炼数成金 门户 量化投资 查看内容

你见过真的菲利普曲线吗?

2017-7-12 17:43| 发布者: 炼数成金_小数| 查看: 23139| 评论: 0|原作者: 睿资|来自: 央行观察

摘要: 经济学家采用数学工具对经济现象进行分析通常被归于计量经济学范畴。长期以来,在计量经济学中使用的主要工具是回归分析,但迄今为回归分析并没有帮助经济学家对经济现象有过任何重大且深入的洞察。原因十分简单,对 ...

工具 模型 金融 数学 量化投资

经济学家采用数学工具对经济现象进行分析通常被归于计量经济学范畴。长期以来,在计量经济学中使用的主要工具是回归分析,但迄今为回归分析并没有帮助经济学家对经济现象有过任何重大且深入的洞察。原因十分简单,对经济现象的回归分析无法区分因果关系,因此不会带来新的、有价值的、定性的认知。更糟的是,有时候数据分析和基于模型的理论预期混合在一起,使得分析的结论完全无效。举例来说,宏观经济学家或者对宏观经济学有兴趣的人想必都听说过菲利普曲线,但在课本上或文献上见到的大都是理想化的模型(如图1)。


图1 理想化的菲利普曲线

实际情况如何呢?如果依照真实数据(Ormerod,1994)对菲利普曲线进行“推导”,能够通过回归分析来反映通货膨胀与就业之间的关系吗?在图2中,一根突兀的直线穿过了一片高度分散的数据点,难道这就是真实的菲利普曲线?技术上的进一步改进没有取得让人满意的结果,实际上没有任何曲线能够反映这些数据点之间的关联(详细的例子见McCandless,1991)。菲利普曲线在真实世界中并不存在。

图2 通胀(I)与失业率(U)数据的展示

回归分析不能对分离原因和结果,相关性研究也不等同于理解了某些现象为何发生及如何发生。在湍流理论中,我们无法预测天气。但我们了解天气,并可以基于热流体动力学方程定性和可靠地描述天气。即使我们无法预测飓风和龙卷风何时何地会生成,但我们非常了解其形成和运动的物理学。
 
而经济学则完全相反,我们不知道有什么通用的市场规律可以用来定性地解释增长,泡沫,衰退,萧条,财富分配不均等经济现象。我们不能系统地使用数学语言解释为什么阿根廷、巴西、墨西哥和泰国在放松管制、开放市场之后却遭遇了经济崩溃。也没有什么标准的经济学模型可以在数学上解释为什么次贷危机会发生及之后市场的剧烈波动。这种极端事件从一开始就被新古典经济理论排除在均衡假设之外的,在金融市场的标准理论中期权价格也是基于小幅波动的预期之中。
 
宏观经济研究的重点是了解市场如何真实运作,而非基于完全不切实际的模型来假设或预测市场 “应该”如何运作。只有深入本质,才能发现有价值的结论。

小贴士
什么是菲利普斯曲线?

菲利普斯曲线(英语:Phillips Curve),新西兰统计学家威廉·菲利普斯(A.W.Phillips)于1958年根据英国近百年(1861-1957)的总体经济数据,画出了一条表现通货膨胀与失业率关系的曲线,数据以名义工资率的变化率与失业率呈负相关关系,低工资变化率与低失业率不能并存,高工资变化率与高失业率不能并存。进而推论通货膨胀率与失业率的关系(因通货膨胀的数据难以取得,于是以名义工资的增长率来代替通货膨胀率),得出通货膨胀率与失业率的负关系。

此曲线表明:通货膨胀率与失业率存在交替关系,通货膨胀率高时,失业率低;通货膨胀率低时,失业率高。

1960年代,美国经济学家萨缪尔森和索洛根据美国宏观经济数据证实了菲利普斯曲线所表示的交替关系在美国同样存在,并指出,可以根据菲利普斯曲线所揭示的这种关系来指导宏观经济政策,通过紧缩或扩张的财政政策与货币政策,将通货膨胀和失业控制在社会可接受的水平。

但60年代末米尔顿·弗里德曼和埃德蒙·费尔普斯等人发表文章适应性预期批评菲利普斯曲线,否定通货膨胀率与失业率在长期经济中存在相关性,并认为,政府利用菲利普斯曲线在通货膨胀和失业率之间进行权衡是危险的。在当时人们很难接受这样大胆的观点,因为萨缪尔森和罗伯特·索洛有历史数据支持。埃德蒙·费尔普斯因此而获得2006年度诺贝尔经济学奖。

欢迎加入本站公开兴趣群
量化投资群
兴趣范围包括:量化投资,算法交易,金融建模,统计套利等等
QQ群 262335016
如果大家不明白什么是量化投资,在百度谷歌搜索一下“西蒙斯”就知道了,最近这哥们火极了!这套东西在国外的金融机构已经大量使用,随着中国金融市场规模日益扩大和趋于成熟,这套玩法最终肯定也能在国内转起来,我们一起学习切磋,寻求项目机会做一下,提升自己在这方面的技能,将来一起发财

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

热门文章

     

    GMT+8, 2018-9-21 20:25 , Processed in 0.147781 second(s), 24 queries .