一、课程导论：艺术品市场概述、量化回归分析的价值、课程目标与学习路径

各位同学好，我是这门课的主讲人。在量化分析这个行当摸爬滚打了十几年，从最初的股票期货，到后来跨界到艺术品市场，我最大的感受就是——艺术品的价格，其实没那么玄乎。

很多人觉得艺术品定价全凭感觉，看眼缘。说实话，我刚入行时也这么想。直到有一次，我帮一个藏家朋友分析他手里的当代油画组合，用回归模型跑完数据，发现有三幅画的估值居然比市场价低了40%。嗯，那之后我就明白了，艺术品市场虽然感性，但背后藏着理性的规律。

1.1 艺术品市场：一个被低估的数据金矿

先聊聊这个市场。全球艺术品市场年交易额大概在600-700亿美元，听起来不大？但它的特殊性在于：极度非标、信息不对称、流动性差。

你想想看，一瓶茅台、一块劳力士，都有明确的型号和行情价。但一幅画呢？同样的画家，同样的尺寸，同样的创作年份，拍卖价格可能差出三倍。为什么会这样？

我个人习惯把艺术品市场拆成三个维度来看：

• 供给侧：艺术家的知名度、创作周期、作品存世量
• 需求侧：藏家偏好、宏观经济、财富效应
• 交易机制：拍卖行的策略、预展效果、竞价氛围

这三个维度，每一个都能用数据量化。我在项目中遇到过最典型的案例：某位当代艺术家的作品，在2018-2020年间价格暴涨了300%。很多人说是炒作，但我们的回归模型显示，真正驱动价格的是他个展数量的爆发式增长——三年内在全球办了12场个展，曝光度直接拉满。

1.2 量化回归分析：给艺术品价格装上"仪表盘"

说到量化回归，很多同学第一反应是数学公式。别急，咱们先抛开公式，聊聊它到底能干什么。

说白了，回归分析就是找关系。比如：

• 画家的年龄和作品价格是什么关系？
• 拍卖季节对成交价有多大影响？
• 一幅画的尺寸每增加10%，价格会涨多少？

我刚开始做艺术品分析时，犯过一个低级错误：直接用画家的年龄做自变量。结果模型跑出来，年龄和价格居然是负相关。后来才发现，年轻画家虽然价格低，但涨幅快；年长画家价格高，但增长停滞。这就是典型的非线性关系，普通线性回归根本抓不住。

量化回归的价值，我总结为三点：

1. 定价基准：给每件作品一个"合理价格区间"，避免被情绪左右
2. 风险识别：哪些因素会导致价格暴跌？比如艺术家负面新闻、市场周期拐点
3. 策略优化：什么时候买？什么时候卖？什么类型的作品回报率最高？

1.3 课程目标：从数据到决策

这门课的目标很明确：让你能用数据说话，而不是凭感觉拍脑袋。

具体来说，学完这门课，你应该能做到：

• 独立收集、清洗艺术品拍卖数据
• 构建多元回归模型，解释价格变动
• 诊断模型问题（异方差、多重共线性、异常值）
• 用模型做预测，并给出置信区间

注意，我不是要培养大家成为数学家。相反，我会尽量少讲公式推导，多讲实际应用。比如，当模型出现异方差时，我不会让你去推导Breusch-Pagan检验的统计量，而是告诉你：用稳健标准误，或者对因变量做对数变换。

1.4 学习路径：怎么学最有效？

这门课一共10个章节，我建议的学习路径是这样的：

阶段	章节	核心内容	建议用时
基础	1-3章	市场认知、数据获取、描述性统计	2周
核心	4-7章	回归建模、变量选择、模型诊断	4周
进阶	8-10章	非线性模型、时间序列、实战案例	3周

我个人习惯是：每学完一章，立刻动手跑一遍代码。别光看，看是学不会的。我当年学回归分析时，把同一个数据集跑了不下20遍，每次换不同的变量组合，才真正理解什么是"模型选择"。

另外，我建议你准备一个自己的数据集。可以是苏富比、佳士得的公开拍卖记录，也可以是自己收藏的艺术品数据。用自己的数据做分析，动力会大很多。

1.5 本章知识体系

下面这张图，是我对本章内容的整体梳理。你可以把它当作一个"导航图"，后续每学完一章，都可以回来对照一下，看看自己走到了哪一步。

好了，第一章的内容就到这里。记住，量化分析不是魔法，而是一套系统性的思考框架。接下来的课程，我会带着大家一步步搭建这个框架。准备好了吗？我们第二章见。

---