加入见智研究所的见识圈子：https://jianshiapp.com/circles/451，如果您喜欢见智研究所的内容，欢迎订阅见智研究所精选内容，了解我们的特辑请点击这里。
欧洲央行理事默施近日发表演讲批判了宏观经济学中“模型至上”和“工程主义”思维，警告研究者和经济学者应该保持谦逊，对市场保持敬畏。
危机前，许多知名的决策者和学者将经济和金融视为一种自然科学，充斥着大多数经济学家都认同的“规律”。部分经济学家甚至宣称商业周期已经寿终正寝死亡。与此同时，质疑者们（包括诺奖得主罗伯特·席勒）却被忽略了，或被认为是愚蠢的。
危机表明，现在的许多专业人员和经济学者的观点和做法可能已经有悖于经济学的古老传统，这些传统正是强调不确定性，信息的局限性以及强调经济互动的更广泛的社会背景 - 例如由米塞斯和哈耶克的“经济计算问题”和哈耶克的“致命的自负”所强调的，知识分散在社会中，永远不能被任何一个代理人或实体真切地掌握。
模型缺少经济的主要特征（例如金融联动）和/或基于不切实际的假设。后者的例子包括假设“完全”和“有效”的市场以及“理性的”预期。这些特征使得模型难以解释真实世界的现象，如市场中的群体行为，资产价格失调，市场冻结等。对数学和模型的过度依赖实际上等同于承认社会行为作为市场关键作用的失败。
但研究者不应当因噎废食就因此不再使用模型，而应当对其作出反思。如何改进模型的有用见解来自行为和进化经济学（预期，多重均衡，新闻的影响和资产市场泡沫） - 以及模型的增强——包括涵盖商业银行，信贷摩擦和不确定性。此外，中央银行一直关注不确定性，他们总是试图做出有力的决定。他们也面临着区分短期与长期，周期性与结构性发展或各种程度的偏差与死角。主要问题是政策制定者在区分客观和主观不确定性以及如何应对后者方面面临的困难。
*默施也在文章中提到了大数据与机器学习：
“微调者”对这种不确定性的一个可能的反应是依靠机器学习和大数据技术来提供预测并加强政策分析。顾名思义，此类技术依赖于大型复杂的数据集来提取和操作那些原本不透明的资料中的相关性和规律性。它们在广告、预测、发展交易策略等领域都具有广泛的应用价值。事实上，正如经济史学家Joel Mokyr所挑衅道: “只要我们有相关性，谁还需要因果关系？”
大数据，无论如何有趣，都不是灵丹妙药。这种方法依赖于对可能与未来事件几乎没有关系的过去数据的通常的多维相关（可能过度拟合）。此外，通过拖曳大量数据集的算法发现的关系可能会识别误报（换句话说，在本质上不存在的关系，并且没有现实世界的合理性）的关系。但从根本上说，社会科学中的许多问题需要预测的结合，也包含因果推理。例如，我们需要知道，如果中央银行将利率降至零以下或从事资产购买，会刺激总需求吗？中央银行在历史上几乎都没有实施过这些政策，所以没有（或非常有限的）历史相关性可循。
全文共5100字，敬请订阅后阅读。