
以大数据预测房价是科幻小说_数据分析师
炒股有什么诀窍?说起来很简单:低买高卖。问题是,你怎么知道哪里是低买,哪里是高卖?
媒体报道,国家统计局试图利用网络搜索数据实现精确的房价预测。国家统计局是政府负责经济数据统计的部门,但是这一做法,暴露了国家统计局并不懂经济。当然,国家统计局不懂经济这一点,早就暴露了,不过这一次暴露得也太明显了一点,让人有荒唐的感觉。
假如房价可以用大数据预测,那么股价也是经济数据,也可以通过大数据预测。并且,股市数字相对房价更透明、更精确、更全面。要得到股市大数据,比得到房价大数据容易多了。假如股市可以预测,那么,股民就真的知道哪里是股市的低点,哪里是高点,然后就真的低买高卖,大发其财了。
的确,有很多人做过这方面的努力,希望通过建立模型预测股市而发财,但所有人都失败了。
假如人们知道10天后是股市的高点,人们会怎么做?大家都会买入,结果就会在现在就把股价抬上去,高点今天就会到来。
股市的这种现象,经济学中称为市场有效理论,意思是说,市场上所有的人都在预测,所有信息现时就会反映在股价上。10天后的利好或者不利好,今天就会包含在股价中。西方有种说法,说猴子扔飞镖选股,业绩也不会比基金经理差,这是因为,基金经理面对的,也是市场消化了的股价。当然有些基金经理的业绩更好,但那其实更有可能是运气。
病毒的传播可以建立模型预测,那是因为病毒的轨迹是确定的。但人的行为是不断变动的。当人们知道明天的信息,他们在今天就会改变行为的轨迹。所以,经济数据不可能精确预测。
经济学确实可以给出一些趋势判断。比如,如果政府加大印钞,经济学可以判断这是促进房价上涨的因素,但具体涨多少、什么时候涨、还有没有其他抑制上涨的因素同时发生,这些都是无法预测的。
经济学家张五常喜欢引用一句话:早知三日事,富贵万万年。任何企业家,都是在冒风险,比运气,看谁恰好符合了消费者的需求。符合消费者需求的就发财,否则就被淘汰。没有任何人可以确知某个经济事件。
但是统计局却宣称自己可以早知三日事。试想一下,统计局的官员并没有比企业家聪明假如他们比企业家聪明,他们早就下海发财去了他们能想到的事,企业家会想不到?如果真的有准确预测房价的办法,那肯定早就被企业家发现了,并且早就被用来发财了。但悖论也就来了:如果大家都知道房价的精确涨跌,那么,他们就会采取行动买卖,这个信息就会反映在今天的房价中了。这个悖论企业家无法解决,统计局更无法解决。
也许为了掩盖这一悖论,统计局宣称,他们将把精确的预测数字只在内部使用。他们看来也明白,如果公开,就会引起人们行动的变化。但是这个说法只是自欺欺人。一是上面说过的,如果真的存在那种人们梦寐以求预测办法,无数企业家早就发现了;二是,市场上无数人的行为,哪怕是基于模糊感觉的行为,也早就消化了一切未来预测。
的确,有很多人都表现出预测房价的准确性,比如任志强,但是大家都明白,那也只是任志强基于专业经验的一种感觉。任志强任何时候都有可能预测失败。
常有人说,某某接近中央领导,所以他事先知道政策会怎么样、经济会怎么样。其实,那是不可能的。不要说接近中央领导的人,就是李克强总理自己,他也不知道自己下一步会怎么行动。去年年底的时候,他不会知道自己将在3、4月份搞微刺激;3、4月份搞微刺激的时候,他不知道7、8月份经济数据会下滑多少。所有这些事情都是不确定的。政府应该做的是,让市场去处理不确定的事,让企业家去预测消费者的需求。政府一旦加入行动,就会增加市场不确定,让企业家、消费者无所适从。
统计局不会比任志强做得更好,它能做的,无非是浪费纳税人的钱,然后装出内部掌握了未来房价走势的权威架势,以证明自己没有浪费纳税人的钱。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10