跳到主要內容

淺談行動支付對於整理經濟成長的影響

行動支付對整體沒正面影響,浪費資源而已...

先說一下,這只是我從生活上到經驗,我手邊也沒有詳細數據證明我的論點。

經驗談

我2008年到美國留學,所以是14年前,剛到美國的前幾天,我就到銀行開了個帳號,並且辦了一張簽帳卡,debit card。

印象中,在美國留學4年的日子裡,大部分商店都可以用簽帳卡支付,刷了之後直接從銀行扣款,不需任何手續費。

2012年畢業後回臺,再過個幾年,開始行動支付開始流行,也忘了是什麼時候開始的,好像是2018年之類的。我完全沒興趣。

我回台灣後一直都有在美國使用簽帳卡的那種想法,所以我在台灣辦了信用卡。信用卡有比簽帳卡好,有回饋,而且可以延後扣現金一些時間,操作得宜,可以搭配現金定存1個月來賺利息。
 
因此,我一直不了解,行動支付的發明,到底有什麼意義。2008年,人們從皮包中拿出卡付費,跟2022年,從口袋拿出手機吧,開啟條碼付費,方便性差在哪裡?

浪費資源

行動支付背後的科技有網頁或app軟體設計,完善4g或Wi-Fi及銀行法規的同意。

就為了讓人們付款方式從拿出卡片改成拿出手機,就要請多少軟體工程師?前端UI、後端伺服器,銀行要花多少時間及金錢建立及維護行動支付系統?何況還有資安問題。

如果行動支付沒有比信用卡,甚至是簽帳卡方便,或提供額外價值,那不是讓費時間跟金錢而已嗎?

轉帳功能

我了解行動支付有很多有轉帳功能,但是現在網路銀行不是也可以轉帳嗎?

差別在哪?

回饋

行動支付回饋較高?就算有,也不過只是跟信用卡一樣的行銷手法罷了,先短期吸引用戶再說。

跟風

行動支付既然沒有價值,為何許多公司搶著做,我認為識別,如果一家公司有推出行動支付,另一家沒有,在提升行動支付回饋等行銷狀況下,有行動支付的公司可以吸引到許多行動支付的用戶,進而提高跟商家談判回饋多寡,最後回饋給消費者,行動支付公司再從整個過程中抽成,良性循環之下,確實有利可圖。

因此導致,一家做,人人做,沒做沒羹。

對整體經濟沒正面影響

我認為行動支付出現在這個社會上,對整體經濟沒有幫助,物質不滅法則,最終人們沒有獲得額外方便性,反而迫使銀行或其他行動支付公司聘請大量軟體工程師建立或維護行動支付,大家把時間跟金錢投入後,沒有提供整個社會額外價值。

投入大於產出,所以是負面的。

對投資銀行股的啟發

我行動支付這檔事歸類為金融服務,這個案例提醒我銀行業的成長性問題。

銀行業很難藉由研發製造,替社會創造突破性價值,因此投資銀行股務必要看本益比,本益比高又沒有成長性,真的不值得投資。

突破性價值?

前面這段提到銀行沒辦法創造突破性價值,因此買銀行股要看本益比,那成長股呢?

比較不用,因為成長股的公司花大量的錢在研發,所以本益比不好看。

本世紀最好的案例應該非特斯拉創辦人馬斯克莫屬了。

馬斯克打敗亞馬遜創辦人貝佐斯及微軟創辦人比爾蓋茲,成為世界首富,是因為他創造改變人類的東西,例如商業化可回收式火箭,大幅降低火箭發射成本。

當創造出改變社會或人類生活方式的東西時,公司價值翻個幾倍都很正常。

留言

這個網誌中的熱門文章

母體變異數(population variance)、樣本變異數(sample variance)及自由度(degrees of freedom)

母體指的是所有的數據,樣本指的是從母體抽樣的數據,舉例來說,一個班級有40人,它們的身高,40個身高數據,若只針對這個班,就是母體,但是,卻只是代表全校學生身高的一部分,也就是樣本。 回到「機率統計」頁面 樣本平均數(mean)不是母體平均數,樣本變異數(variance)也不是母體變異數,一個班40個人身高的平均數很難剛好是全校學生的身高平均數。 一個班40個人的身高變異數也不會是全校學生的身高變異數。 變異數計算 母體變異數的定義如下: 而樣本變異數的定義如下: 奇怪的地方 平均數 雖然樣本平均數不是母體平均數,不過,如果不斷重複從同一個母體抽樣平均,會得到一個近似母體平均數的數字。舉例來說,從一個學校所有學生中,不斷隨機選出40個學生取平均數,再將這些平均數平均,結果會接近直接算全校學生的身高平均數。 也就是說樣本平均數的期望值就是母體平均數: 變異數 樣本變異數跟母體變異數就沒這麼單純了。奇怪的地方是,為什麼樣本變異數公式的除術是n-1,而不是像平均數計算一樣用n? 為何樣本變異數要除的是(n-1)? 除數為n的話,變異數會太小 如果樣本變異數的除數是n,樣本變異數就會常常比母體變異數小。為什麼呢? 因為,樣本是從母體抽取的,抽樣的數據算出平均,並且抽樣的數據會相對的接近抽樣的平均,總不會剛好抽出的樣本平均數剛好是母體平均數,且樣本數據離樣本平均數就像母體數據離母體平均數一樣分散吧? 假設母體數據為0-99的整數,共100個數據,從中選出10個數字,然後計算樣本的平均數,分別用n及n-1當作除數算出變異數,連續執行200次,並將200個樣本平均數及200個樣本變異數平均。 也就是取得樣本平均數及樣本變異數的期望值,結果如下: 母體平均數 = 49.5

中央極限定理(central limit theorem)證明

中央極限定理(central limit theorem )指的是從一個獨立同分布(Independent and identically distributed, i.i.d)取出之變數數量趨近無限多時,其平均數(mean)將趨近常態分布(normal distribution)。 回到「機率統計」頁面 目錄: 動差母函數(moment generating function) 常態分布的動差母函數 中央極限定理證明 中央極限定理模擬 中央極限定理應用 動差母函數(moment generating function) 動差母函數為機率密度函數(probability density fFunction, PDF)及累積分佈函數(cumulative distribution function CDF)之外,另一種描述機率分布模型的一種方式。 定義 M X (t) = E[e tx ] 而 e tx 的泰勒級數(Taylor series)為 e tx  = 1 + tx + t 2 x 2 /2! +  t 3 x 3 /3! + ... 則 M X (t) 的泰勒級數為 M X (t) = E[e tx ]  = 1 + tE[x] +  t 2 /2! E[x 2 ] +  t 3 /3! E[x 3 ] + ... 因此,當t = 0時,以t取 動差母函數m次微分,就可以找到其分布模型的第m動差。 特性 M X+Y (t) = E[e t(x+y) ] =  E[e tx+ty ] =  E[e tx e ty ]  =  E[e tx ]  E[ e ty ] =  M X (t)  M Y (t)  常態分布的動差母

HYG、LQD 與 TLT 風險報酬比較

10 年期公債除了站上 4%,再撰寫這篇文章時,已經在 4.3% 徘迴,上次在 這篇文章 研究了現在是否應該要買 LQD 而不是 TLT,本篇文章我想研究非投資等級債是否更適合。 買點 HYG 現在 HYG 價格為 74.04,距離近一次低點 2020/3/20 的 69.75,差別為 5.794% LQD 上次低點在 2020/10/14 的 100.38 附近,與目前的 105.01 相差 4.612%。 TLT 上次低點在 2022/11/4 的 94.22 附近,與目前的 95.16相差 1%。 殖利率上升時,公司債的表現 TLT 2009-01-06 到 2010-01-05 跌了 16.364% 這段期間美國 30 年期公債殖利率從 3.04% 漲到  3.74%,漲了 0.7%。 TLT 2012-11-14 到 2013-11-13 跌了 15.701% 這段期間 美國 30 年期公債殖利率從 2.73% 漲到  3.83%,漲了 1.1%。 TLT 2016-07-29 到 2017-07-28 跌了 10.307% 這段期間 美國 30 年期公債殖利率從 2.18% 漲到  2.89%,漲了 0.71%。 TLT 2021-11-18 到 2023-8-15 跌了 32.695% 這段期間美國 30 年期公債殖利率從 1.97% 漲到  4.35%,漲了 2.38%。 結論 HYG 現在也很便宜,在公債殖利率還有可能持續上漲狀況下,表現可能勝過公債及投資等級公司債。

如何在Chart.js的圖上加上X軸或Y軸名稱

 Chart.js可以幫助網頁顯示各類圖表,要在X軸及Y軸上標示名稱方法如下: 找到Chart物件。 在Chart物件內找到options。 在options內找到scales,若無,自行加上scales。 即可在scales下設定X軸及Y軸的標示。 程式碼範例 <div> <canvas id="myChart"></canvas> </div> <script src="https://cdn.jsdelivr.net/npm/chart.js"></script> <script> const labels = [ '1', '2', '3', '4', '5', '6', ]; const data = { labels: labels, datasets: [{ label: '數據', backgroundColor: 'rgb(255, 99, 132)', borderColor: 'rgb(255, 99, 132)', data: [0, 10, 5, 2, 20, 30, 45], }] }; const config = { type: 'line', data, options: {scales:{ x:{ title:{ display:true, text:"月" } }, y:{ title:{ display:true, text:"unit" } } } } }; var myChart = new Chart( document.ge

賭徒破產理論(Gambler's ruin)機率公式證明

賭徒破產理論(Gambler's ruin)指指的是兩位賭徒,每局賭1元,A賭徒有i元,B賭徒有n-i元,兩人不斷的賭,直到一人輸光為止。 回到「機率統計」頁面 前言 假設A賭徒勝率為p,輸的機率就是1-p,稱為q,我們要求算A贏光所有錢的機率。 讓p(i)代表A賭徒擁有i元的時候,獲得最後勝利的機率。 p(0) = 0,因為已經輸光所有錢並且賭局已結束。 p(n) = 1,因為已經贏光所有錢並且賭局已結束。 那麼p(i)呢? 遞迴公式(recursive formula) 假設A有i元,它下一局有可能贏,有可能輸。贏的機率為p,輸的機率為1-p = q。 不論這一局是贏還是輸,A要贏光所有錢的機率還是沒有算出來。 這局贏了,接下來贏光所有錢的機率為p(i+1)。 這局輸了,接下來贏光所有錢的機率為p(i-1)。 因此,p(i) = p*p(i+1) + q*p(i-1),且可以繼續延伸,例如p(i+1) = p*p(i+2) + q*p(i)、p(i-1) = p*p(i-) + q*p(i-2)... 每個公式需要套用原本的公式,稱為遞迴公式公式,而遞迴公式解法可以像解微分方程(differential equation)一樣,可以先用猜的! 例如dx/dt = rx,微分之後x還是在公式裡,可以先猜測x = e^y。 猜測 假設,p(i) = x i ,並帶入p(i) = p*p(i+1) + q*p(i-1),得到  x i   = p* x i+1  + q * x i-1 x = p* x 2  + q p* x 2  - x + q = 0 解一元二次方程式得 x = 1 或 x = q/p 微分方程 p(i) = x i , x = 1 或 x = q/p,且有兩已知數 p(0) = 0 及 p(n) = 1。 而x i 的x有兩個根(root),必須都帶入線性組合(linear combination)公式求解。 p(i) = A(1) i  + B ( q/p ) i  =  A +  B ( q/p ) i  p(0) = A + B = 0 , A = -B p(n) = A + B ( q/p ) n   = 1 A + B ( q/p ) n  = -B +  B ( q/p ) n  = B(-1 +  ( q/p ) n )