場景一:呀,美元跌啦,黃金估計得上漲。一看黃金,果然。
場景二:美元又跌啦,這下黃金得上天。一看,咦,黃金為咩沒漲呢?沒漲就算了,還跟著美元一起跌??
我想這種情況大家應該經常遇到。這就是我想說的相關性。
要知道的是,相關性不並是因果關係,兩個有相關性的數據之間不見得有必然的邏輯聯繫,完全相關的數據和品種價格往往是同源的。
也就是說,如果兩個品種的價格走勢很相似,並不一定是A影響了B,或者B影響了A。它們可能有一個共同的母體C,是C共同影響了A和B。
所以不能通過A和B在數據上的相關性得到A是B的果,或者B是A的因這種結論。
不同品種的變量不同,不同數據反映的事實不同,沒有相關性的數據之間也可能有非常緊密的邏輯關係。為什麼?每一個經濟數據,或者每一個品種價格的數據,都有自己的原理和變量。每一個數據的變量、原理不同,反映的事實也就不同。
也就是說,需要去了解一個數據、一條曲線或者一個品種的基本面原理,再進一步在微觀上得到它的變量,通過研究它的變量理解它代表的事實是什麼,也就是理解為什麼這個數據上升了、走平了、下滑了。
當能夠從原理、變量、事實的角度理解一個數據的時候,就基本理解到位了。因此對於數據或者品種的理解不能停留在相關性上,這在研究以及後面的推理、推論時非常容易產生一些錯誤。
比如資產A和資產B的價格在過去很多年、很多個週期都很相似,但是突然資產B的價格走平了,我們能不能得出A要回歸B或者B要追上A的結論?
明確的告訴大家,不能。因為當我們不能理解A的原理、變量,以及它為什麼向上,不能理解B的原理、變量,以及它為什麼走平的時候,我們就不能得出這樣的結論。
因此才要了解一個品種或者一個數據的原理、變量和事實,這樣才能比較不同數據之間的關係,才能去推理會不會產生回歸或者追上的關係。
研究這些的根本目的在於理解數據所反映的事實,理解資本的路徑,理解實體經濟參與者和金融市場參與者行為的持續反饋,挖掘數據背後的邏輯聯繫。通過數據理解數據和品種的原理、變量和事實,然後再去找到它們在邏輯上的聯繫。
也就是說它們的原理、變量之中,如果有相似的東西或者相同的部分,這是產生相關性的原因,而不是從表面上看數據很相似,就認為它們完全正相關或者負相關,不能停留在這個層面上。
簡單列舉幾種數據,或者說品種、原理或者變量之間的關係。
第一種是路徑傳導關係,在研究這種關係時會把它的時間軸向左或者向右移動一定的周期,這樣能夠看清楚數據是如何傳導的,因為傳導是有時間的延後的。比如在時間1上出現了A,然後在時間2上產生了B,B是A的結果,這就是一個路徑傳導關係。
第二種是大家比較常見的邏輯因果關係。
第三個是條件臨界關係,也就是A和B是C的必要條件,A和B同時出現就會引發C,這就是條件臨界關係。
第四種是相互反饋關係,假設美國的就業數據下滑,政府部門往往會加大財政補貼力度,相應的就會使財政赤字擴大,就業數據與政府行為、財政赤字之間就是互相反饋的關係。
看下圖,我們研究的目的是挖掘數據背後的邏輯聯繫。不能看到兩條曲線或者兩個經濟數據前面很像,但後面不一樣,就說這個要往下跌,或者說這個會往上漲,不能這樣得出結論。
還是要分別理解每一個曲線、經濟數據或者品種價格的原理和變量,之後才能夠了解它所代表的這種經濟內涵,才能對它們分別進行推論,最後才能夠得出它是否要回歸的結論。
很多時候它不見得是要回歸的,有可能會繼續向上,還有可能走平或者下滑。
研究的目的是挖掘數據背後的邏輯聯繫,包括要去理解數據所反映的事實,理解資本的流動路徑,理解實體經濟參與者的行為,理解金融市場參與者的行為。
這樣才可以找到或者發現不同數據間所反映的經濟或者金融市場之中的邏輯聯繫,包括前面說的路徑傳導關係、邏輯因果關係、條件臨界關係,還有相互反饋關係。
當把很多的經濟數據、資產價格以及各個部門的行為,不斷在微觀上進一步理解的時候,我們對於價格的未來推理的確定性就提高了。