主题：【原创】牛与熊，从科研角度看股市（一）---从一篇小论文谈起 -- 千里烟波

经济学论文中的模型可以大体分为两类，第一类是真正意义上的经济学模型，有参与者的行为集合，效用函数，外生环境，然后求出假设条件下最优解。特别猛的人就全用数学语言，弄个拓扑空间，搞个随机过程，解出来的也是数学，这样的好处是一般性（general），很多类似的论题可以套用。大部分的人的模型看上去就很具体了，比如说假设某人的效用函数就是X平方，然后再接一系列的具体的方程，这个叫做应用理论（Applied Theory），好处是容易理解，也容易和实践相结合来应用数据。和它最直接相联系的就是校准（calibration），通过具体模型推导出显示数据和假设参数之间的关系，然后倒推出参数应该是什么样的。

例子：根据理论，假设个人的相对风险厌恶参数是A，那么如果给定100元，此人会把100乘以（1-A）元去买彩票。那么通过调查，甲愿意用十块钱去买彩票，那么它的风险厌恶参数就是0.9

以上的模型又被统称为结构模型（Structural Form），就是有经济理论支持的模型。与它对应的就是简化（？）模型(Reduced Form)，基本上就是靠数据说话，偏重统计方面

例子：y = b * x + e

用最小二乘法算出x对y的影响（b值），暂不考虑它们的意义。

鉴于经济学不是科学，而是艺术，structural和reduced form两者并不矛盾，而是术业有专攻。Structural模型更多地能够帮助人们透过现象看本质，研究是什么造成了我们所观察到的现象，我们称为“解释”。Reduced模型除此之外还能帮助我们来判断未来究竟会怎样，称为“预测”。二者并非没有交集，只不过现实的研究更倾向于Reduced模型善于预测，而Structural模型作解释更加让人信服。

宏观经济预测在70年代和80年代遇到了很多问题和责难。滞胀+石油危机使得预测失灵。也由此带出来“卢卡斯批评（Lucas Critiques）”，大意应该是模型不是一成不变，随着社会经济发展，各种变量之间的关系在不断改变着，所以使用模型需要考虑参数的不确定性。以前数据估计出来的参数现在未必好用。在时间序列里面称作结构破裂（？）“Structure Break”。大家都知道菲利普斯曲线（失业率和通胀率之间的权衡），但是80年代菲利普斯曲线整体移动了，原来的参数假设就不灵了...

而且这些宏观预测模型大多是非常复杂的结构模型，一个简单的RWI-商业周期模型就需要41个随机方程和86个定义方程，这还叫作中等规模模型！计量经济学里有一个重要的准则就是Parsimony,意思是简化。因为虽然多参数模型可以更好的拟和数据，但是预测能力会大打折扣。而且我们对宏观经济的把握往往是偏颇的，这么多方程如果有一个变量出问题或者有些东西忘掉了，连锁反应会把整个模型毁掉。客观地说，经济管理版里面安德森也好，虎哥也好，子玉也罢，对宏观经济的把握往往来源于模糊的人类逻辑，他们是写不出来整个经济系统方程的。但正是由于有模糊逻辑，所以才会看到大方向上的问题而不拘泥于小数点后几位的数据。

综上，我们说，好的预测模型一要有稳健性，不会因为些微的参数变化而产生蝴蝶效应；二要有学习性，要回通过新数据的加入而能来逐渐修正自己。

稳健性的问题暂时用时间序列来解决，而学习性我们用贝叶斯的方法来实现。