电影《诺曼底72小时》剧照。

　　《诺曼底72小时》这部电影，我在《气候金融》第一堂课上就跟学生推荐过：无论如何，去看一遍。

　　当然，不是冲着战争片去看的——登陆那天的枪炮声，历史学家已经写了70年；也不是冲着职场片去看的——确实有人从里面读出不少办公室政治，比如两个部门如何互相瞧不上、参谋长身边的秘书如何一句话顶一个参谋团。我让他们看，是因为这部戏真正的主角，既不是登陆艇，也不是艾森豪威尔，而是两个吵架的气象学家。

决定历史的，是一张天气图

　　1944年6月，英吉利海峡上空的那团云，压在50万盟军将士的头顶上。登陆日原定于6月5日，可海况一天比一天糟。艾森豪威尔面前，摆着两拨气象学家给出的两套截然不同的判断。

　　一派的头面人物，是盟军首席气象顾问、苏格兰人詹姆斯·斯塔格（James Stagg）。斯塔格是北大西洋天气的专家，信的是"物理"：他不跟你翻旧账，他盯着此刻的气压场、锋面位置、风速和水温，用大气环流的方程一格一格往前推。他告诉艾森豪威尔：6月5日不行，但6月6日清晨到上午，会有一个极其短暂的天气窗口——暴风骤雨之间，大约只有十几个小时的喘息。

　　另一派，是美国空军那边派来的欧文·克拉格（Irving P. Krick）。克拉格是当时美国最出名的"天气算命先生"，他的方法说起来简单：把历史上每一次相似的天气型都翻出来，看后来几天海况是变好还是变坏，大数据一比对，这次像哪一次，八九不离十。他倾向于认为天气会迅速好转，登陆不必推迟太久。

　　电影把这场争论拍得很足：一个盯着地图上此刻的每一根等压线，一个翻着厚厚的历史天气档案；一个说"历史不会重复"，一个说"太阳底下无新事"。

　　最后艾森豪威尔听了谁的？听了斯塔格。1944年6月6日，盟军在诺曼底登陆。事后证明，那个短暂的窗口，是整个6月里唯一能用的一天——再往后推，潮汐和月相就不对了，这场横跨海峡的豪赌，很可能要再等一整年。

　　但电影没有把克拉格写成小丑。真正耐人寻味的是结尾：两派的代表最后坐到了一张桌子前——斯塔格负责算物理，克拉格负责对历史，两边的误差互相校准，才把"6月6日可以登陆"这个判断，从七成把握磨到了敢签字的那九成。

　　这其实是整部电影最想讲的道理，只是藏在枪炮声底下：预测这件事，从来就有两个流派，谁也别想独霸江湖。

两个老冤家，打了几百年

　　天气预报是人类最古老的预测问题之一，它的两派也最典型。

　　一派，我叫它模式识别派：不问天气"应该"怎样，只问天气"过去"怎样。把历史上类似的形态找出来，看它们后来怎么走，用统计规律外推未来。今天的版本，就是各路天气大模型——谷歌等公司做出来的那一批，喂进去几十年的卫星和观测数据，底层是深度神经网络，让模型自己去悟规律。

　　另一派，是基本面派：不看你以前怎样，先把大气此刻的状态摸清楚——风、压、湿、温、海洋温度，然后用流体力学和热力学的方程，一步一步往前算。这就是今天还在跑、机场和港口还在靠它发预警的数值天气模型（Numerical Weather Model，NWM）。它一点也不"聪明"：大气被切成无数个三维格子，每个格子里几百个方程，算一步前进一步，背后是湍流、辐射、陆面过程、积云对流、边界层、云微物理一整套物理参数化方案——这是几代气象学家一笔一笔写出来的。

　　打个不太恰当的比方：模式识别像一位老中医把脉——"你这种脉象我见过几千次，所以你大概是什么病"；基本面像一套CT加验血——"先不管你以前怎样，我把你身体里每一处此刻发生了什么，老老实实算一遍"。

　　有意思的是，70年过去了，斯塔格赢了那一仗，可两派并没有分出胜负。今天的业务预报系统，其实是两派联手：短期靠数值模型算物理，同时拿历史形态做订正；神经网络这十年又杀回来，在不少环节上把数值模型逼出了一身冷汗。电影里那个握手言和的结尾，不是编剧的粉饰，是真实世界的常态。

走出天气预报：股票和房价，同一对冤家

　　把镜头从英吉利海峡拉远，你会发现这两个老冤家，根本不在气象厅上班。

　　股票市场上，它们一个叫技术分析，一个叫基本面分析。技术分析师盯着K线图和成交量，找历史形态——头肩顶、双底、金叉死叉，本质就是模式识别；基本面分析师掰开公司的财报和行业格局，算这家公司到底值多少钱——典型的基本面。两拨人吵了100多年，谁也没说服谁。

　　房价预测也一样。经济学家把模型分成两派：一派叫时间序列模型，盯着过去几个月、几年的房价走势，"涨的时候大概率继续涨"，顺着趋势往外推；另一派叫基本面模型，用居民收入、按揭利率、土地供应、人口结构这些变量，去算"房子到底值多少钱"。

　　短期看，时间序列模型几乎总是赢。道理不复杂：房价是一种自相关极强的资产——今年的房价跟去年高度相关，涨势一旦形成，惯性可以维持很久。用它做三个月、半年的预测，曲线漂亮得无可挑剔。

　　可短期漂亮的模型，有一个致命的盲区：它不知道泡沫有多大，更不知道什么时候会破。它只会告诉你"明天和今天差不多"，却回答不了"后天会不会天塌下来"。

我在房利美上过的那一课

　　这一段，是我自己的经历，写下来给学生们看。

　　2004年，我在两房之一的房利美（Fannie Mae）。那是美国房地产最癫狂的前夜。公司内部对房价的预测模型，短期用的就是时间序列那一套——ARMA、VAR这些，对未来一两个季度的房价指数，拟合得好得不能再好，报告里的曲线跟实际值几乎贴在一起。

　　可你要是问一句："这轮涨势什么时候是个头？"模型就傻眼了。它不知道。它能告诉你房价下个月继续涨零点几个百分点，却算不出房价相对居民收入已经偏离历史均值多少，更算不出次级按揭那座火山什么时候喷。

　　反观基本面模型——把房价跟租金、收入、利率挂钩——短期总是笨笨的，预测误差比时间序列大，季度报告里永远是那个"拖后腿"的。可正是它，在2005、2006年就反复提示：价格已经脱离了基本面。

　　当时管理层选了谁？选了那个短期看起来更准的。理由很充分：监管要它每季度报数，投资者要它业绩漂亮，谁愿意用一个"老是偏悲观"的模型？

　　后来的事，大家都知道了。2008年。学费贵到整个美国金融体系为之颤抖。

　　危机之后，我观察了一下美国大型金融机构的房价模型，发现大家几乎不约而同地改成了同一种结构：短期用时间序列，长期收敛到基本面。这不是哪本教科书新写的理论，是真金白银买来的教训——短期趋势要尊重，长期规律更要敬畏。

大模型时代，这道题更难了

　　今天，这对冤家又被推到了一个全新的舞台上：大模型。

　　底层神经网络的复杂度，这几年是指数级上升的。十年前的机器学习论文，参数几百万就敢叫"大模型"；今天，千亿、万亿参数的模型，报出来连个水花都没有。这在传统统计学习的时代是不可想象的——参数越多，模型越容易把历史里的噪声当成规律，越容易在样本外一败涂地；稳定性、可复现性，全都成了问题。

　　于是，一个朴素却致命的问题，摆到了每一个金融从业者面前：

　　你能解释模型为什么这么预测吗？

　　你敢把客户的钱、把机构的资产负债表，交给一个你自己都读不懂的模型吗？

　　这不再是象牙塔里的认识论问题。2008年那堂课教给我们的是：短期再漂亮的模型，如果回答不了"拐点在哪里"，它就不是你的朋友，是你的顺风车——风一停，最先摔死的就是你。今天的大模型，把这个问题放大了100倍：斯塔格当年至少还能把每一步物理推演摊在艾森豪威尔面前；而一个万亿参数的神经网络，连它自己的作者都不一定说得清，它那个卖出信号，到底看懂了经济，还是只记住了历史。

课堂作业里的答案

　　所以在《金融中的机器学习和人工智能》这门课上，我把这个问题原封不动地抛给了所有学员。

　　答案藏在课程作业里。作业不考谁调的模型分更高，只考一件事：你用人工智能得出的每一个结论，能不能写清楚——它依据了什么、它的边界在哪里、在什么情况下它会错、如果它错了你凭什么发现？

　　你可以用AI，但必须知道它的短板和局限。是你在引导AI，而不是被AI引导。

　　古人说：尽信书，不如无书。

　　我把这句话改了两个字，送给每一个在大模型时代做预测、做决策的人：

　　尽信AI，不如无AI。