场景一：呀，美元跌啦，黄金估计得上涨。一看黄金，果然。
场景二：美元又跌啦，这下黄金得上天。一看，咦，黄金为咩没涨呢？没涨就算了，还跟着美元一起跌？？
我想这种情况大家应该经常遇到。这就是我想说的相关性。
要知道的是，相关性不并是因果关系，两个有相关性的数据之间不见得有必然的逻辑联系，完全相关的数据和品种价格往往是同源的。
也就是说，如果两个品种的价格走势很相似，并不一定是A影响了B，或者B影响了A。它们可能有一个共同的母体C，是C共同影响了A和B。
所以不能通过A和B在数据上的相关性得到A是B的果，或者B是A的因这种结论。
不同品种的变量不同，不同数据反映的事实不同，没有相关性的数据之间也可能有非常紧密的逻辑关系。为什么？每一个经济数据，或者每一个品种价格的数据，都有自己的原理和变量。每一个数据的变量、原理不同，反映的事实也就不同。
也就是说，需要去了解一个数据、一条曲线或者一个品种的基本面原理，再进一步在微观上得到它的变量，通过研究它的变量理解它代表的事实是什么，也就是理解为什么这个数据上升了、走平了、下滑了。
当能够从原理、变量、事实的角度理解一个数据的时候，就基本理解到位了。因此对于数据或者品种的理解不能停留在相关性上，这在研究以及后面的推理、推论时非常容易产生一些错误。
比如资产A和资产B的价格在过去很多年、很多个周期都很相似，但是突然资产B的价格走平了，我们能不能得出A要回归B或者B要追上A的结论？
明确的告诉大家，不能。因为当我们不能理解A的原理、变量，以及它为什么向上，不能理解B的原理、变量，以及它为什么走平的时候，我们就不能得出这样的结论。
因此才要了解一个品种或者一个数据的原理、变量和事实，这样才能比较不同数据之间的关系，才能去推理会不会产生回归或者追上的关系。
研究这些的根本目的在于理解数据所反映的事实，理解资本的路径，理解实体经济参与者和金融市场参与者行为的持续反馈，挖掘数据背后的逻辑联系。通过数据理解数据和品种的原理、变量和事实，然后再去找到它们在逻辑上的联系。
也就是说它们的原理、变量之中，如果有相似的东西或者相同的部分，这是产生相关性的原因，而不是从表面上看数据很相似，就认为它们完全正相关或者负相关，不能停留在这个层面上。
简单列举几种数据，或者说品种、原理或者变量之间的关系。
第一种是路径传导关系，在研究这种关系时会把它的时间轴向左或者向右移动一定的周期，这样能够看清楚数据是如何传导的，因为传导是有时间的延后的。比如在时间 1上出现了A，然后在时间2上产生了B，B是A的结果，这就是一个路径传导关系。
第二种是大家比较常见的逻辑因果关系。
第三个是条件临界关系，也就是A和B是C的必要条件，A和B同时出现就会引发C，这就是条件临界关系。
第四种是相互反馈关系，假设美国的就业数据下滑，政府部门往往会加大财政补贴力度，相应的就会使财政赤字扩大，就业数据与政府行为、财政赤字之间就是互相反馈的关系。
看下图，我们研究的目的是挖掘数据背后的逻辑联系。不能看到两条曲线或者两个经济数据前面很像，但后面不一样，就说这个要往下跌，或者说这个会往上涨，不能这样得出结论。
还是要分别理解每一个曲线、经济数据或者品种价格的原理和变量，之后才能够了解它所代表的这种经济内涵，才能对它们分别进行推论，最后才能够得出它是否要回归的结论。
很多时候它不见得是要回归的，有可能会继续向上，还有可能走平或者下滑。
20241107144053_fzfzrbn1na2699.png
研究的目的是挖掘数据背后的逻辑联系，包括要去理解数据所反映的事实，理解资本的流动路径，理解实体经济参与者的行为，理解金融市场参与者的行为。
这样才可以找到或者发现不同数据间所反映的经济或者金融市场之中的逻辑联系，包括前面说的路径传导关系、逻辑因果关系、条件临界关系，还有相互反馈关系。
当把很多的经济数据、资产价格以及各个部门的行为，不断在微观上进一步理解的时候，我们对于价格的未来推理的确定性就提高了。 | 
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡
