项目光谱：利用生成式人工智能强化通货膨胀临近预报

核心观点

项目背景：随着电子商务的兴起，网络价格数据成为央行进行通胀预测和预警的重要信息来源。然而，这些数据缺乏标准化，难以直接用于经济分析。

项目目标：Project Spectrum 旨在利用人工智能技术自动对网络产品描述进行分类，以便更好地进行通胀预测和预警。

方法：项目探索了两种方法：直接使用大型语言模型（LLM）进行分类和基于文本嵌入的机器学习分类器进行分类。结果显示，基于文本嵌入的分类器在准确性和成本效益方面均优于直接使用 LLM 的方法。

关键数据：项目使用了欧洲央行每日价格数据集（DPD），其中包含约 3400 万个独特产品的每日价格观测值。参考数据集包含 3 万个手动标记的产品，测试数据集包含 3 万个产品。

研究结论：基于文本嵌入的分类器能够以较低的成本和时间实现与直接使用 LLM 相当的分类准确率，并且具有更高的可扩展性和可解释性。项目还开发了一个持续改进的流程，通过逐步扩大参考数据集来提高分类准确率。

关键数据

• DPD 数据集包含约 3400 万个独特产品的每日价格观测值。
• 参考数据集包含 3 万个手动标记的产品，测试数据集包含 3 万个产品。
• 项目覆盖了欧元区 CPI 花费约 50% 的商品类别。

研究结论

• 基于文本嵌入的分类器在准确性和成本效益方面均优于直接使用 LLM 的方法。
• 项目开发了一个持续改进的流程，通过逐步扩大参考数据集来提高分类准确率。
• 该方法能够将网络价格数据转化为可操作的经济信息，为央行制定货币政策提供支持。