宏观数据实时预测方法 - 宏观经济指标存在滞后性，需通过实时预测模型捕捉变化 [1][7] - 三种常用实时预测方法：高频数据拆分、自回归模型（SARIMAX）、大语言模型（LLMs）文本解析 [2][8][15] - 高频数据拆分方法（如GDPNow）可解释性强但需定制化建模，易过拟合 [9] - SARIMAX模型通过历史数据自相关性和季节性参数预测，适合平稳序列 [10][12] - LLMs通过解析非结构化文本（研报、新闻）生成预测，突破结构化数据局限 [3][15] 自回归模型（SARIMAX）应用 - 自回归模型对CPI环比、新增人民币贷款等指标预测效果有限 [4][27] - 春节效应需作为外生变量处理，以修正1-2月数据失真 [20][26] - 适用条件：指标需满足平稳性（均值/方差稳定）、趋势性弱 [30] - 与上期相关性≥0.8的指标可直接沿用历史数据，无需建模 [23][27] 大语言模型（LLMs）预测效果 - LLMs对新增人民币贷款预测相关性从-0.1提升至0.9，显著优于自回归 [5][35] - 出口金额同比预测效果从0.37提升至0.72，贸易差额从0.55提升至0.76 [5][35] - 研报标题比内容向量（chunk）更有效，因内容匹配质量不稳定 [36][37] - 极值捕捉较平滑，但非极值趋势预测准确度高 [38] 方法对比与实施流程 - 优先级：高相关性指标沿用历史→平稳指标用SARIMAX→复杂指标用LLMs [24][45] - SARIMAX计算复杂度低，但依赖数据平稳性；LLMs适应性更强但存在随机性 [12][45] - 测试区间为2014-2025年月频数据，覆盖工业增加值、社零、贸易差额等12项指标 [18][19]