Unemployment Rate US —

Unemployment Rate US

Unemployment Rate อัตราว่างงาน สหรัฐ BLS Nonfarm Payrolls Fed ดอกเบี้ย ตลาดหุ้น Bond Dollar Gold การลงทุน

วิธีคำนวณ

# === Unemployment Rate Calculator ===

from dataclasses import dataclass

@dataclass
class LaborData:
    month: str
    employed: int
    unemployed: int
    not_in_labor: int
    part_time_want_full: int
    discouraged: int

def calculate_rates(d):
    labor_force = d.employed + d.unemployed
    population = labor_force + d.not_in_labor
    u3 = (d.unemployed / labor_force) * 100
    u6_unemployed = d.unemployed + d.part_time_want_full + d.discouraged
    u6 = (u6_unemployed / (labor_force + d.discouraged)) * 100
    participation = (labor_force / population) * 100
    employment_ratio = (d.employed / population) * 100

    print(f"  [{d.month}]")
    print(f"    Employed: {d.employed:,} | Unemployed: {d.unemployed:,}")
    print(f"    Labor Force: {labor_force:,} | Population: {population:,}")
    print(f"    U-3 Rate: {u3:.1f}%")
    print(f"    U-6 Rate: {u6:.1f}%")
    print(f"    Participation Rate: {participation:.1f}%")
    print(f"    Employment-Population Ratio: {employment_ratio:.1f}%")
    return u3

data = [
    LaborData("Jan 2024", 161_183_000, 6_124_000, 100_345_000, 4_300_000, 485_000),
    LaborData("Apr 2024", 161_491_000, 6_492_000, 100_098_000, 4_450_000, 510_000),
    LaborData("Jul 2024", 161_800_000, 7_163_000, 100_200_000, 4_600_000, 530_000),
]

print("=== US Labor Market Data ===")
for d in data:
    calculate_rates(d)

ผลกระทบต่อตลาด

# === Market Impact Scenarios ===

@dataclass
class Scenario:
    scenario: str
    actual: str
    expected: str
    fed: str
    stocks: str
    bonds: str
    dollar: str
    gold: str

scenarios = [
    Scenario("ว่างงานต่ำ + Payrolls สูง (Goldilocks)",
        "3.5% + 200K jobs", "3.7% + 180K",
        "Hold rates, monitor inflation",
        "S&P 500 ขึ้น (เศรษฐกิจดี ไม่ร้อนเกิน)",
        "Yield ขึ้นเล็กน้อย",
        "USD ทรงตัว-แข็ง",
        "Gold ทรงตัว"),
    Scenario("ว่างงานต่ำมาก + Wages สูง (Too Hot)",
        "3.4% + 350K + Wages 4.5%", "3.7% + 180K",
        "Hawkish อาจขึ้นดอกเบี้ยหรือ Hold นานมาก",
        "S&P 500 ลง (กลัว Rate สูงนาน)",
        "Yield พุ่ง 10Y > 4.5%",
        "USD แข็งมาก DXY ขึ้น",
        "Gold ลง"),
    Scenario("ว่างงานสูงขึ้น (Cooling)",
        "4.0% + 120K", "3.7% + 180K",
        "Dovish อาจลดดอกเบี้ยเร็วขึ้น",
        "S&P 500 ขึ้น (หวัง Rate Cut)",
        "Yield ลง Bond Rally",
        "USD อ่อน",
        "Gold ขึ้น"),
    Scenario("ว่างงานพุ่ง (Recession Fear)",
        "4.5% + 50K + Revisions ลง", "3.7% + 180K",
        "Emergency Cut อาจลด 50bps",
        "S&P 500 ลงแรง Panic Sell",
        "Yield ลงแรง Flight to Safety",
        "USD อ่อนแรง (ยกเว้น Safe Haven)",
        "Gold พุ่ง Safe Haven"),
]

print("=== Market Scenarios ===")
for s in scenarios:
    print(f"  [{s.scenario}]")
    print(f"    Actual: {s.actual} vs Expected: {s.expected}")
    print(f"    Fed: {s.fed}")
    print(f"    Stocks: {s.stocks}")
    print(f"    Bonds: {s.bonds}")
    print(f"    USD: {s.dollar} | Gold: {s.gold}")

ประวัติและแนวโน้ม

# === Historical Data ===

@dataclass
class HistoricalRate:
    period: str
    rate: float
    context: str
    fed_rate: str

history = [
    HistoricalRate("2019 (Pre-COVID)", 3.5, "50-year low, full employment", "1.75%"),
    HistoricalRate("Apr 2020 (COVID Peak)", 14.7, "Worst since Great Depression, lockdowns", "0.25%"),
    HistoricalRate("2021 (Recovery)", 5.4, "Rapid recovery, labor shortage", "0.25%"),
    HistoricalRate("2022 (Tight Market)", 3.6, "Near pre-COVID low, inflation high", "4.50%"),
    HistoricalRate("2023", 3.7, "Still low despite rate hikes", "5.50%"),
    HistoricalRate("2024 H1", 4.0, "Gradually rising, cooling labor market", "5.50%"),
]

print("=== Historical Unemployment ===")
for h in history:
    print(f"  [{h.period}] Rate: {h.rate}% | Fed: {h.fed_rate}")
    print(f"    Context: {h.context}")

# Key relationships
relationships = {
    "Sahm Rule": "ว่างงานเพิ่ม 0.5% จากจุดต่ำสุด 12 เดือน = เข้า Recession",
    "Phillips Curve": "ว่างงานต่ำ → เงินเฟ้อสูง (ทฤษฎี แต่ไม่เสมอไป)",
    "Okun's Law": "GDP ลด 1% → ว่างงานเพิ่ม ~0.5%",
    "Beveridge Curve": "ตำแหน่งว่างมาก + ว่างงานต่ำ = ตลาดแรงงานตึง",
    "Natural Rate": "4-5% ถือว่า Full Employment มีเฉพาะ Frictional + Structural",
}

print(f"\n\nKey Relationships:")
for k, v in relationships.items():
    print(f"  [{k}]: {v}")

เคล็ดลับ

• NFP: ดู Nonfarm Payrolls ประกอบกับ Unemployment Rate ไม่ดูตัวเดียว
• Revisions: ดู Revisions ของเดือนก่อน สำคัญไม่แพ้ตัวเลขเดือนนี้
• Wages: ดู Average Hourly Earnings ถ้าขึ้นเร็ว = Inflationary
• U-6: ดู U-6 ประกอบ ให้ภาพ Underemployment ที่แท้จริง
• Calendar: จำวันศุกร์แรกของเดือน ตลาดผันผวนมาก

การนำความรู้ไปประยุกต์ใช้งานจริง

แหล่งเรียนรู้ที่แนะนำ ได้แก่ Official Documentation ที่อัพเดทล่าสุดเสมอ Online Course จาก Coursera Udemy edX ช่อง YouTube คุณภาพทั้งไทยและอังกฤษ และ Community อย่าง Discord Reddit Stack Overflow ที่ช่วยแลกเปลี่ยนประสบการณ์กับนักพัฒนาทั่วโลก

เนื้อหาเกี่ยวข้อง — ฮวงจองอม — คู่มือฉบับสมบูรณ์ 2026

เปรียบเทียบข้อดีและข้อเสีย

จากตารางเปรียบเทียบจะเห็นว่าข้อดีมีมากกว่าข้อเสียอย่างชัดเจน โดยเฉพาะในแง่ของประสิทธิภาพและความสามารถในการ Scale สำหรับข้อเสียส่วนใหญ่สามารถแก้ไขได้ด้วยการเรียนรู้อย่างเป็นระบบและวางแผนทรัพยากรให้เหมาะสม

สรุป

Unemployment Rate อัตราว่างงาน US BLS Nonfarm Payrolls U-3 U-6 Fed ดอกเบี้ย ตลาดหุ้น Bond Dollar Gold Recession การลงทุน

เนื้อหาเกี่ยวข้อง — แนะนำให้อ่าน chatgpt business คือ