解读宏观数据，俗称“报数”或者“解签”，看起来是重复和无聊的体力活动，但细究起来并不简单。如何在尽量短的篇幅内呈现更多信息？可以先从如下四个角度对经济数据进行观察，即名义 vs. 实际（价 vs. 量）、趋势 vs. 水平（动量 vs. 价值）、总量 vs. 结构（时间序列 vs. 横截面）、相关性 vs. 因果性。

名义 vs. 实际

经济数据有“量”和“价”两个方面，这是首先要做的区分。

之所以区分名义值和实际值，是因为两者对经济体的影响机制不同，相对重要性也就因时而异。一般而言，跟踪经济活动时更加看重“量”的变动（实际GDP增速、实际出口等），但有些情况下“价”的变动也很重要。价的变动有“收入效应”’（例如贸易条件冲击）、“分配效应”（PPI上涨修复企业资产负债表）和激励扭曲效应（高房价对资源配置的扭曲）等等。特别是对于价格接受者而言，价格是颇为重要的外部环境，例如研究新兴市场国家的时候往往先看资金价格（美元、利率）和商品价格。

量和价也是理解政策的出发点。2015年末提出的供给侧改革是扩大供给（量增）还是缩小供给（量减）？去库存政策要求房价上升还是要求房价下降（房子是资本品，不是消费品）？这些是理解政策的第一步，有时也是比较重要的一步。

量和价对各类资产价格的含义不同。“量价齐升”是需求扩张，“量缩价涨”则是供给收缩，不同冲击类型对资本市场有不同影响。美林提出的投资时钟理论就是根据经济增长的名义值和实际值的四种组合来寻找最佳投资标的。

趋势 vs. 水平

报数时，不仅要提到该数据在最近一年的变动趋势，更要关注当前数据相对过去十年而言处于怎样的水平上。

凡事都有“延续趋势”和“均值回归”两种力量。近期的趋势可以推断短期的前景，而历史相对位置则帮助判断中长期的变化空间。对应到投资当中，就是“动量投资”和“价值投资”两个策略。

区分趋势和水平，有助于避免对不同阶数变量的混淆。如果把水平看做0阶变量，趋势就是其1阶变动，最好不要用1阶（快变量）来解释0阶（慢变量）。例如，不要用VIX等短期冲击来解释债券收益率水平的长期变动；反之，不要用老龄化（慢变量）来解释经济波动（快变量）。

总量 vs. 结构

宏观数据既有Headline也有分项，其中分项指标揭示了更多的细节。但是细节真的重要吗？

汇报对你的论点有支持作用的细节。分项数据的噪音很大，如果是无目的地呈现细节，会让读者愈发迷失。细节一般有三个作用：增进预测精准度、增强逻辑解释力和剔除暂时性因素。如果你觉得分项数据并不能达到上述三个作用中的任何一个，不如不报。

在经济研究中，横截面数据可以明显增强逻辑的说服力。总量数据对应的是时间序列(time series)，而结构性数据则对应横截面（cross sectional）。当先后顺序（timing）尚不足以建立因果关系时，进一步深挖分项数据可能是有价值的。在学术上，panel（或者双重差分）的逻辑解释力一般强于time series。类似的市场研究案例也有很多，高善文对农村蔬菜价格和城市蔬菜价格不同走势的分析是一个有趣例子。

此外，如果你看到所有分项数据同时暴涨暴跌，这可能是节日效应等暂时因素，要想办法剔除这些暂时性效应以后再进行解读。

相关性 vs. 因果性

分析员喜欢把两个经济指标画在一张图里，但是两条线走势一致≠两者存在经济联系。常见的错误是，如果A和B同时由C决定，A和B的相关关系≠因果关系。此外还有许多陷阱：

两个指标在统计构建上本身就有相关性。两年前，我曾“惊喜”发现油价和美元的强烈负相关关系......但原油本来就是用美元定价，两者天然负相关。

非平稳序列要做一阶差分，否则所谓因果关系只是伪回归。事实上，很多研究结论经不起“一阶差分”的“折腾”。

样本最好跨越多个经济周期。在多个周期都显著的因果关系更有意义，作用系数在跨周期时比较稳定则价值更大。保持周期之间的一致性是一个门槛，而且这个门槛并不低。

最后，一个简单规律是，如果你的模型解释力非常强，提高警惕，it is just too good to be true.