证券时报多媒体数字报

　　凡事预则立，不预则废。无论你承认不承认，你都已经被卷入了经济的漩涡之中，如何在这个漩涡之中“立”而不“废”呢？这就需要对经济走势或曰经济周期的把握了。《我在高盛的经济预测法》，就是一本谈论预测经济走势的书。作者约瑟夫·H·埃利斯，是高盛集团的合伙人，一位有着35年行业分析背景并连续18年被著名杂志《机构投资者》评为华尔街第一零售业分析师的天才。

　　迄今为止，虽然经济周期理论已经成为了经济学的一个重要分支，但无论是使用纯文字进行分析和表述的经济学家，还是使用复杂的假设和公式描述经济的数学家和理论家，都没有真正准确、有效地指导人们对经济周期的预测。原因并不是这些分析工具完全失效了，而是这种分析具有滞后性。研究得出的结论往往比真实的经济走势慢半拍，甚至是慢多拍。大多数情况下，当经济学家证实衰退已经出现的时候，大部分经济损失早已发生；经济学家在热议市场底部的时候，市场可能已经从底部走了出来。

　　使用纯文字进行分析和表述，不仅缺少应有的实际数据支撑和相关内容说明，更见鬼的是它不能提供具有一定操作性的预测基本方法；用复杂的假设和公式进行描述，阳春白雪，除了极少数同行外，普通读者估计是两眼一抹黑，既看不懂也不想看。埃利斯的《我在高盛的经济预测法》，就是弥补以上两种方法的不足，尝试一种易于理解的、操作性强的方法，即使人们没有获得经济学、数学或心理学等相关学科的高学位，也能理解和运用其方法。

　　埃利斯根据其从业过程中的宝贵经验，以长达54年的历史数据分析为基础，在纷繁复杂的经济数据中勾画出几条简单的曲线，道出“less is more（少即是多）”的哲理。然后使用ROCET( rate of change in economic tracking)方法，即盯住（消费）增长率，在绘图的基础上，帮助人们更好地追踪两个经济数据序列间的相互关系，从而起到预测经济走势的功能。

　　预测重要的就是要比真实的经济走势快一拍，至少也得快半拍。为了走在曲线之前，埃利斯紧紧抓住经济走势的逻辑：个人实际小时收入——实际消费支出——产品和服务的产出——资本支出。基于此，埃利斯提出了预测经济的“领先指标”与“滞后指标”，只有抓住“领先指标”，预测经济走势才能比真实的经济走势快一拍。消费增长率是埃利斯预测经济走势的核心指标和领先指标，而判断消费增长率的“领先指标”又是什么呢？埃利斯在《我在高盛的经济预测法》中强调，不是我们常说的消费者信心指数，因为消费者信心指数具有滞后性，它反映的是消费者对自己现在的消费能力的信心。在埃利斯看来，真正反映消费增长率的“领先指标”，一是工资的增长幅度，因为工资收入是消费主力；二是利率，因为可以在一定程度上反映居民的实际收入水平。

　　当然，在利用数据的时候，也要注意剔除“噪音”。埃利斯指出，政府部门等发布数据的机构对外公布的数据，都是对原始数据处理后的新数据，一些重要的时间顺序被完全“平滑”了。作者在书中举了一个阿珂姆衬衫店的例子，如：每年的换季期衬衫的销售量会猛增；另外，圣诞期间，人们会大量购买衬衫作为礼物赠送亲友，也使得当期的销量大增……这些数据实际上都是“噪音”，在分析的时候应该过滤掉，否则预测就会失真。那么，最简单的方法是什么？用月度或者季度同比数据，而不用环比数据就可以了。

　　埃利斯在高盛研究的最终目标是向高盛集团的客户提供整个零售业以及零售企业股票的投资前景的相关建议。如何预测一只股票的走势呢？埃利斯告诉我们，企业的利润决定股价的走势，消费、生产和投资决定着公司的利润，生产和投资又被消费所驱动。因此，只需通过监测消费支出曲线的变化，就可以走在股价曲线变化的前面了。基于此，他建议股票的趋势投资者，不要在经济状况最好时“长期持有”；而应该在“看好”时适度长期持有。经济增长达到峰顶时，就要适时调整头寸；在经济前景暗淡时，适当增加所持有的投资组合。

　　就如英国顶尖的经济学家们说的一样，完全掌握控制经济的走势，“已成为人们一厢情愿和傲慢自大的最佳例证。” 如果靠数据定量分析就可以预测经济、分析金融市场的话，那么，统计学家和数学家早成为世界上最富有的人了。《我在高盛的经济预测法》一书中的方法，埃利斯是基于零售业的经验，对其他行业的预测，则要看每家公司从属的是消费支出、工业生产，还是资本支出的部门，再看其在每轮经济循环上升或下降的时间顺序中所处的位置。

　　另外，埃利斯的预测方法是以美国经济数据为基础的，在其它国家是否适用，也值得思考。美国经济有五个显著特征：一是美国GDP中消费占2/3；二是美国经济是相对自给自足的，出口和进口都不超过GDP的20%，且贸易赤字常年相当于GDP的5%；三是美元是被广泛使用的世界货币；四是美国是一个完全市场国家；五是美国是一个民权国家。一把钥匙开一把锁，一套分析工具必须通过实践来检验，《我在高盛的经济预测法》在中国可能还不能照搬套用。但埃利斯的思路，无疑为我们进行数据挖掘和数学建模提供了很好的借鉴。