数据分析在宏观研究中的作用

如何看待数据和模型（模型为大，数据次之）

模型是对现实世界的抽象，抓住主要矛盾/反馈环/逻辑，来解释和预测现实世界的运行，相当于对真相的抽丝剥茧，降维处理。

数据可以评价模型对现实世界的拟合功效，是现实世界投射到一个维度的客观反馈。

如果模型和数据可以复制或刻画现实世界的话，那现实世界一定是从一个高维的复杂系统投射到数据和模型中的。可以想象，至少叠加时间之后，一个四维（长、宽、高、时间）的客观事物就出现了，一个侧面的照片可以给我们部分反映客观世界。

数据和模型是否足够刻画现实世界？当然不能，主要的差异在人心。现实世界由客观和主观部分构成，经济中的参与者也会通过本身的买卖行为对可换世界产生影响，从而影响时间轴的走向。从这个方面讲，这个四维世界中的时间维度，可以说是主观部分的影响占主要因素。牛顿曾说过，他能够测算天体运行的轨迹，却不能计算人心疯狂的程度。

数据是模型的影子，模型是数据的容器。杂乱地拿出几条时间序列去分析相关性、趋势是很难产生统一、自恰的认识的，反而经常在第一级推论上互相矛盾，给人一种不知所措的迷茫，这时，需要把数据放进一个模型或者逻辑链条中去理解，在逻辑中加入预期的因素，有时候往往发现问题变得容易理解。

因此，尊重数据和模型，但不迷信，不直接把数据和模型作为交易的依据，通过数据和模型构建的策略有足够的容错空间，亏钱了也不要全把责任赖在数据上，是一种理性的态度。

数据存在的问题

数据是对现实世界一个侧面的刻画，用量化的手段记录真实世界（reality）的运行情况，但在宏观数据上，通常具备以下弱点：一是时效性不强，很难依据数据有效转换投资策略，往往被价格是市场走势领先；二是存在统计误差；三是统计口径差异导致比较困难；四是数据频率不够高。每一项弱点都会影响数据质量，进而影响数据分析的结果。

因此，在使用数据分析的时候，首要就是看数据的出处、定义、范围、统计频率、单位等细节，避免出现使用谬误。

数据处理的方法

常见的数据处理方法有：单位化（CPI）、同比、环比、取log（分析价格走势）、移动平均、极值、波动率、相关性、情境分析、敏感度分析等，针对不同的数据类型，使用合理的方法进行处理。（例子）

数据分析的目标（宏观多为时间序列数据）

一是数据之间的历史分位水平、走势情况（单时间序列数据）、相关性、因果关系（格兰杰因果关系）、领先滞后关系等都是需要观察检验的地方。

二是分析数据可以证明or证伪相应的关于经济走势、市场走势的原因，并针对目前情况对未来进行合理的线性外延推测。

三是通过对一到两个季度宏观环境的预测，找出在相应参数下最优的资产配置策略，挖掘不同大类资产的相关性，找出风险收益比最佳的交易。