英国月度GDP预测：基于大数据方法和预测组合算法的自下而上部门建模证据

核心观点

本研究构建了一个自下而上的部门即时预测模型，用于预测每月国内生产总值（GDP）增长率，时间提前于首次官方估计一个月。模型使用了大量公共和私营部门变量，包括新发布的实时指标，作为28个即时预测模型的输入，每个模型都应用于所有20个SIC行业。这些模型范围从简单的单变量过程到高维“大数据”方法。然后，应用在先前预测误差上训练的算法来组合每个部门的即时预测，生成57个月的伪样本外样本GDP即时预测，涵盖Covid-19冲击之前、期间和之后。

关键数据

• 目标变量：英国国内生产总值（GDP）月度增长率。
• 数据来源：公共和私营部门，包括业务调查、金融变量、PAYE数据（工资和就业）、职位空缺等。
• 样本期：1997年1月至2024年3月，其中测试期为2019年6月至2024年3月，涵盖了一段相对稳定的时期、由Covid-19引起的大规模和不寻常的衰退，以及冲击后的复苏和相对稳定的较长时期。
• 行业分类：20个SIC行业。

研究结论

• 组合算法优于单一模型：在初始的Covid-19冲击期间，组合算法比单一模型方法表现更好，并且在“正常”时期通常不会更差。
• 部门即时预测的准确性：对于某些行业，算法部门即时预测在均方根预测误差（RMSFE）方面比英国国家统计局（ONS）的首次估计更准确。
• 总GDP即时预测的挑战：对于即时预测总GDP，人类判断似乎无法超越。
• 模型选择：自下而上的ARMA(1,1)优于自上而下的ARMA(1,1)，但对于高维动态Lasso与PCA模型，情况则相反。
• 组合算法的局限性：组合算法产生的即时预测高度相关，但预测组合可能比添加或改进单个即时预测更有希望成为未来研究的方向。

建议

• 采用自下而上的方法。
• 使用简单的时序模型或预测组合方法来预测每个“自下而上”的要素。
• 使用K-最近邻或类似算法来处理数据中的异常值。
• 在可以“看到”模型无法识别的冲击时应用判断。
• 在存在异常宏观经济波动的情况下，考虑更广泛的输入变量和“自上而下”的即时预测方法。