, описание инструментов и ресурсов, параметров и ограничений, формализация выходных данных и конечного результата.
Чем более узкие границы и чем более точное описание задачи, тем лучше результат. Для не самых сложных модулей описание ТЗ может занимать 2-3 страницы текста, плюс еще три страницы отладка в процессе генераций решений от ГИИ – весьма трудоемко.
Что эффективнее? Производить многовекторую декомпозицию задачи с подробной формализацией ТЗ (промт-инжиниринг) или сделать задачу, как обычно собственными силами?
Для тех проектов, где есть огромный накопленный опыт получается, что делать «как обычно» гораздо быстрее, чем писать ТЗ и донастраивать ГИИ в процессе решения задачи, причем каждый раз эти настройки сбрасываются.
Например, задачи интеграции, компиляции, синхронизации и визуализации массивов статистической информации у меня может занимать от 15 минут до 1.5 часов в зависимости от объема данных – это лишь одномодульная задача. Через ГИИ я пробовал это сделать за 3-4 часа и то выходило с ошибками, т.е. производительность снижается в разы, а не повышается.
С другой стороны, те области, которые мною не изучены – здесь огромный прогресс. В неизведанных областях поиск ответа мог занимать 2-5 часов, тогда как через ГИИ задача решалась за считанные минуты, т.е. производительность растет на порядок!
Получается, что ГИИ не сможет заменить профессионала и крайне неэффективен в сложных, многомерных и многовекторных проектах, где присутствуют динамические связи и необходима интеграция модулей. Здесь пользы мало.
ГИИ очень полезен, как высокоразвитая экспертная система, где нужен конкретный ответ на одномерный и четко поставленный вопрос. Например, помочь создать пространство решения для конкретной задачи в рамках одной формулы – здесь может быть полезен. Помочь оптимизировать функцию или процедуру в коде без иерархических связей – вполне решаемая задача.
Огромный прорыв в поиске информации без привязки к актуальности, особенно с точки зрения документации и методологии, я практически перестал пользоваться Гуглом или Яндексом для этих целей.
С текущей ревизией ГИИ – это действительно полезный инструмент, но именно инструмент, а не волшебная система.
В иерархии задача->модуль ->проект ГИИ на себя забирают задачи, т.е. пока самый низкий уровень, причем не всегда это рационально и гораздо быстрее и эффективнее делать, как раньше.
Продолжение следует…
Инструмент крайне мощный в умелых руках, огромные возможности во многих областях, но есть и ограничения. Рассказываю с позиции решения конкретных научных и бизнес задач.
▪️Нет самообучения. Любой диалог и подстройка точности интерпретации контента со стороны ГИИ заканчивается в рамках одной сессии. Новая сессия и все с чистого листа.
Это значит, что любая тонкая настройка ГИИ имеет не так уж много смысла в рамках реализации сложных задач. Ключевая ценность нейросетей – это веса, которые естественно скрыты, т.к. веса определяют, как информация переходит и трансформируется внутри модели, влияя на то, как ГИИ реагирует на входные данные и какие выходные данные генерирует.
Проще говоря, веса определяют адекватность трансформации информации со стороны ГИИ. Нет доступа к весам – нет самообучения, соответственно нет полноценной интеграции.
ChatGPT внешняя весьма упрощенная оболочка, даже с доступом через API, тогда как веса – ядро системы и именно веса стоят миллиарды долларов и всегда буду закрыты.
▪️Не подходит для сложных интегральных проектов, где нужно учитывать целостную картину.
Можно поставить задачу ГИИ написать код для создания ОС, где ГИИ вежливо пошлет нахрен, но, можно разбить задачу на сотни и тысячи подзадач (модулей), где каждый модуль подробно описать с жестким техническим заданием.
Постановка задачи, основные и побочные цели, четкое описание входных переменных, подробное описание логики функционирования алгоритмов, описание инструментов и ресурсов, параметров и ограничений, формализация выходных данных и конечного результата.
Чем более узкие границы и чем более точное описание задачи, тем лучше результат. Для не самых сложных модулей описание ТЗ может занимать 2-3 страницы текста, плюс еще три страницы отладка в процессе генераций решений от ГИИ – весьма трудоемко.
Что эффективнее? Производить многовекторую декомпозицию задачи с подробной формализацией ТЗ (промт-инжиниринг) или сделать задачу, как обычно собственными силами?
Для тех проектов, где есть огромный накопленный опыт получается, что делать «как обычно» гораздо быстрее, чем писать ТЗ и донастраивать ГИИ в процессе решения задачи, причем каждый раз эти настройки сбрасываются.
Например, задачи интеграции, компиляции, синхронизации и визуализации массивов статистической информации у меня может занимать от 15 минут до 1.5 часов в зависимости от объема данных – это лишь одномодульная задача. Через ГИИ я пробовал это сделать за 3-4 часа и то выходило с ошибками, т.е. производительность снижается в разы, а не повышается.
С другой стороны, те области, которые мною не изучены – здесь огромный прогресс. В неизведанных областях поиск ответа мог занимать 2-5 часов, тогда как через ГИИ задача решалась за считанные минуты, т.е. производительность растет на порядок!
Получается, что ГИИ не сможет заменить профессионала и крайне неэффективен в сложных, многомерных и многовекторных проектах, где присутствуют динамические связи и необходима интеграция модулей. Здесь пользы мало.
ГИИ очень полезен, как высокоразвитая экспертная система, где нужен конкретный ответ на одномерный и четко поставленный вопрос. Например, помочь создать пространство решения для конкретной задачи в рамках одной формулы – здесь может быть полезен. Помочь оптимизировать функцию или процедуру в коде без иерархических связей – вполне решаемая задача.
Огромный прорыв в поиске информации без привязки к актуальности, особенно с точки зрения документации и методологии, я практически перестал пользоваться Гуглом или Яндексом для этих целей.
С текущей ревизией ГИИ – это действительно полезный инструмент, но именно инструмент, а не волшебная система.
В иерархии задача->модуль ->проект ГИИ на себя забирают задачи, т.е. пока самый низкий уровень, причем не всегда это рационально и гораздо быстрее и эффективнее делать, как раньше.
Продолжение следует…
Насколько полезен ГИИ для решения конкретных научных и бизнес задач?
Самая значительная проблема - длина контекста и встроенные алгоритмы функционирования.
Первые редакции GPT 3.5 имели 4096 токенов, самая последняя версия имеет 16к токенов, GPT 4 до ноября имела 32k, а после ноября GPT 4 Turbo уже 128к.
Токен представляет собой базовую единицу информации, используемую моделью для обработки и генерации текста. Токен может быть словом, частью слова, символом или даже группой слов, в зависимости от того, как модель была обучена разделять и интерпретировать текст.
Не вдаваясь в алгоритмы токенизации, в среднем английский текст содержит 4-5 символов в одном токене, а русский текст 2.2-2.4 символа, т.к. например статья на русском языке в 6000 символов с учетом пробелов будет содержать около 2600 токенов. Генерировать тексты на английском дешевле.
Соответственно, предельная длина контекста для GPT 3.5 Turbo 16k составляет около 37 тыс символов текста на русском языке, а для GPT 4 Turbo 128к – почти 300 тыс символов.
Что все это значит? В рамках одного сеанса ГИИ забывает, о чем была речь в начале обсуждения, что делает невозможным накопление опыта и развернутые обсуждения. Это, как если бы человек каждый раз забывал, что было два дня назад, отсекая весь прошлый накопленный жизненный опыт.
Если кратко, принцип работы ГИИ заключается в формализации контекстного вектора (сжатое представление входных данных) для генерации продолжения диалога (выходная информация), т.е. происходит компрессия (сжатие) контента (входной единицы информации). С чем это можно сравнить?
Представьте, как если бы высококачественное изображение PNG в 3840*2160 пикселей сжималось бы до картинки 384*216 пикселей JPG, т.е. в 100 раз по пикселям с агрессивным механизмом сжатия с потерями качества. Вроде бы можно корректно интерпретировать информацию на сжатой картинке (понять, что изображено), но происходит необратимая потеря деталей.
Так и с ГИИ. Вся информация поступающая на вход ГИИ так или иначе с различными алгоритмами и механизмами сжатия претерпевает компрессию. ГИИ очень полезен для составления сжатых сводок текстовой, видео и аудио информации.
Вы можете увидеть огромное количество сервисов и плагинов, представляющих услуги краткого пересказа текста или видео – все работают на одних и тех же алгоритмах, вариативность минимальная.
В идеале ГИИ извлекает важные характеристики из данных и представляет их в более сжатом виде, сохраняя при этом ключевые аспекты, необходимые для выполнения задачи, но есть нюансы.
А что такое важная информация? В практическом применении оказывается, что основное предназначение ГИИ работает не так хорошо, как хотелось бы, т.к. алгоритмы, основанные на анализе паттернов хорошо отсекают смысловые переходы, но плохо ловят тональность, эмоциональность, сарказм, скрытый подтекст и важные детали, имеющие значение.
Например, ГИИ будет полезен для автоматизации таймкодов в видео или аудио дорожке, в автоматизации параграфов и оглавления для длинных текстов, но способен ли ГИИ передать смысл так, как задумано?
Скорее нет, чем да. Я анализировал на вполне конкретных задачах – анализ пресс конференции ФРС, где компетенции у меня более, чем достаточные. Шаблонные, дефолтные настройки вообще не давали нужного результата – вся важная информация была пропущена, поэтому я начал допиливать с помощью тонкой настройки, но и здесь не добился нужного прогресса.
Какой вывод? Для сжатого представления сверхбольших массивов информации вполне сгодится, когда нужно понять, о чем вообще говорится, какие темы были подняты. Для анализа информации, представляющей значение – нет.
Таким образом, сценарий использование – перемалывание массивов информации и «подсветка» интересных тем и нарративов и далее уже ручная работа с первым приближением для поиска важных деталей.
Продолжение следует.
Самая значительная проблема - длина контекста и встроенные алгоритмы функционирования.
Первые редакции GPT 3.5 имели 4096 токенов, самая последняя версия имеет 16к токенов, GPT 4 до ноября имела 32k, а после ноября GPT 4 Turbo уже 128к.
Токен представляет собой базовую единицу информации, используемую моделью для обработки и генерации текста. Токен может быть словом, частью слова, символом или даже группой слов, в зависимости от того, как модель была обучена разделять и интерпретировать текст.
Не вдаваясь в алгоритмы токенизации, в среднем английский текст содержит 4-5 символов в одном токене, а русский текст 2.2-2.4 символа, т.к. например статья на русском языке в 6000 символов с учетом пробелов будет содержать около 2600 токенов. Генерировать тексты на английском дешевле.
Соответственно, предельная длина контекста для GPT 3.5 Turbo 16k составляет около 37 тыс символов текста на русском языке, а для GPT 4 Turbo 128к – почти 300 тыс символов.
Что все это значит? В рамках одного сеанса ГИИ забывает, о чем была речь в начале обсуждения, что делает невозможным накопление опыта и развернутые обсуждения. Это, как если бы человек каждый раз забывал, что было два дня назад, отсекая весь прошлый накопленный жизненный опыт.
Если кратко, принцип работы ГИИ заключается в формализации контекстного вектора (сжатое представление входных данных) для генерации продолжения диалога (выходная информация), т.е. происходит компрессия (сжатие) контента (входной единицы информации). С чем это можно сравнить?
Представьте, как если бы высококачественное изображение PNG в 3840*2160 пикселей сжималось бы до картинки 384*216 пикселей JPG, т.е. в 100 раз по пикселям с агрессивным механизмом сжатия с потерями качества. Вроде бы можно корректно интерпретировать информацию на сжатой картинке (понять, что изображено), но происходит необратимая потеря деталей.
Так и с ГИИ. Вся информация поступающая на вход ГИИ так или иначе с различными алгоритмами и механизмами сжатия претерпевает компрессию. ГИИ очень полезен для составления сжатых сводок текстовой, видео и аудио информации.
Вы можете увидеть огромное количество сервисов и плагинов, представляющих услуги краткого пересказа текста или видео – все работают на одних и тех же алгоритмах, вариативность минимальная.
В идеале ГИИ извлекает важные характеристики из данных и представляет их в более сжатом виде, сохраняя при этом ключевые аспекты, необходимые для выполнения задачи, но есть нюансы.
А что такое важная информация? В практическом применении оказывается, что основное предназначение ГИИ работает не так хорошо, как хотелось бы, т.к. алгоритмы, основанные на анализе паттернов хорошо отсекают смысловые переходы, но плохо ловят тональность, эмоциональность, сарказм, скрытый подтекст и важные детали, имеющие значение.
Например, ГИИ будет полезен для автоматизации таймкодов в видео или аудио дорожке, в автоматизации параграфов и оглавления для длинных текстов, но способен ли ГИИ передать смысл так, как задумано?
Скорее нет, чем да. Я анализировал на вполне конкретных задачах – анализ пресс конференции ФРС, где компетенции у меня более, чем достаточные. Шаблонные, дефолтные настройки вообще не давали нужного результата – вся важная информация была пропущена, поэтому я начал допиливать с помощью тонкой настройки, но и здесь не добился нужного прогресса.
Какой вывод? Для сжатого представления сверхбольших массивов информации вполне сгодится, когда нужно понять, о чем вообще говорится, какие темы были подняты. Для анализа информации, представляющей значение – нет.
Таким образом, сценарий использование – перемалывание массивов информации и «подсветка» интересных тем и нарративов и далее уже ручная работа с первым приближением для поиска важных деталей.
Продолжение следует.
ГИИ вполне сгодится для генерации свыше 95% текущего новостного или аналитического контента, но не для разработки новых проектов, инновационных решений или полноценной системы принятия решений.
Например, ГИИ не позволит написать «Войну и мир», где сотни персонажей, тысячи диалогов и связей. Здесь даже дело не в ограничениях выходных токенов.
Все решает длина контекста. В сложных проектах важны детали, которые были на нескольких итерациях ранее, но внутренние структурные особенности ГИИ лишь позволяют манипулировать контекст вектором, отсекая весь прошлый опыт.
Это значит, если писать масштабные художественные произведения или научно-исследовательские проекты, ГИИ не позволит эффективно наследовать характеристики и связи объектов на более ранних итерациях.
Можно ли решить эту проблему в будущем? Длина контекста должна вырасти на несколько параметров. Не 128к, как сейчас, а в тысячи раз больше! Через 10 лет? Теоретически возможно.
Можно ли решить эту проблему сейчас? Все пространство тонкой настройки сводится к манипуляции и интерпретации контекст вектора, но не в конверсии информации, которая зашита в весах нейро-сетей и в алгоритмах интерпретации.
К этому нужно добавить вшитые этические и контентные фильтры, которые сильно ограничивают пространство возможностей. Например, все ведущие новостные агентства США и Европы забанили ГИИ для индексации контента.
Это логично, с помощью ГИИ можно больше не заходить на сайты напрямую, а индексировать и интерпретировать новостной и аналитический контент во внешнем контуре, формализуя экстракт контента.
Общее впечатление? Самая прорывная технология 21 века, имеющая невероятные перспективы.
Даже на начальном этапе многие возможности сильно удивляют, значительное количество решений и задач могут быть в наивысшей степени автоматизированы с помощью ГИИ, но при этом нужно понимать ограничения:
• Нет самообучения.
• Не подходит для сложных интегральных и многомерных проектов, где нужно учитывать целостную картину и динамические связи
• Необходимо очень жестко формализовать ТЗ для получения желаемого эффекта и часто время на промт-инжиниринг превосходит выгоду от использования ГИИ (проще все сделать руками, как раньше). Необходимо задача разбивать на множество подзадач до предельного упрощения.
• Ограниченная длина контекста.
• Много ошибок, нет факт чекинга. ГИИ мастерски имитирует правду и генерирует выходной контент очень убедительно, но если копнуть глубже оказывается, что значительная часть инфы – фейк и галлюцинации.
ГИИ замечательный инструмент, но нужно уметь его правильно использовать и понимать специфику и ограничения, но есть уверенность в том, что через несколько лет ГИИ способен творить чудеса.
Любая технология на начальном этапе представляла низко-функциональный обрубок и лишь по мере эволюции и технологической оптимизации остов прирастал функционалом и возможностями, так же и будет с ГИИ, который уже в самом начале имеет уникальные возможности.
Например, ГИИ не позволит написать «Войну и мир», где сотни персонажей, тысячи диалогов и связей. Здесь даже дело не в ограничениях выходных токенов.
Все решает длина контекста. В сложных проектах важны детали, которые были на нескольких итерациях ранее, но внутренние структурные особенности ГИИ лишь позволяют манипулировать контекст вектором, отсекая весь прошлый опыт.
Это значит, если писать масштабные художественные произведения или научно-исследовательские проекты, ГИИ не позволит эффективно наследовать характеристики и связи объектов на более ранних итерациях.
Можно ли решить эту проблему в будущем? Длина контекста должна вырасти на несколько параметров. Не 128к, как сейчас, а в тысячи раз больше! Через 10 лет? Теоретически возможно.
Можно ли решить эту проблему сейчас? Все пространство тонкой настройки сводится к манипуляции и интерпретации контекст вектора, но не в конверсии информации, которая зашита в весах нейро-сетей и в алгоритмах интерпретации.
К этому нужно добавить вшитые этические и контентные фильтры, которые сильно ограничивают пространство возможностей. Например, все ведущие новостные агентства США и Европы забанили ГИИ для индексации контента.
Это логично, с помощью ГИИ можно больше не заходить на сайты напрямую, а индексировать и интерпретировать новостной и аналитический контент во внешнем контуре, формализуя экстракт контента.
Общее впечатление? Самая прорывная технология 21 века, имеющая невероятные перспективы.
Даже на начальном этапе многие возможности сильно удивляют, значительное количество решений и задач могут быть в наивысшей степени автоматизированы с помощью ГИИ, но при этом нужно понимать ограничения:
• Нет самообучения.
• Не подходит для сложных интегральных и многомерных проектов, где нужно учитывать целостную картину и динамические связи
• Необходимо очень жестко формализовать ТЗ для получения желаемого эффекта и часто время на промт-инжиниринг превосходит выгоду от использования ГИИ (проще все сделать руками, как раньше). Необходимо задача разбивать на множество подзадач до предельного упрощения.
• Ограниченная длина контекста.
• Много ошибок, нет факт чекинга. ГИИ мастерски имитирует правду и генерирует выходной контент очень убедительно, но если копнуть глубже оказывается, что значительная часть инфы – фейк и галлюцинации.
ГИИ замечательный инструмент, но нужно уметь его правильно использовать и понимать специфику и ограничения, но есть уверенность в том, что через несколько лет ГИИ способен творить чудеса.
Любая технология на начальном этапе представляла низко-функциональный обрубок и лишь по мере эволюции и технологической оптимизации остов прирастал функционалом и возможностями, так же и будет с ГИИ, который уже в самом начале имеет уникальные возможности.
Могут ли современные версии ГИИ создать «квантовый скачок», существенно трансформировав структуру экономики?
В 2023 был надут самый значительный пузырь в истории американского рынка объемом около 10 триллионов долларов (разница между актуальной капитализацией и справедливой), драйвером которого стали высоко-капитализированные технологические корпорации, которые в свою очередь были разогреты после успешного релиза ChatGPT в начале 2023.
По сути, всего одно решение создало невиданный в индустрии хайп (спустя полгода подтянулся Google с Bard и Gemini), сформировав невероятные ожидания перехода в новое измерение «безграничного счастья».
Логика есть: новое технологическое решение создает пространство возможностей, в рамках которого резко повышается скорость технологического прогресса, увеличивается производительность и эффективность экономики, решаются проблемы с недостатком рабочей силы и инфляцией.
Насколько все это обосновано? Насколько ожидания коррелируют с реальностью?
Следует понимать, что публичная версия ГИИ – это статическая, локальная и закрытая система, изолированная от экзогенных переменных, т.е. внешние операторы системы (пользователи) не могут повлиять на процесс «переваривания» информации. ГИИ не обучаются в режиме реального времени на данных, предоставляемых пользователями
Даже, если ГИИ в рамках открытой сессии имитирует обучение – это не более, чем имитация и корректировка терминологии, т.е. невозможно залезть по ту сторону, модифицировав способность к обработке и трансформации информации. ГИИ лишь адаптируется к диалогу, но на выходные данные это никак не влияет.
Обучать систему могут только инженеры OpenAI и Google, внешняя информация никак не влияет на вектор интерпретации. Для ChatGPT было две крупные фиксации обучения – сентябрь 2021 и апрель 2023, где формализовались веса и алгоритмы интерпретации – это и есть обучение.
Контекстное окно у GPT-4 Turbo составляет 128 тыс токенов, которую внедрили в середине ноября 2023. Это значит, что в процессе переваривания входящей информации большего объема требуется неизбежная компрессия.
Например, задача забросить в анализ 10 млн символов правовой информации, что составляет около 4 млн токенов. Как при окне контекста в 128 тыс токенов произойдет обработка информации, кратно превышающие предельную длину контекста?
Есть два наиболее часто используемых приема.
• Разделение текста на блоки, параграфы, близкие по смыслу и принудительная компрессия на X величину.
• Скользящее окно контекста, когда последовательно обрабатывается первый блок на 128 тыс токенов, сжимается в 20 раз, далее второй блок и так далее. В итоге на выходе получается экстракт в 20 раз с неизбежной потерей деталей и содержания. Можно ли в законодательных документах применять этот прием? Спорно.
Что из этого выходит? Любые сложные и многомерные проекты нельзя реализовать в текущих версиях ГИИ. Технологический прогресс двигается через развитие сложных систем и комплексов, для которых ГИИ в принципе не приспособлен к эффективной реализации из-за технических и структурных ограничений.
Нет самообучения, ограниченная длина контекста, нет наследования опыта (обнуление с каждой новой сессией) и внутренние встроенные фильтры.
Кажется, что пространство возможностей безграничное, но оно еще как ограничено.
ГИИ – это мощный инструмент автоматизации в умелых руках, но для того, чтобы система была эффективна необходимо понимать не менее 80% предмета исследования.
ГИИ очень правдоподобно лжет, склонен к конформизму и вербальным манипуляциям, поэтому необходимо быть осторожным к выходной информации.
В чем выдающиеся сила ГИИ в контексте реализации сложных систем?
• Быстрый поиск нужной информации, кратно эффективнее поисковых систем. Например, техническую документацию очень удобно и эффективно уточнять именно у ГИИ, производительность растет кратно!
• Хорошие возможности для реализации одномерных задач при тщательном промт-инжиниринге, что правда не всегда оправдано с точки зрения времени.
Поэтому рано еще радоваться, текущая версия ГИИ не способна перевернуть мир, но что будет в будущем?
В 2023 был надут самый значительный пузырь в истории американского рынка объемом около 10 триллионов долларов (разница между актуальной капитализацией и справедливой), драйвером которого стали высоко-капитализированные технологические корпорации, которые в свою очередь были разогреты после успешного релиза ChatGPT в начале 2023.
По сути, всего одно решение создало невиданный в индустрии хайп (спустя полгода подтянулся Google с Bard и Gemini), сформировав невероятные ожидания перехода в новое измерение «безграничного счастья».
Логика есть: новое технологическое решение создает пространство возможностей, в рамках которого резко повышается скорость технологического прогресса, увеличивается производительность и эффективность экономики, решаются проблемы с недостатком рабочей силы и инфляцией.
Насколько все это обосновано? Насколько ожидания коррелируют с реальностью?
Следует понимать, что публичная версия ГИИ – это статическая, локальная и закрытая система, изолированная от экзогенных переменных, т.е. внешние операторы системы (пользователи) не могут повлиять на процесс «переваривания» информации. ГИИ не обучаются в режиме реального времени на данных, предоставляемых пользователями
Даже, если ГИИ в рамках открытой сессии имитирует обучение – это не более, чем имитация и корректировка терминологии, т.е. невозможно залезть по ту сторону, модифицировав способность к обработке и трансформации информации. ГИИ лишь адаптируется к диалогу, но на выходные данные это никак не влияет.
Обучать систему могут только инженеры OpenAI и Google, внешняя информация никак не влияет на вектор интерпретации. Для ChatGPT было две крупные фиксации обучения – сентябрь 2021 и апрель 2023, где формализовались веса и алгоритмы интерпретации – это и есть обучение.
Контекстное окно у GPT-4 Turbo составляет 128 тыс токенов, которую внедрили в середине ноября 2023. Это значит, что в процессе переваривания входящей информации большего объема требуется неизбежная компрессия.
Например, задача забросить в анализ 10 млн символов правовой информации, что составляет около 4 млн токенов. Как при окне контекста в 128 тыс токенов произойдет обработка информации, кратно превышающие предельную длину контекста?
Есть два наиболее часто используемых приема.
• Разделение текста на блоки, параграфы, близкие по смыслу и принудительная компрессия на X величину.
• Скользящее окно контекста, когда последовательно обрабатывается первый блок на 128 тыс токенов, сжимается в 20 раз, далее второй блок и так далее. В итоге на выходе получается экстракт в 20 раз с неизбежной потерей деталей и содержания. Можно ли в законодательных документах применять этот прием? Спорно.
Что из этого выходит? Любые сложные и многомерные проекты нельзя реализовать в текущих версиях ГИИ. Технологический прогресс двигается через развитие сложных систем и комплексов, для которых ГИИ в принципе не приспособлен к эффективной реализации из-за технических и структурных ограничений.
Нет самообучения, ограниченная длина контекста, нет наследования опыта (обнуление с каждой новой сессией) и внутренние встроенные фильтры.
Кажется, что пространство возможностей безграничное, но оно еще как ограничено.
ГИИ – это мощный инструмент автоматизации в умелых руках, но для того, чтобы система была эффективна необходимо понимать не менее 80% предмета исследования.
ГИИ очень правдоподобно лжет, склонен к конформизму и вербальным манипуляциям, поэтому необходимо быть осторожным к выходной информации.
В чем выдающиеся сила ГИИ в контексте реализации сложных систем?
• Быстрый поиск нужной информации, кратно эффективнее поисковых систем. Например, техническую документацию очень удобно и эффективно уточнять именно у ГИИ, производительность растет кратно!
• Хорошие возможности для реализации одномерных задач при тщательном промт-инжиниринге, что правда не всегда оправдано с точки зрения времени.
Поэтому рано еще радоваться, текущая версия ГИИ не способна перевернуть мир, но что будет в будущем?
О возможностях языковых моделей и ГИИ
Систематизация опыта использования и попыток интеграции ГИИ в рабочие проекты с моей стороны.
Огромное количество плагинов, расширений и предложений на базе ГИИ (в основном, конечно, ChatGPT), но на самом деле все это разнообразие фиктивное.
Попытаюсь консолидировать три генеральных направлений использования ГИИ:
▪️Резюмирование / суммирование / краткий пересказ текстового, видео или аудио контента. Вариаций множество, но суть одна. Это самое главное направление, т.е. базовая концепция ГИИ заключается как раз в компрессии контента, именно на этом построены алгоритмы работы ГИИ.
Как это будет реализовано? Здесь есть пространство для маневра. Например, подготовка дайджеста новостей по заданной теме, краткий анализ отчетности, статей и объемных материалов по заданным критериям.
Польза вполне очевидна: если коэффициент компрессии ввести 15-20, можно сэкономить значительное количество времени и концентрировать внимание на сущностных элементах и смысловых нагрузках, отсекая все лишнее.
Человек, прослушав лекцию или прочитав книгу, не сможет запомнить все, а в памяти оставляет только основные смысловые переходы и концепции и/или цифры/факты/статистику.
Если доверить краткий пересказ медийного, научного или аналитического контента в пользу ИИ, можно высвободить время для других задач или повысить кратно производительности в рамках анализа контента.
Работает ли это на практике? Не совсем, далеко не так, как хотелось бы, чтобы применять этот инструмент в работе. Именно поэтому я допиливал процедуры через API, чтобы иметь более тонкую настройку, но даже так не удалось получить желаемого эффекта.
Происходит слишком агрессивное отсечение важной информации по принципу схожести паттернов, что приводит к потере важных деталей и нюансов.
Сценарий использования: перебор мусорной информации, где можно кратко и быстро понять о чем идет повествование, а далее любопытные гранд нарративы уже исследовать самостоятельно.
▪️Экспертная система, высокоразвитый консультант. Традиционный поиск сейчас уже не нужен – это архаика. Если нужно быстро найти и понять описание предмета, объекта, значение какой либо функции и так далее – ГИИ вне конкуренции.
В обычном поиске можно часами рыться в мегабайтах текстовой информации из разных источников, чтобы понять, как работает интересующиеся объект или инструмент, а через ГИИ это решается за минуты.
Лично для меня, это наиболее важный прорыв, т.к. буквально кратно экономит время, если речь идет о быстром анализе и схватывании важных аспектов в документации.
Сценарий использования: быстрый и эффективный анализ технической документации, инструкции, регламентов, актов, законов и так далее, когда нет желания и времени вникать в ненужные детали.
▪️Решение одномерных и ограниченных задач. Если крупный проект разбить на сотни модулей, а модули в свою очередь разбить на блоки, сегменты, которые в свою очередь разделить на функции и процедуры – вот здесь ГИИ поможет, но есть нюансы.
Декомпозиция сложных задач и разделение на упрощенные сегменты – это непростой процесс, а для эффективного ответа необходим крайне формализованный промт инжиниринг. Чем более сжатые границы и чем четче описаны все переменные и логика решений – тем быстрее и лучше будет ответ, но даже так огромное количество ошибок будет.
Сценарий использования: быстрое написание части программного кода при условии, что этот код может быть написан самим разработчиком. Не всегда генерация упрощенного кода оправдана с точки зрения времени (проще сделать самому).
Для работы с ГИИ необходимо быть экспертом, т.е. знать вектор распределения решений и выходные параметры, чтобы контролировать результат.
У ГИИ нет критерия оценки выходных данных (нет критерия ошибки), нет критерия истинности, поэтому может выдавать абсурдные результаты, т.к. не знает, что такое хорошо, а что такое плохо, поэтому всегда нужен компетентный оператор системы.
В итоге ГИИ позволяет реализовывать структуризацию, систематизацию и упорядочивание данных при условии умения работать с данными и с ГИИ со стороны оператора.
Систематизация опыта использования и попыток интеграции ГИИ в рабочие проекты с моей стороны.
Огромное количество плагинов, расширений и предложений на базе ГИИ (в основном, конечно, ChatGPT), но на самом деле все это разнообразие фиктивное.
Попытаюсь консолидировать три генеральных направлений использования ГИИ:
▪️Резюмирование / суммирование / краткий пересказ текстового, видео или аудио контента. Вариаций множество, но суть одна. Это самое главное направление, т.е. базовая концепция ГИИ заключается как раз в компрессии контента, именно на этом построены алгоритмы работы ГИИ.
Как это будет реализовано? Здесь есть пространство для маневра. Например, подготовка дайджеста новостей по заданной теме, краткий анализ отчетности, статей и объемных материалов по заданным критериям.
Польза вполне очевидна: если коэффициент компрессии ввести 15-20, можно сэкономить значительное количество времени и концентрировать внимание на сущностных элементах и смысловых нагрузках, отсекая все лишнее.
Человек, прослушав лекцию или прочитав книгу, не сможет запомнить все, а в памяти оставляет только основные смысловые переходы и концепции и/или цифры/факты/статистику.
Если доверить краткий пересказ медийного, научного или аналитического контента в пользу ИИ, можно высвободить время для других задач или повысить кратно производительности в рамках анализа контента.
Работает ли это на практике? Не совсем, далеко не так, как хотелось бы, чтобы применять этот инструмент в работе. Именно поэтому я допиливал процедуры через API, чтобы иметь более тонкую настройку, но даже так не удалось получить желаемого эффекта.
Происходит слишком агрессивное отсечение важной информации по принципу схожести паттернов, что приводит к потере важных деталей и нюансов.
Сценарий использования: перебор мусорной информации, где можно кратко и быстро понять о чем идет повествование, а далее любопытные гранд нарративы уже исследовать самостоятельно.
▪️Экспертная система, высокоразвитый консультант. Традиционный поиск сейчас уже не нужен – это архаика. Если нужно быстро найти и понять описание предмета, объекта, значение какой либо функции и так далее – ГИИ вне конкуренции.
В обычном поиске можно часами рыться в мегабайтах текстовой информации из разных источников, чтобы понять, как работает интересующиеся объект или инструмент, а через ГИИ это решается за минуты.
Лично для меня, это наиболее важный прорыв, т.к. буквально кратно экономит время, если речь идет о быстром анализе и схватывании важных аспектов в документации.
Сценарий использования: быстрый и эффективный анализ технической документации, инструкции, регламентов, актов, законов и так далее, когда нет желания и времени вникать в ненужные детали.
▪️Решение одномерных и ограниченных задач. Если крупный проект разбить на сотни модулей, а модули в свою очередь разбить на блоки, сегменты, которые в свою очередь разделить на функции и процедуры – вот здесь ГИИ поможет, но есть нюансы.
Декомпозиция сложных задач и разделение на упрощенные сегменты – это непростой процесс, а для эффективного ответа необходим крайне формализованный промт инжиниринг. Чем более сжатые границы и чем четче описаны все переменные и логика решений – тем быстрее и лучше будет ответ, но даже так огромное количество ошибок будет.
Сценарий использования: быстрое написание части программного кода при условии, что этот код может быть написан самим разработчиком. Не всегда генерация упрощенного кода оправдана с точки зрения времени (проще сделать самому).
Для работы с ГИИ необходимо быть экспертом, т.е. знать вектор распределения решений и выходные параметры, чтобы контролировать результат.
У ГИИ нет критерия оценки выходных данных (нет критерия ошибки), нет критерия истинности, поэтому может выдавать абсурдные результаты, т.к. не знает, что такое хорошо, а что такое плохо, поэтому всегда нужен компетентный оператор системы.
В итоге ГИИ позволяет реализовывать структуризацию, систематизацию и упорядочивание данных при условии умения работать с данными и с ГИИ со стороны оператора.
Инфляция в США выросла на 0.3% м/м (0.31% для базовой инфляции), что соответствует среднегодовой тенденции.
В период с 2015 по 2019 нормой считался рост цен на 0.15% в месяц для общего индекса потребительских цен и 0.17% для базовой инфляции. Аномалию 2020-2022 можно не брать в расчет, т.к. от дефляции резко перешли в рекордную за 40 лет инфляцию, а за последний год можно рассмотреть результаты.
ИПЦ в 2023 рос в темпах 0.27% в месяц, а базовая инфляция – 0.32%, а последние полгода получилось 0.27% и 0.26% соответственно, а за последние три месяца 0.15% (за счет фактора энергии) и 0.27% для базовой инфляции.
О чем это говорит? Нет существенного прогресса в замедлении инфляции. Резкое снижение годовой инфляции в полной мере обусловлено эффектом высокой базы 2022, но при оценке базовой инфляции замедление присутствует (0.38% среднемесячного прироста в первое полугодие 2023 и 0.26% во второе полугодие 2023), но в 1.5-1.6 раза выше нормы.
Основной фактор возмущения – стоимость проживания (интегрально, учитывая, как гостиницы, так и аренду), которая растет в темпах 0.44% в месяц во 2П23 vs 0.57% в 1П23 и нормой на уровне 0.27% в период с 2015 по 2019.
Стоимость жилья формирует почти 60% в структуре прироста цен за последние полгода. Если произвести декомпозицию негативных факторов, практически все отклонение от нормы 2015-2019 обусловлено более высокими темпами роста стоимости жилья.
Цены достаточно волатильны, как и фазы роста и стабилизации цен, поэтому если выделить жилье из расчетов по всем остальным компонентам плюс-минус вблизи нормы.
Базовая инфляция за последние три месяца и полгода формирует ценовой импульс в диапазоне 3.2-3.3% годовых, тогда как годовая инфляция 3.9% за счет более высоких темпов роста цен в первом полугодии 2023.
До нормализации цен еще далеко, т.к. рост цен на жилье имеет структурный и долгосрочный характер и высокая фоновая инфляция в этой компоненте долго будет выше нормы.
В период с 2015 по 2019 нормой считался рост цен на 0.15% в месяц для общего индекса потребительских цен и 0.17% для базовой инфляции. Аномалию 2020-2022 можно не брать в расчет, т.к. от дефляции резко перешли в рекордную за 40 лет инфляцию, а за последний год можно рассмотреть результаты.
ИПЦ в 2023 рос в темпах 0.27% в месяц, а базовая инфляция – 0.32%, а последние полгода получилось 0.27% и 0.26% соответственно, а за последние три месяца 0.15% (за счет фактора энергии) и 0.27% для базовой инфляции.
О чем это говорит? Нет существенного прогресса в замедлении инфляции. Резкое снижение годовой инфляции в полной мере обусловлено эффектом высокой базы 2022, но при оценке базовой инфляции замедление присутствует (0.38% среднемесячного прироста в первое полугодие 2023 и 0.26% во второе полугодие 2023), но в 1.5-1.6 раза выше нормы.
Основной фактор возмущения – стоимость проживания (интегрально, учитывая, как гостиницы, так и аренду), которая растет в темпах 0.44% в месяц во 2П23 vs 0.57% в 1П23 и нормой на уровне 0.27% в период с 2015 по 2019.
Стоимость жилья формирует почти 60% в структуре прироста цен за последние полгода. Если произвести декомпозицию негативных факторов, практически все отклонение от нормы 2015-2019 обусловлено более высокими темпами роста стоимости жилья.
Цены достаточно волатильны, как и фазы роста и стабилизации цен, поэтому если выделить жилье из расчетов по всем остальным компонентам плюс-минус вблизи нормы.
Базовая инфляция за последние три месяца и полгода формирует ценовой импульс в диапазоне 3.2-3.3% годовых, тогда как годовая инфляция 3.9% за счет более высоких темпов роста цен в первом полугодии 2023.
До нормализации цен еще далеко, т.к. рост цен на жилье имеет структурный и долгосрочный характер и высокая фоновая инфляция в этой компоненте долго будет выше нормы.
Минфин России выполнил задачу, которая в начале года казалась невероятной – сведение бюджета к плану.
Календарный 2023 год исполнен с дефицитом 3.2 трлн vs 3.3 трлн в 2022 и в сравнении с 2.9 трлн дефицита на 2023, которые были записаны в проект федерального бюджета по №466-ФЗ от 05.12.2022.
В мае 2023 дефицит по 12-месячной сумме достиг 8 трлн и все шло к 10 трлн дефицита, но комплекс мер от Минфина и макроэкономические факторы способствовали улучшению бюджетной ситуации.
С июня 2023 Минфин начал экономить, по крайней мере, до сентября, когда суммарные расходы оказались на 5.5% ниже по номиналу, чем в 2022, но на 15.7% выше аналогичного периода в 2021 при накопленной инфляции более 20% за два года. В реальном выражении расходы ушли в минус и это с учетом военного бюджета.
С октября по ноябрь пошли в разгон по расходам, но в декабре вновь просели, завершив 4кв23 с суммарными расходами на 5.7% ниже 2022, но на 29% выше 2021 по номиналу.
В итоге с июня по декабрь 2023 расходы снизились на 5.6% г/г, но на 22.9% выше 2021, т.е. около нуля в реальном выражении за два года.
Со стороны доходов прогресс: с июня по декабрь 2023 доходы выросли на 22.3% г/г и на 21% за два года (о причинах роста отдельно после предоставления детализации ненефтегазовых доходов в конце января).
По укрупненным группам, нефтегазовые доходы практически достигли плана 8.8 трлн по факту vs 8.9 трлн по проекту бюджета, а ненефтегазовые сильно выше плана – 20.3 трлн vs 17.2 трлн в бюджете, где 1.2 трлн сверх плана принес НДС.
В итоге доходы с июня сформировали плюс 3.5 трлн, а расходы снизились на 1.2 трлн, что в совокупности дало эффект на 4.7 трлн, позволив снизить дефицит с 8 до 3.2 трлн.
За весь год доходы составили 29.1 трлн vs 27.8 трлн в 2022 и 25.3 трлн в 2021, а расходы немного выросли до 32.4 трлн vs 31.1 трлн годом ранее и 24.8 трлн в 2021.
Дефицит бюджета менее, чем в 2% от ВВП, учитывая контекст ситуации – это сильные показатели, намного лучше, чем предполагалось в середине года.
Календарный 2023 год исполнен с дефицитом 3.2 трлн vs 3.3 трлн в 2022 и в сравнении с 2.9 трлн дефицита на 2023, которые были записаны в проект федерального бюджета по №466-ФЗ от 05.12.2022.
В мае 2023 дефицит по 12-месячной сумме достиг 8 трлн и все шло к 10 трлн дефицита, но комплекс мер от Минфина и макроэкономические факторы способствовали улучшению бюджетной ситуации.
С июня 2023 Минфин начал экономить, по крайней мере, до сентября, когда суммарные расходы оказались на 5.5% ниже по номиналу, чем в 2022, но на 15.7% выше аналогичного периода в 2021 при накопленной инфляции более 20% за два года. В реальном выражении расходы ушли в минус и это с учетом военного бюджета.
С октября по ноябрь пошли в разгон по расходам, но в декабре вновь просели, завершив 4кв23 с суммарными расходами на 5.7% ниже 2022, но на 29% выше 2021 по номиналу.
В итоге с июня по декабрь 2023 расходы снизились на 5.6% г/г, но на 22.9% выше 2021, т.е. около нуля в реальном выражении за два года.
Со стороны доходов прогресс: с июня по декабрь 2023 доходы выросли на 22.3% г/г и на 21% за два года (о причинах роста отдельно после предоставления детализации ненефтегазовых доходов в конце января).
По укрупненным группам, нефтегазовые доходы практически достигли плана 8.8 трлн по факту vs 8.9 трлн по проекту бюджета, а ненефтегазовые сильно выше плана – 20.3 трлн vs 17.2 трлн в бюджете, где 1.2 трлн сверх плана принес НДС.
В итоге доходы с июня сформировали плюс 3.5 трлн, а расходы снизились на 1.2 трлн, что в совокупности дало эффект на 4.7 трлн, позволив снизить дефицит с 8 до 3.2 трлн.
За весь год доходы составили 29.1 трлн vs 27.8 трлн в 2022 и 25.3 трлн в 2021, а расходы немного выросли до 32.4 трлн vs 31.1 трлн годом ранее и 24.8 трлн в 2021.
Дефицит бюджета менее, чем в 2% от ВВП, учитывая контекст ситуации – это сильные показатели, намного лучше, чем предполагалось в середине года.
Дефицит федерального бюджета США близок к рекорду, несмотря на отсутствие соглашения по бюджету.
Вся эта клоунада в Конгрессе США относительно соглашения по бюджету не помешала Минфину США тратить, как оглашенные.
Дефицит бюджета в декабре составил 129.3 млрд (второй самый худший результат после декабря 2020), за октябрь-декабрь 2023 – 510 млрд, что немного меньше рекорда на уровне 572 млрд в период агрессивного фискального бешенства в 2020.
За календарный 2023 дефицит составил 1.8 трлн или 2.1 трлн с учетом корректировки на бумажный вычет по студенческим авансам, вот именно на этот уровень и стоит рассчитывать.
Любопытно, в реальном выражении дефицит бюджета за последние 12 месяцев соответствует кризисному 2009! Бюджет США вполне соответствует кризису, если не брать аномалии 2020-2021.
Скорректированные расходы составили 6.6 трлн за календарный год vs 6 трлн годом ранее, т.е. рост на 10%, а доходы, напротив, сократились с 4.9 до 4.5 трлн или на 8%, что обусловило практически удвоение скорректированного дефицита с 1.1 до 2.1 трлн.
Драйверы роста расходов: процентные платежи, пенсии, оборона и поддержка банковской системы.
Так, например, в 2024 фискальному году (октябрь-декабрь 2023) расходы выросли на 12% г/г или на 170 млрд, где процентные расходы выросли на 71 млрд по сумме за три месяца относительно аналогичного периода в 2022, пенсии и поддержка ветеранов выросли почти на 50 млрд, расходы на поддержку банковской системы выросли более, чем на 60 млрд, а расходы на оборону прибавили 24 млрд.
В совокупности вышеуказанные категории внесли вклад в прирост расходов более 205 млрд, формируя 58% в структуре общих расходов, т.е. прочие категории в целом сокращаются по номиналу.
Что все это значит? Бюджет крайне неустойчив в стерильных условиях, а что, если кризис? Придется активно субсидировать население (основной источник прироста расходов в кризис) и это при фоновом дефиците в 2 трлн за год.
Ситуация весьма уязвимая для фискальной устойчивости на фоне исчерпания избыточной ликвидности в системе.
Вся эта клоунада в Конгрессе США относительно соглашения по бюджету не помешала Минфину США тратить, как оглашенные.
Дефицит бюджета в декабре составил 129.3 млрд (второй самый худший результат после декабря 2020), за октябрь-декабрь 2023 – 510 млрд, что немного меньше рекорда на уровне 572 млрд в период агрессивного фискального бешенства в 2020.
За календарный 2023 дефицит составил 1.8 трлн или 2.1 трлн с учетом корректировки на бумажный вычет по студенческим авансам, вот именно на этот уровень и стоит рассчитывать.
Любопытно, в реальном выражении дефицит бюджета за последние 12 месяцев соответствует кризисному 2009! Бюджет США вполне соответствует кризису, если не брать аномалии 2020-2021.
Скорректированные расходы составили 6.6 трлн за календарный год vs 6 трлн годом ранее, т.е. рост на 10%, а доходы, напротив, сократились с 4.9 до 4.5 трлн или на 8%, что обусловило практически удвоение скорректированного дефицита с 1.1 до 2.1 трлн.
Драйверы роста расходов: процентные платежи, пенсии, оборона и поддержка банковской системы.
Так, например, в 2024 фискальному году (октябрь-декабрь 2023) расходы выросли на 12% г/г или на 170 млрд, где процентные расходы выросли на 71 млрд по сумме за три месяца относительно аналогичного периода в 2022, пенсии и поддержка ветеранов выросли почти на 50 млрд, расходы на поддержку банковской системы выросли более, чем на 60 млрд, а расходы на оборону прибавили 24 млрд.
В совокупности вышеуказанные категории внесли вклад в прирост расходов более 205 млрд, формируя 58% в структуре общих расходов, т.е. прочие категории в целом сокращаются по номиналу.
Что все это значит? Бюджет крайне неустойчив в стерильных условиях, а что, если кризис? Придется активно субсидировать население (основной источник прироста расходов в кризис) и это при фоновом дефиците в 2 трлн за год.
Ситуация весьма уязвимая для фискальной устойчивости на фоне исчерпания избыточной ликвидности в системе.