9月2日，下午1:45，哈佛大学经济系计算机实验室。
午后的阳光透过百叶窗，在摆放着三十多台戴尔显示器的实验室里切割出明暗交错的光带。
许鸿毅提前来到这间充满现代感的教室，空气中弥漫着电脑散热器的微弱嗡鸣和若有若无的咖啡因气息。
与上午《资产定价》课上那些优雅的数学公式不同，这里充斥着键盘敲击声和服务器运转的机械感，预示着这将是一场完全不同的硬仗——如果说上午是在金融理论的殿堂里仰望星空，下午就是要在数据的矿坑中脚踏实地。
他在一台安装了SAS和Stata软件的电脑前坐下，注意到屏幕上已经打开了一个名为“CRSP_Stock_Returns.dta“的数据文件。
正当他尝试用describe命令浏览这个陌生数据库的结构时，一个穿着格子衬衫、牛仔裤，留着络腮胡的年轻教授快步走进教室，直接切入了正题。
“下午好，未来的金融侦探们。“雅各布·罗森伯格教授的声音带着计算机科学家特有的简洁，“我是罗森伯格。在接下来的两个小时里，我们要做一件很简单的事——用数据证明有效市场假说是不是个谎言。“这个开场白就像一段简洁的代码，没有冗余的修饰，直接指向核心问题。
下午2:00，从理论到数据的鸿沟
罗森伯格教授的开场白让所有人都愣住了。
他没有像其他教授那样先讲解理论框架，而是直接在大屏幕上投影出一段Stata代码：
stata
regress stock_returns market_returns， robust
“这是最简单的市场模型回归。“教授敲击键盘执行代码，屏幕上立即出现了一连串数字，“谁能告诉我，这个模型的R平方值0.28意味着什么？“
一个数学背景很强的印度学生迅速回答：“说明市场收益率只能解释个股收益率变动的28%。“
“正确！“教授突然提高音量，“那么剩下的72%是什么？是噪声？还是市场无效的证据？更重要的是，“
他停顿了一下，目光扫过全场，“这个模型本身是否可能存在设定误差？比如遗漏了重要变量？“
许鸿毅敏锐地意识到，这个问题直击金融经济学的核心争议。
他想起昨天《资产定价》课上学到的CAPM模型，突然发现理论模型与实证检验之间存在着巨大的鸿沟。
一个完美的理论模型，在真实数据面前可能显得如此苍白无力——就像一位精心打扮的绅士，在泥泞的工地里显得格格不入。
下午2:30，数据挖掘的陷阱
当同学们开始尝试复制教授的代码时，罗森伯格提出了一个更深刻的问题：“假设我们现在要检验一月效应——也就是一月份股票收益率是否显著高于其他月份。你们会怎么做？“
一个女生自信地回答：“我们可以用虚拟变量回归模型...“
“停！“教授打断她，“如果我们测试了365个不同的日历效应，按照5%的显著性水平，纯粹由于随机性，我们就能找到约18个'显著'的结果。这就是数据挖掘陷阱！“
他随即演示了如何用随机生成的数据“发现“了显著的“周四效应“，引得全班哗然。
这就像是在数据的海洋里漫无目的地撒网，总能捞到几条“显著“的小鱼，但这些鱼可能只是随机游走的幻觉。
许鸿毅在大学时学过基础计量，但从未如此直观地理解过统计显著性与经济显著性之间的区别。
他意识到，金融计量不仅仅是跑回归，更重要的是理解统计推断背后的逻辑。
这让他联想到自己正在进行的天然气期货交易——如果仅仅依据历史数据中的“显著模式“进行交易，而忽视其经济逻辑，很可能落入同样的陷阱。
下午3:00，STATA实战：从安装包到结果解读
接下来的一个小时完全变成了实战演练。
在罗森伯格教授的指导下，学生们需要完成一个完整的实证研究流程：
1.数据导入与清理：教授演示如何用insheet命令将CRSP数据库的原始CSV文件转换成Stata格式，并强调处理缺失值和异常值的重要性。
他特别警告道：“一个错误的缺失值处理方式，可能让整个研究结论颠倒。“这就像是在做菜前清洗食材，看似简单，却直接影响最终成品的质量。
2.变量生成：学习使用gen命令计算对数收益率、市盈率等关键指标。
许鸿毅注意到，简单的取对数操作就能使收益率序列更接近正态分布，这让他对数据变换的力量有了直观认识——就像是用滤镜让照片更符合审美标准。
3.描述性统计：用summarize命令快速了解数据分布特征。
当看到某些股票的收益率存在极端异常值时，教授立即讲解了Winsorize（缩尾处理）的必要性。
这就像是处理团队中的极端分子，要么进行适当调整，要么考虑剔除，以免影响整体判断。
4.回归分析：运行Fama-French三因子模型，检验其解释力是否显著优于CAPM。
许鸿毅专注地跟着操作，但当他要解释回归结果时，突然发现一个矛盾现象：“教授，为什么这个模型的截距项显著不为零？这不是违背了资产定价理论吗？“
罗森伯格赞许地点头：“很好的发现！这就是理论与现实的差距。在学术界，我们称之为'异象'——这些异象可能是新理论的起点，也可能只是数据挖掘的产物。你的任务就是学会区分这两种可能。“
下午3:45，金融研究的可复制性危机。
课程接近尾声时，教授展示了一个震撼性的案例：“2003年，JFE期刊上一篇关于股利政策的论文被发现结果无法复制，因为作者'选择性'地删除了一些异常值。“他调出原始数据和复制研究的对比图，差异一目了然。
“在金融计量领域，可复制性是科学的生命线。“教授严肃地说，“从今天起，你们每个人的作业都必须提交完整的数据和代码，任何无法复制的结论都将得零分。
记住，如果你的结果无法被独立验证，那它就不是科学，只是故事。“这番话就像是一记警钟，提醒着在场的每一位未来研究者：科学不是自说自话，而是经得起检验的真理探索。
许鸿毅深刻体会到，这门课不仅要教会他们使用统计软件，更重要的是培养严谨的科研态度。
他想起了《官道》创作中对史实考据的坚持——两种看似不同的领域，在追求真实性的原则上竟然如此相通。
下午4:15，课后延伸：从课堂到研究
下课后，许鸿毅主动留下来向教授请教：“罗森伯格教授，如果我想研究华夏A股市场的动量效应，应该从哪里获取可靠的数据？“
教授眼睛一亮：“很好的选题！沃顿商学院的WRDS平台有部分华夏数据，但更完整的可能需要通过锐思数据库。如果你需要帮助，可以参加我们计量经济学工作坊。“
他随即在许鸿毅的笔记本上写下了几个关键数据库的访问代码。
离开经济系大楼时，夕阳正好。
许鸿毅带着装满数据和代码的U盘，感觉仿佛获得了一把打开金融世界大门的钥匙。他意识到，这门课可能是所有课程中最实用的——其他课程教他理解金融理论，而这门课教他如何验证这些理论的真伪。
当晚：从金融市场到文学创作的计量思维
当晚在宿舍，许鸿毅不仅预习了明天的课程，还尝试用刚学到的技能分析《官道》读者数据。
他建立了一个简单的回归模型，发现章节更新频率与读者投票数之间存在显著正相关，但超过某个阈值后效应会递减。
这个发现让他第一次直观感受到计量工具的力量——它不仅能够解释金融市场，也能优化他的创作策略。
更深远的是，他开始用计量思维的框架来审视自己的投资决策。
天然气期货的交易不再仅仅是依靠“记忆“，而是可以尝试用量化方法分析其价格与库存、天气等因素的关系，为自己的决策增加一层实证保护垫。