1. 课程介绍

一些观察到的事实：

• 要进入经济、金融行业，一般需要研究生学位，同时需要很长时间的实习
• 但业界的经济分析似乎并未用学界的高深数学，两者常常是不同的体系，之间存在鸿沟（否则也许也不用Ray Dalio来重塑“原则”了）
• 即便在学术界，对于数学工具的运用，也有争议
• 经济学有很多流派
• 但当今绝大部分的本科、硕士、甚至博士毕业论文都是回归分析，极少见到学生在论文中系统运用学了两三年的微观、宏观经济学理论
• 有相当一部分人重理轻文，轻视、鄙视社会科学（包括经济学、金融学）
• 经济金融分析开始用机器学习、深度学习模型（事实上，从诞生起，经济金融领域一直不断引入各类数理类模型工具）

上述事实可能会让人产生一些困惑：

• 为什么需要学习这么长时间，但很多费力学会的模型、数理工具，在工作中用不上？
• 业界和学界之间的鸿沟，是否是需要长时间实习的主要原因？
• “流派”意味着有很多人认可，但为什么有这么多流派？对同一个问题，各个流派的观点常有很大不同，但诺奖可以同时颁给观点严重相左的不同流派，为什么？
• 为什么毕业论文几乎都是回归分析？花那么多时间学的微观、宏观经济学有什么用？
• 那些轻视、鄙视有没有道理？该怎么看待这个学科？
• 该怎样面对人工智能时代的冲击？时间应该投入到哪里？这些工具给学科带来了什么新东西？

我认为上述问题没有完美的答案，但这门课尝试回答上述问题。用什么方法来回答这些问题？我的方法很笨：我尝试全面梳理、理解经济分析的各类方法，对其作出评估，考虑它们的异同，再落地到具体的问题上，考虑什么样的分析方法合适。

这种做法看起来很荒谬，因为在自然科学领域这样的笨功夫是完全不需要的：评价物理学模型正确与否的标准，就是实验数据是否吻合模型的预测。没有人全面学习了从古至今的各类物理分析方法（比如研究亚里士多德的物理、托勒密的物理、牛顿的物理到底有什么不同）才开始研究物理。现代人就从牛顿开始，把教科书上标准的物理模型和实验过几遍。学术界继续发展这些模型；业界的工程师用的物理模型和学术圈的物理模型是同一个东西同一套体系。修桥的工程师没有自己的一套不同于学术模型的“修桥物理学”。

当然，在经济学界，学生们也不会从亚当斯密开始，大部分当代经济学教科书的起点是（主观）效用，然后是边际分析。然而，上述的困惑深深环绕着我和一些我接触过的优秀的学生。

因此，在全面评估经济分析方法前，必须要说明这样做的理由。这涉及到认识论、方法论的问题。这是第一部份内容。

在结束这个讨论之后，我将按照以下框架讨论各类经济分析方法：

1. 不用数学的经济分析方法
2. 利用数学的经济分析方法
3. 实证的经济分析方法

这种划分主要按照经济分析方法本身发展的历史脉络，也同时考虑了经济问题方法论本身的差异。我希望，通过这样全面的回顾，我们能给上述问题提供一些深入思考后的回答。