如何看待數據和模型（模型為大，數據次之）
模型是對現實世界的抽象，抓住主要矛盾/反饋環/邏輯，來解釋和預測現實世界的運行，相當于對真相的抽絲剝繭，降維處理。
數據可以評價模型對現實世界的擬合功效，是現實世界投射到一個維度的客觀反饋。
如果模型和數據可以復制或刻畫現實世界的話，那現實世界一定是從一個高維的復雜系統投射到數據和模型中的。可以想象，至少疊加時間之后，一個四維（長、寬、高、時間）的客觀事物就出現了，一個側面的照片可以給我們部分反映客觀世界。
數據和模型是否足夠刻畫現實世界？當然不能，主要的差異在人心。現實世界由客觀和主觀部分構成，經濟中的參與者也會通過本身的買賣行為對可換世界產生影響，從而影響時間軸的走向。從這個方面講，這個四維世界中的時間維度，可以說是主觀部分的影響占主要因素。牛頓曾說過，他能夠測算天體運行的軌跡，卻不能計算人心瘋狂的程度。
數據是模型的影子，模型是數據的容器。雜亂地拿出幾條時間序列去分析相關性、趨勢是很難產生統一、自恰的認識的，反而經常在第一級推論上互相矛盾，給人一種不知所措的迷茫，這時，需要把數據放進一個模型或者邏輯鏈條中去理解，在邏輯中加入預期的因素，有時候往往發現問題變得容易理解。
因此，尊重數據和模型，但不迷信，不直接把數據和模型作為交易的依據，通過數據和模型構建的策略有足夠的容錯空間，虧錢了也不要全把責任賴在數據上，是一種理性的態度。
數據存在的問題
數據是對現實世界一個側面的刻畫，用量化的手段記錄真實世界（reality）的運行情況，但在宏觀數據上，通常具備以下弱點：一是時效性不強，很難依據數據有效轉換投資策略，往往被價格是市場走勢領先；二是存在統計誤差；三是統計口徑差異導致比較困難；四是數據頻率不夠高。每一項弱點都會影響數據質量，進而影響數據分析的結果。
因此，在使用數據分析的時候，首要就是看數據的出處、定義、范圍、統計頻率、單位等細節，避免出現使用謬誤。
數據處理的方法
常見的數據處理方法有：單位化（CPI）、同比、環比、取log（分析價格走勢）、移動平均、極值、波動率、相關性、情境分析、敏感度分析等，針對不同的數據類型，使用合理的方法進行處理。（例子）
數據分析的目標（宏觀多為時間序列數據）
一是數據之間的歷史分位水平、走勢情況（單時間序列數據）、相關性、因果關系（格蘭杰因果關系）、領先滯后關系等都是需要觀察檢驗的地方。
二是分析數據可以證明or證偽相應的關于經濟走勢、市場走勢的原因，并針對目前情況對未來進行合理的線性外延推測。
三是通過對一到兩個季度宏觀環境的預測，找出在相應參數下最優的資產配置策略，挖掘不同大類資產的相關性，找出風險收益比最佳的交易。
