經濟預測革命：從線性思維到複雜系統

經濟預測革命：從線性思維到複雜系統¶

傳統與複雜經濟學的範式轉移¶

最近讀完一本書，探討人類在預測這件事上的侷限性。書中一開頭便指出，傳統經濟學主要依賴線性模型，試圖透過人類經驗總結規律。然而，在當今複雜的世界中，這種方法的預測效果往往不佳。作者隨之提出了「複雜經濟學」（Complexity Economics），其核心概念與機器學習相似：透過大數據讓電腦自動辨識模式，以追求更高的預測準確度。

混沌理論與初始條件的敏感性¶

作者在第一章強調，即使我們能提升運算能力，經濟預測仍面臨本質上的挑戰。這就像旋轉輪盤猜數字，即便物理過程是可知的，但根據混沌理論（Chaos Theory），只要初始參數有極微小的差異，後續表現就會產生巨大分歧。第二章則進一步延伸，說明經濟體系本身就是一個複雜系統，對初始條件具有高度敏感性，這使得精確預測變得極度困難。

貝佛里奇曲線與人類預測的可信度¶

儘管系統充滿變數，作者仍引用了貝佛里奇曲線（Beveridge Curve）作為分析工具。這是一條描述「缺工率」與「失業率」相對變化的曲線。

• 理想狀態： 兩者呈反向變動，不隨大環境劇烈波動。
• 現實狀況： 數據顯示，一旦進入經濟蕭條期，在相同的缺工率下，失業率往往會偏高。 這說明了雖然預測困難，但透過正確的模型，人類仍能找出具有一定可信度的統計規律。作者隨後舉出房市泡沫時期的案例，說明他如何透過極大維度（High-dimensional）的模型協助英國政府進行模擬，並落實在實際政策中。

機器學習與 AI 代理人的引入¶

傳統經濟學傾向「先假設、後驗證」，但不同立場的人往往能針對同一現象提出截然不同的解釋。面對充滿不確定性的世界，若想用「暴力法」算出最佳解，會耗費過多時間與資源。相比之下，機器學習能更快速地在多變量環境中找到相對優解。本章探討了傳統與複雜經濟學的差異，並引入了 AI 代理人（AI Agents） 的概念。

市場的真實面貌：無效率與槓桿循環¶

效率市場假說的自相矛盾¶

經濟學常假設市場具備套利空間時，套利者會迅速湧入並弭平價差，使市場回復效率。但作者認為這存在自相矛盾：如果市場永遠有效率，就沒有人有動力去發掘訊息。事實上，市場往往是無效率的，原因包括：

• 訊息消化時間： 規則改變後的適應過程需要時間。
• 規模效應： 市場越大，回歸效率的過程可能越漫長。
  作者提到，雖然隨機漫步理論（Random Walk Theory）將股價比喻為遠離酒館的醉漢，但市場往往過度解讀漲跌。研究顯示，每日股價波動可能僅有三分之一在反應真實市場狀態。此外，量化交易公司之間存在連鎖效應：當大家使用相似模型時，一人平倉引發的餘波會衝擊所有人，導致集體性的連鎖反應。

巴塞爾槓桿循環模型¶

透過模型可以觀察到週期性的震盪：

• 擴張期： 市場穩定時，銀行加強槓桿以追求利潤。
• 崩潰期： 風險累積到臨界點後，一旦股價下跌觸發保證金追繳，被迫平倉會進一步壓低股價，引發「去槓桿化」螺旋。
• 平穩期： 股價跌至低位，價值投資者進場托底，市場趨於平穩，開啟新循環。

結語：長期利益與短期代價¶

作者最後探討天氣與氣候模型達成的成就。雖然精準預測需要龐大的數據收集與設備投入（這需要犧牲短期資金），但若各界模型能互相協作，長期而言將能提升世界運行的效率。這最終取決於我們是否願意為了長遠的利益，承擔當下的發展成本。