剑客
关注科技互联网

师父领进门:帮你拆掉经济学的高墙

政见 CNPolitics | 拆掉知识的高墙
是知乎社科领域的一个高人气专栏。他们翻译、改写学术论文,向中文读者介绍政治科学的知识。他们的口号——拆掉知识的高墙——是互联网普及后开始流行的一种价值观。人们开始把自己的知识整理成讲义和示例并免费分享。这个风气最早应该是 CS 的人带起来的。早在我们还需要敲碗等机械工业出版社出经济学类的影印版教材的时候,做软件开发的人已经可以在网上搜到大量代码了。现在,免费分享知识的风气在经济学圈子里也足够兴盛。利用好免费资源,或许能让你更容易跨越本科学校教学资源的限制。

这篇专栏的目标读者是经济类、金融类、商科、统计类的本科生。其他感兴趣的读者请根据自己和目标读者的差别判断哪些内容有用,哪些内容没用。

大锤 80,小锤 40

首先,我需要明确一件事:汉语母语者学习经济学,有两种解决方案。一种是纯中文方案,一种是中文 + 英文方案。这两种方案在时间成本的分配上有区别。纯中文方案不需要你把英语学到足以无障碍地看英文讲义的程度(可以换算成托福 90 分或雅思 6.5 分),但中文 + 英文方案需要。一个高考英语在 100~110/150 的人,学到无障碍地看英文讲义的程度需要半年到一年,每天三小时以上专心学习英语。这个时间投入相当于 2 到 5 门本科专业课学懂,考试能拿 A 所需要的投入。

如果你没法在两个方案之间做出权衡取舍,那么有这么一条原则供你参考:

如果你对于进入研究生院没有兴趣,也不希望去一线城市大机构工作,那么你可能会偏爱中文方案。因为花那么多时间学英语,对你来说价值并没有学好专业课大。但是如果你希望进入研究生院,或者希望本科毕业后去一线城市大机构工作,那么把英语学到托福 90/ 雅思 6.5 的水平对你的价值会很大。

原因是,如果你要进入研究生院,那么你基本上会有三种选择:

  1. 读硕士,毕业后工作
  2. 读硕士,毕业后读博士
  3. 直接读博士

对于 1,你几乎必然会在硕士毕业前考出 CFA 一级或者 FRM 一级,除非你能考过一半以上的注会科目。前两个证的讲义都是英文的,考试也用英文出题。所以你基本绕不开学英语。对于 2、3,不管你考不考证,读博士期间必定要读英文文献。如果读不了,很可能毕业都困难。

而你本科毕业就要去一线城市大机构工作,CFA(一级起跳)几乎是标配。而且备考 CFA 的过程中会学到和巩固不少笔试面试用得上的知识。往回推一步,你还是得学英语。

方案是什么

好,方案的选择说完了。下面来说说两个方案分别是什么。

中文方案我不熟,只知道考研可能是中文方案的顶点了。对于选择中文方案的人,我只能建议找考研经验和考研学习方案,然后根据自己的情况做减法。

中文 + 英文方案是我自己用的。我的建议是,根据你自己的需求,和你毕业要遵照的培养方案,设计你自己的学习方案。所以接下来我会告诉你怎么设计。

设计自己的学习方案,需要问自己两个问题:

  1. 学什么
  2. 用什么学

对于第一个问题,首先要参考自己的培养方案。大学的培养方案一般是分模块的。不过可惜的是,很多时候模块的名字叫什么“专业必修课”“专业选修课”。这种叫法,简单粗暴,不携带太多的有效信息。如果你的培养方案上是这么写的,那么我强烈建议你换一种方式分模块。金融专业的人,你可以直接用我分好的,见 读金融专业的本科,你可能会学些什么?
经济、商科、统计的人,我们的培养方案里重合的部分不少。重合的部分你依然可以直接用我分好的。对于不重合的部分,你可能得咨询一下本专业的老师或者研究生。我分块的原则很简单:这门课的知识属于什么性质。举个例子:对于一个金融系的学生来说,应用随机过程和利率模型在学校提供的培养方案里可能都算“专业选修课”。但是应用随机过程我归到“数学进阶与应用”里,利率模型我归到“资产定价”里。

当然,仅仅完成培养方案,不一定满足的了你的胃口。根据自己的发展目标,学一些自己培养方案以外的课程也不错。如果你想学培养方案以外的金融课程,你可以看我前面那篇专栏。如果你想学非金融的课,建议你找一个相关专业的,本科也是同专业的研究生咨询。转专业的人和本科生很可能自己也没学完一遍,所以不一定能给你特别明确的建议。

除了课程以外,我们还需要学一些技能。市面上可以选择的技能很多,本科阶段学不过来,需要做减法。对于我的目标读者来说,我的建议是,围绕一个词来学技能。这个词是 数据

对于数据,我们可以做五件事:

  1. 获取
  2. 处理
  3. 分析
  4. 解释
  5. 展示

那么好,我们知道,分析和解释是培养方案里那些课要教的。但是获取、处理、展示,要么在各种助教课里教,要么直接不教让你自己学。所以你要学技能,最好首先考虑跟获取数据、处理数据、展示数据相关的技能。

获取数据有三个来源,一是从现成的数据库里下载,二是从网上或者电子化的文本里抓取,三是自己编写和发放调查问卷。

用数据库是最简单的了。每个学校都买了一些数据库,弄清楚你的学校买了哪些,这些数据库里大概都有些啥,要下载的时候现学都来得及。

从网上或者电子化的文本里抓数据,需要用爬虫。爬虫可以自己写,也可以买别人写好的,还可以从 github 等地下载别人写好的代码来改。具体用哪种,看你个人的需求。

发放调查问卷一般属于体力活,智力活主要是设计问卷。当然,如果你不是发问卷叫别人填写,而是采取访谈的形式,那么设计访谈方案和执行也属于智力活。

处理数据包含的内容很多。包括频率不同的数据如何填充,筛查和剔除异常值等等。具体如何处理数据,跟你的用途密切相关。记住一个关键词:data cleansing。用这个搭配你的用途,可以搜到相应的材料。

展示数据有两方面,一个是展示原始数据的统计特征和动态,一个是展示你分析出来的关联性或者因果关系。记住一个关键词:data visualization。

你需要知道,这些事情,大部分都有现成的软件帮你干。而且在这些事情上,“软件”和“编程语言”的分野是比较模糊的。下面我来介绍一下哪些软件或者编程语言是可以优先考虑学的。

总共六个:Stata, SAS
R
python
MATLAB
LaTeX

Stata、SAS、R 是统计软件,都能进行编程。它们可以用来处理数据和分析数据。如果你愿意用它们的数据可视化功能,也可以用。其中,Stata 最傻瓜,可以点菜单完成大量基础操作,SAS 适合处理较大的数据(GB 级),R 是三者中唯一一个正版不要钱的。

Python,MATLAB 也可以用来处理数据(比统计软件麻烦)和分析数据。二者的优势在于可以进行科学计算和建模。MATLAB 在矩阵处理上的性能优良。而 python 也有大量科学计算包可供下载,更新比 MATLAB 快。用 python 写爬虫可以帮你获取数据。另外,python 的正版也是免费的。

LaTeX 是文本编辑语言。有很多优秀的模板可以直接拿来用。学术界写论文 / 讲义和做幻灯片,经常使用 LaTeX。

除了这些东西,你也可以沿用你可能已经熟悉的 MS office 系列。如果你愿意学 C++、JAVA 等别的编程语言,当然也会有用。不过它们的用途并不限于经济学类。相应地,在经济学类中应用起来要比我前面说的软件 / 编程语言更麻烦一些。

现在我们来回顾一下“学什么”这个问题。其实就三条:培养方案里的课,培养方案外的课,对付数据的技能和相应的软件。下面我们来回答“用什么学”这个问题。

一句正确而无用的话是:用网上的资料学。有用的是这么三个问题:

  1. 有哪些资料

  2. 如何找到资料
  3. 如何选择资料

我们一个一个来解决。

有哪些资料

对于我们要学的三类东西,有这么一些资料可以在网上找到:

  • 教科书 /textbook
  • 讲义 /lecture notes/tutorial
  • 手册 /handbook
  • 论文 /paper
  • 百科 /xxxpedia

那么,它们分别是干什么的?

教科书可能是大家最熟悉的东西了。怎么在网上找它我就不明说了。给新浪微盘或者 springer link 做广告总感觉不太合适。

notes 和 tutorial 是两种不同的讲义。前者是给你讲知识点的,也就是分析和解释数据用的方法。后者是教你操作软件的,一般都会给你讲解一下命令,并且有示例代码。notes 和教科书的区别在于前者一般比较短,而且大白话的比例偏高。英美的教科书,很多都是由讲义发展而来的。一般来说,一个讲义会讲个 5~10 年才会出成教科书,甚至根本就不出。所以你如果想看一些比较新鲜的知识,尤其是研究生课程,那么找 notes 会比找教科书效率高得多。

手册是给研究者(具有博士学位从事研究工作的人或者博士生)用的。它的大部分章节是某一个研究领域的一个具体话题,由这个话题的一位或几位领军学者撰写。本科生很少会真的用到手册。研究者的常见用法是想了解哪一个话题,找能找到的最新的手册章节看。

论文分两类。一类是 research paper,一类是文献综述。前一类不适合本科生拿来学习(元培或同等级的本科生除外)。后一类适合高年级本科生阅读。文献综述一般会比手册章节写得更简略一些,内容平均来看也会更前沿一些。当然,也有大佬们本来想写个综述,赶上大大佬组织写新手册,就直接写个手册章节的情况。这种情况下,最新的手册章节本身就是最前沿的文献综述。但这得赶趟。

百科比较适合用来查定义,比从 notes/ 教材里翻要快一点。另外,百科也可以用作完全不了解的话题的切入点。查定义比较简单,直接搜索关键词就好。作为话题切入点时,除了百科本体的内容,最底下的参考文献、外部链接等也包含很多有效信息。对于这篇专栏的目标读者来说,用好三个就够了。它们分别是:

  1. wikipedia(英)
  2. investopedia
  3. Stanford Encyclopedia of Philosophy

英文维基目前还没有被墙,条目平均质量高,讲解比较细。你在上面可以查到几乎所有东西。换句话说,如果你不知道你查的东西属于什么领域。输入关键词 +wiki 能得到的结果,平均质量是最高的。

investopedia 是财务、金融类的专业百科。它的优势在于会把这些领域的概念掰开用大白话讲。比起风格更严谨的维基,更容易吸收理解。

斯坦福哲学百科是帮你避雷用的。经济学类的各种文本有时会用到一些哲学上的概念。如果你对它感兴趣,最好去看这个百科,而不是找经济学家的解释(因为他们解释不清楚)。当然,你看不懂这个百科里的条目,倒是并不影响你学习经济学。

至于某度百科和 MBA 智库百科等中文网络百科,我建议你尽量躲开。不是说没有好条目,只是比例太低,不值得你花时间去排查。在英文百科里,躲开 wikia
(和 wikipedia 不是一个东西)。这是爱好者自建百科。查查游戏资料什么的还行(wikipedia 这方面比较弱鸡),查学习的东西还是算了。

如何找到资料

特别简单,你只需要知道两个搜索引擎:谷歌和雅虎即可。

雅虎在国内没有被墙,搜索英文内容的质量和谷歌相仿,比某度某狗高一万倍。

谷歌在国内被墙了,它的学术搜索功能有镜像站。适合拿来找论文。但是反过来说,如果你人在国内,并且不需要找论文,那么雅虎就够用了。

找资料最快的办法是用“话题关键字 + 类型”格式。例如你想知道怎么用 stata 做因子分析,你可以搜“stata factor analysis tutorial”。如果你想找一个伊藤积分的讲义看,你可以搜“Ito calculus notes”。stata factor analysis 和 Ito calculus 是话题关键词,tutorial 和 notes 是类型。

如何选择资料

这得根据资料类型来。不过大体上,选择资料相当于问两个问题:

  1. 这个东西是不是给本科生用的
  2. 这个东西好不好

先回答第一个问题:

  • 对于教材,在 preface 里面或者附近一般会写。
  • 对于 notes,建议看对应的课号。美国大学里,1 和 2 开头的课号一般是本科生课程,对应的 notes 自然也是给本科生用的。至于研究生课号最小的是哪个,每个学校不一样。有些学校 3 开头的就是研究生课,有些学校 5 甚至 8 开头的才是研究生课。当然,也不是所有 1 和 2 开头的都是本科生课。比如你看到一个 notes 上的课号是什么 GSB105,那它很可能也是研究生课,因为 GSB 很可能是 graduate school of business 的缩写。
  • 对于 tutorial,一般不需要担心课号问题。反正都是教软件,在经济金融领域很少有本科生看不懂的情况。
  • 手册和论文我已经说了,大部分不是给本科生拿来学习用的。
  • 对于百科,取决于你查的是什么。不过大部分百科条目是适合本科生看的。如果看不懂,可能是因为你某门先修课还没学,不要太担心。

对于第二个问题,我们要多利用统计歧视来减少自己的试错时间。事实上,同一话题不同的英文教材之间的选择,有很多中文帖子讨论。你可以直接搜这些帖子来帮助自己选择教材。还有一个办法是找一个教这门课的老师咨询。

对于 notes,以下两条原则虽然粗糙,但足够保证你找到的 notes 的平均质量。如果一个 notes 的作者满足

  1. 供职于专业排名美国前 30/ 世界排名前 50,或者美国综排前 60/ 世界综排前 100 的大学,或者获得过诺贝尔奖 / 克拉克奖
  2. 有终身教职

那么这个 notes 很可能不差。大学排名方面,你喜欢哪个就用哪个。

对于 tutorial,其实基本没得挑。撞上啥就是啥吧。我自己搜到过美国不知名州立大学的 tutorial,拿来用也没问题。

对于百科,我已经教过你怎么挑了。记住不跑出那三个就行。

写到这里,有效信息已经说完了。总结一下做决定的流程:

  1. 花不花时间把英语学到托福 90/ 雅思 6.5
  2. 培养方案重新分块
  3. 学哪些培养方案外面的课程,学哪些技能
  4. 找资料、选资料

这些东西,在没有信息的时候,需要自己摸索。看完这篇专栏,你耗在摸索上的时间应该减少了。当然,花在学习上的时间还会是那么多。我只是告诉你怎么拆墙。拆掉墙,跨过去的工作,要靠你自己来做。

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址