一種可借鑒的經濟預測法

在埃利斯看來，真正反映消費增長率的“領先指標”，一是工資的增長幅度，因為工資收入是消費主力；二是利率，因為可以在一定程度上反映居民的實際收入水平。

凡事預則立，不預則廢。無論你承認不承認，你都已經被卷入了經濟的漩渦之中，如何在這個漩渦之中“立”而不“廢”呢？這就需要對經濟走勢或曰經濟周期的把握了。《我在高盛的經濟預測法》，就是一本談論預測經濟走勢的書。作者約瑟夫·H·埃利斯，是高盛集團的合伙人，一位有著35年行業分析背景并連續18年被著名雜志《機構投資者》評為華爾街第一零售業分析師的天才。

迄今為止，雖然經濟周期理論已經成為了經濟學的一個重要分支，但無論是使用純文字進行分析和表述的經濟學家，還是使用復雜的假設和公式描述經濟的數學家和理論家，都沒有真正準確、有效地指導人們對經濟周期的預測。原因并不是這些分析工具完全失效了，而是這種分析具有滯后性，研究得出的結論往往比真實的經濟走勢慢半拍，甚至是慢多拍。大多數情況下，當經濟學家證實衰退已經出現的時候，大部分經濟損失早已發生；經濟學家在熱議市場底部的時候，市場可能已經從底部走了出來。

2008年11月，英國女王伊麗莎白二世視察了倫敦經濟學院，并與一些教授討論經濟形勢。她隨后發問：“為什么當初就沒有一個人注意到它(經濟危機)?”2009年7月25日，包括倫敦經濟學院教授、英格蘭銀行貨幣政策委員會委員蒂姆·貝斯利、倫敦大學著名歷史學教授彼得·埃內西等在內的英國學術院院士、頂尖經濟學家們，給女王寫了一封長達3頁的致歉信。“總之，沒能預測出這次危機的時間、幅度和嚴重性是許多智慧人士的集體失誤，無論國內還是國際上的學者，人們都沒能將系統性風險視作一個整體。”這封信說。

埃利斯根據其從業過程中的寶貴經驗，以長達54年的歷史數據分析為基礎，在紛繁復雜的經濟數據中勾畫出的幾條簡單的曲線，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（消費）變化長率，在繪圖的基礎上，幫助人們更好地追蹤兩個經濟數據序列間的相互關系，從而起到預測經濟走勢的功能。

預測重要的就是要比真實的經濟走勢快一拍，至少也得快半拍。為了走在曲線之前，埃利斯緊緊抓住經濟走勢的邏輯：個人實際小時收入——實際消費支出——產品和服務的產出——資本支出。基于此，埃利斯提出了預測經濟的“領先指標”與“滯后指標”，只有抓住“領先指標”，預測經濟走勢才能比真實的經濟走勢快一拍。消費增長率是埃利斯預測經濟走勢的核心指標和領先指標，而判斷消費增長率的“領先指標”又是什么呢？埃利斯在《我在高盛的經濟預測法》強調，不是我們常說的消費者信心指數，因為消費者信心指數具有滯后性，它反映的是消費者對自己現在的消費能力的信心。在埃利斯看來，真正反映消費增長率的“領先指標”，一是工資的增長幅度，因為工資收入是消費主力；二是利率，因為可以在一定程度上反映居民的實際收入水平。

當然，在利用數據的時候，也要注意剔除“噪音”。埃利斯指出，政府部門等發布數據的機構對外公布的數據，都是對原始數據處理后的新數據，一些重要的時間順序被完全“平滑”了。作者在書中舉了一個阿珂姆襯衫店的例子，如：每年的換季期襯衫的銷售量會猛增，另外，圣誕期間，人們會大量購買襯衫作為禮物贈送親友，也使得當期的銷量大增……這些數據實際上都是“噪音”，在分析的時候應該過濾掉，否則預測就會失真。那么，最簡單的方法是什么？用月度或者季度同比數據、而不用環比數據就可以了。

埃利斯在高盛研究的最終目標是向高盛集團的客戶提供整個零售業以及零售企業股票的投資前景的相關建議。如何預測一只股票的走勢呢？埃利斯告訴我們，企業的利潤決定股價的走勢，消費、生產和投資決定著公司的利潤，生產和投資又被消費所驅動，因此，只需通過監測消費支出曲線的變化，就可以走在股價曲線變化的前面了。基于此，他建議股票的趨勢投資者，不要在經濟狀況最好時“長期持有”，而應該在“看好”時適度長期持有，經濟增長達到峰頂時，就要適時調整頭寸，在經濟前景暗淡時，適當增加所持有的投資組合。

《我在高盛的經濟預測法》一書中的方法，埃利斯是基于零售業的經驗，對其他行業的預測，則要看每家公司從屬的消費支出、工業生產、還是資本支出的部門，再看其在每輪經濟循環上升或下降的時間順序中所處的位置。

另外，埃利斯的預測方法是以美國經濟數據為基礎的，在其它國家是否適用，也值得思考。美國經濟有五個顯著特征：一是美國GDP中消費占2/3；二是美國經濟是相對自給自足的，出口和進口都不超過GDP的20%，且貿易赤字常年相當于GDP的5%；三是美元是被廣泛使用的世界貨幣；四是美國是一個完全市場國家；五是美國是一個民權國家。一把鑰匙開一把鎖，一套分析工具必須通過實踐來檢驗，《我在高盛的經濟預測法》在中國可能還不能照搬套用。但埃利斯的思路，無疑為我們進行數據挖掘和數學建模提供了很好的借鑒。