20221019-腾景数研-基于腾景AI高频模拟和预测_人工智能在经济监测和预测中的国际经验与国内实践——中心极限定理之外__15页_1mb

腾景宏观快报总结

核心内容概述

本报告围绕人工智能在宏观经济监测与预测中的应用展开，分析了国内外在该领域的实践进展与技术挑战，强调了人工智能与传统经济模型相结合的重要性。报告指出，随着数据处理能力和算法技术的提升，高频数据和人工智能的融合正成为宏观经济研究的新趋势，为政策制定和市场决策提供更及时、精准的参考。

主要观点

• 高频数据的重要性：高频数据在宏观经济监测和预测中具有显著价值，它能够更快地反映经济变化，为政策制定者和市场参与者提供实时信息。
• 人工智能的应用潜力：人工智能算法（如Informer、TFT、XGBoost、LSTM等）在处理大规模、高维度、非结构化数据方面表现出色，尤其在预测能力上具有优势。
• 传统模型的局限性：传统计量经济学模型（如DSGE模型）在解释因果关系和处理外生冲击方面存在不足，而机器学习更侧重于预测而非因果分析。
• Nowcasting技术的发展：即时预测（Nowcasting）成为一种新兴的经济预测工具，国内外多个央行和研究机构已将其纳入政策分析和决策框架。
• 可解释性与公共品属性：人工智能预测虽然强大，但缺乏可解释性，限制了其在政策制定中的应用。因此，构建可解释性框架成为关键任务。
• 全口径数据体系的构建：腾景数研通过动态投入产出矩阵和高频数据模拟，构建了覆盖更广、更准确的全口径数据体系，为宏观经济研究提供了新的数据基础。

关键信息

一、人工智能与宏观经济分析的融合

• 人工智能算法：如Informer、TFT、XGBoost、LSTM等，已被广泛用于宏观经济预测，尤其在高频数据处理上表现突出。
• Nowcasting技术：即时预测技术利用高频数据提前估计传统滞后指标（如GDP、CPI等），帮助政策制定者更快速地做出反应。
• 国内外实践：美国、英国、欧洲央行、IMF等机构已广泛应用Nowcasting技术，国内部分省份也通过“税电指数”等工具进行经济监测。

二、传统模型与人工智能的互补

• 动态因子模型（DFM）：DFM是传统Nowcasting模型的代表，用于解释大量经济变量的共同趋势，适用于正常经济环境。
• DSGE模型：DSGE模型基于现代宏观经济理论，用于政策分析和经济波动解释，目前仍是各国央行和国际机构的重要工具。
• 模型对比：Hopp和Daniel（2022）研究发现，LSTM和贝叶斯VAR在危机时期的预测表现优于传统模型，但DFM在正常时期更具优势。

三、腾景数研的实践与技术

• 高频模拟：通过算法将月度指标日度化，使原本需一个月才能公布的CPI等指标实现即时预测。
• AI预测：利用深度学习算法挖掘数据中的非线性关系，预测经济指标的走向与拐点，提升预测的实用性。
• 全口径数据：构建了涵盖官方数据、高频数据和中频数据的全口径数据库，包含150多个常用指标，远超传统72个指标，提升数据的完整性与准确性。
• 误差控制：通过模拟伯努利过程和积累测度分布数据，提高预测结果的稳定性和可信度。

四、未来展望

• 技术融合趋势：人工智能与传统宏观经济模型的结合是未来研究的重要方向，需要进一步探索其在因果分析和政策制定中的应用。
• 可解释性挑战：如何提升人工智能模型的可解释性，使其更符合经济学对因果关系的重视，是当前研究的关键。
• 全球化应用：随着技术成熟，人工智能驱动的宏观经济监测与预测有望成为全球公共产品，为各国宏观调控提供支持。
• 政策与市场结合：政府监管与市场机制在信息不对称治理和预期引导方面各有优势，未来需在两者之间寻求平衡。

五、腾景数研的使命与目标

• 推动方法变革：腾景数研致力于推动宏观和产业经济研究方法的数字化变革，探索人工智能在经济预测中的实际应用。
• 数据与技术融合：通过构建“多维动态均衡矩阵系统（MDEMS）”，实现全口径数据的月度化甚至实时化。
• 公共产品定位：腾景AI经济预测旨在为市场提供高质量、可解释的宏观经济监测与预测服务，服务于政策制定和市场决策。

六、联系方式

• 地址：北京市朝阳区朝阳门外大街乙6号朝外SOHO-A座29层
• 电话：010-65185898 / +86 15210925572
• 邮箱：IR@TJRESEARCH.CN
• 官网：http://www.tjresearch.cn
• 公众号：更多信息请关注腾景公众号

七、重要声明

• 本报告为腾景数研基于人工智能技术的探索性研究成果，仅供投资者参考，不构成投资建议。
• 数据准确率以概率方式呈现，报告内容及引用资料力求客观公正。
• 未经许可，不得以任何形式翻版、复制或转载，引用需注明出处并不得歪曲原意。