更重要的是，对于商业研究来说，一个框架的第一性是预测而非解释，杠杆与债务周期的解释虽然很贴近日常生活的直觉，但是预测略显乏力，那么究竟是研究的深度与广度不够，还是研究方法的南辕北辙？我们希望借此报告抛砖引玉探讨。
        预测是分析师工作的源头和结束，分析师所有的预测，都是通过对信号或者信号集合的处理。在技术投资者眼中叫做看线；在经济学者眼中叫做滤波。对单一经济数据信号的数据处理，归根结底都会回到平滑、均值回归、动量效应这些直觉的特性，从这点来说，经济学的处理方式，与单纯参考K线进行炒股，并无本质区别，所以对于单一信号的处理也经常会回到线性外推与数浪的循环论证。
        杠杆周期、债务周期、金融周期是一种同义反复，并无必要将三者进行较大区分。最早的时候金融周期研究便是多条共线性较强六组数据的拟合，数据序列的几个因子共性较强，所以很多人便只研究其中最重要的主成分—债务。过去债务数据可得性差，但BIS  在2013  年后推出了分国别、分部门的非金融部门数据库，让诸多研究人士更容易做“调包侠”，后面金融周期的研究逐步转向了单纯的债务研究。所以用在债务理论的解释，也可以放在金融周期理论解释上，用在房地产现象的解释，依然也可以用在金融周期上。
        金融周期研究中隐含的炒股看线思维。最初为了区分与传统的债务周期、商业周期的区别，特意加入了多种信号来共同拟合，后面发现股票价格波动、资产价格指数等频域与总的合成信号不符，对金融周期的研究又追本溯源回到了“债务-地产”这一最强的主成分中。出于先验的10~20  年的时间窗口设定BP  滤波参数，对滤波后的数据进行数浪，看我们离下一个波峰或者波谷还有多少年的距离，其实是有点循环论证的意味，同时HP  滤波又具有非常明显的时间隧道效应，也就是只有回溯的统计意义，无预测意义，可能还不如炒股中的根据N  日均线数浪。
        粗颗粒度下的玄学问题：拆不清的债务与理不清的GDP。非金融部门债务的总体统计，并非是一个即时的统计指标，所以需要通过直接统计指标倒算，其实数据的基础来源仍然是诸多流量数据，并且就是金融数据统计中的M2、贷款等数据，判断债务走势，也就是杠杆的走势，就回到了判断社会融资规模、新增信贷规模，所以只看债务/杠杆，是无法区分好的债务与坏的债务，无法区分内生的债务衰退与外生的去杠杆效果。我们推测，GDP  在理论上看起来是一个总量数据，但是在统计实践上更接近一个规模以上数据。如果作为分母的GDP  的水分很大，那么合成误差之后的数据自然很难成为坚实的依据。
        建立分部门、分行业的增加值-债务矩阵分析。不同部门、行业的负债与贡献的增加值关系比较复杂，如果只看分子、分母这种大关系，颗粒度过于粗糙会陷入较为经典的“辛普森”悖论，比如降低了高增加值部门的债务，适得其反。以房地产行业为例，房地产行业是一个运用大量负债的行业，但是从增加值的角度上讲，大量的房地产投资并未形成最终GDP，主要原因在于越来越大的土地购置费并不计入GDP  支出法的最终统计，所以如果推动地产行业来拉动GDP，对于杠杆是一个非常差的选项。所以我们可以制作行业/部门的债务-GDP  的联立矩阵，更加关注分部门，乃至分行业的债务与GDP  的联立关系，而非总量的分子-分母的玄学策略。