机器学习在宏观计量经济预测中的模型选择.docxVIP

机器学习在宏观计量经济预测中的模型选择

一、引言：宏观经济预测的困境与机器学习的破局

（一）宏观计量经济预测的核心价值与传统局限

宏观经济预测是政府制定货币政策、财政政策，企业规划投资布局，居民调整消费策略的核心依据，其准确性直接关乎经济资源的合理配置与经济运行的稳定有序。传统宏观计量模型以经典经济理论为框架，如凯恩斯主义的IS-LM模型、新古典主义的动态随机一般均衡模型，通过明确的假设条件构建结构化方程，具备较强的理论解释力，但在复杂多变的现实经济环境中暴露出明显局限。一方面，传统模型依赖严格的线性关系与平稳性假设，难以捕捉宏观经济数据中普遍存在的非线性特征，比如经济周期繁荣与衰退阶段变量间的动态转换关系（StockWatson,2002）；另一方面，随着全球化与数字化发展，宏观经济系统的维度不断扩张，传统模型无法有效处理海量的金融、贸易、舆情等多源数据，易陷入“维度灾难”导致预测精度下降（BaiNg,2008）。

（二）机器学习介入宏观预测的趋势与模型选择的关键地位

近十年来，机器学习凭借强大的非线性拟合能力与高维度数据处理优势，逐渐成为宏观计量经济预测的重要工具。大量实证研究表明，部分机器学习模型在GDP增长率、通胀率、失业率等核心指标的预测中，表现优于传统计量模型（Guetal.,2020）。然而，机器学习模型种类繁多，不同模型的适用场景、性能表现与可解释