大数据如何改变宏观经济预测？
大数据如何改变宏观经济预测？
全球经济正面临着前所未有的不确定性。2024年最后一个季度，两大关键事件——全球主要央行的货币宽松政策和美国大选——将主导全球经济前景的不确定性。近期经济活动数据显示，美国经济局部出现增长势头放缓的迹象，欧洲和中国的经济活动相对疲软。然而，美国消费者支出的韧性以及发达市场的支持性货币政策应当能成为全球经济增长的稳定器。
在这样的背景下，准确的宏观经济预测对于政策制定和市场决策至关重要。然而，传统的宏观经济预测方法正面临着严峻的挑战。
传统宏观经济预测方法主要分为两类：基于理论驱动的结构模型和基于数据驱动的时序模型。前者以宏观经济理论为基础，构建数理分析模型；后者则不依赖任何经济理论，纯粹依靠数据的内在规律进行建模。这些模型在长期的发展中不断完善，但在实际应用中仍存在诸多局限性。
首先，传统宏观经济预测方法严重依赖经济系统规律的延续性。经济运行规律在短时间内发生变化的可能性较小，但随着时间间隔的增加，偏离原有的经济运行规律的可能性和程度会越来越大。因此，传统宏观经济预测模型方法的有效性在很大程度上依赖于使用的数据是否足够“好”。
其次，传统宏观统计数据存在五个方面的缺陷：
- 滞后性：宏观统计数据需要在经济运行发生后，通过相关部门统计汇总，这个过程需要较长时间，一般统计的数据指标都是滞后一年或者滞后一个季度的数据。
- 统计误差：统计数据需要人为地去搜集并汇总。这个过程人为参与程度较深，并且时间较长，过程较为复杂，很难确保整个过程的准确无误，这样汇总性的数据一般存在较大的统计误差，使用这样存在统计误差的数据做预测，会进一步增大预测误差。
- 数据获取成本高：传统数据收集过程较为复杂，需要耗费大量的人力和物力投入，数据获取的成本相对较高。
- 样本量较少：由于统计样本和获取数据成本是成反比的，随着统计样本量的增加，统计成本也会急速增加。因此，一般会在统计样本和统计成本之间做一个平衡。
- 颗粒度不够：现有的宏观统计指标相对来讲，都是整体性的宏观指标，例如，CPI指标，涵盖了食品烟酒、衣着、居住、生活用品及服务、交通和通信、教育文化和娱乐、医疗保健、其他用品和服务等 8 大类、 262 个基本分类的商品与服务价格，但是，这样整体性的指标很难为分类行业的经济决策做具体性的指导。
此外，传统宏观经济预测方法还面临着方法论上的挑战。卢卡斯批判指出，传统的计量模型方法均是基于历史数据来分析和预测未来，但这种模型方法没有充分考虑到人们预期的作用，人类经济行为不仅仅从历史经验中学习，而且也会估计当前的现状对将来的影响，进而影响到采取的行为和策略，这种行为的改变会使得经济模型的参数发生变化，而这种变化是难以衡量的。英国女王伊丽莎白在 2008 年金融危机后曾向英国的经济学家提问为何没有能预测到金融危机，这引发了对传统的经济模型的质疑，即经济模型能不能有效地预测未来经济。
面对传统方法的局限性，大数据技术以其独特的优势，正在改变宏观经济预测的方式。大数据具有海量性、即时性、多样性和高价值等特征，能够弥补传统数据的不足，提升预测的时效性和准确性。
以深圳前海微众银行的宏观经济监测平台为例，该平台首创了基于人工智能技术和卫星数据的宏观经济监测系统。通过AI图像识别、知识图谱、自然语言处理等技术，平台实现了关键信息的有效抽取和大规模运算，有效克服了疫情下数据采集难、难以验证的难题。平台构建了多语义跨模态的风险传导分析模型，实现了全国超过600个城市数据的全覆盖和T+1天的更新频率，全面、实时、精准地实现了疫情下宏观金融风险的分析与预测。
该平台的创新之处在于：
- 有效实现疫情下宏观金融风险防控。基于AI图像识别、知识图谱、自然语言处理等技术，进行了关键信息的有效抽取和大规模运算，有效克服了疫情下数据采集难、难以验证的难题，构建了多语义跨模态的风险传导分析模型，实现了全国超过600个城市数据的全覆盖和T+1天的更新频率，全面、实时、精准地实现了疫情下宏观金融风险的分析与预测。
- 精准支持疫情下复工复产。构建了基于指数的行业监测与追踪方法，卫星生产制造指数等与传统宏观经济指标（PMI、工业增加值等）拟合系数高达0.8以上，展现了全国层面、区域层面、行业层面在时空维度上的变化趋势，可提前半个月以上预测行业趋势，为精准的信贷扶持策略提供参考，实现了多种技术分析方法的交叉验证。
- 智能交互平台支持多对象的可持续使用。构建了可交互的宏观经济监测平台和疫情影响地图，支持微众银行内部业务团队、监管机构、投资机构等不同对象的使用，该平台可自动化的采集相关数据并进行分析更新，为信贷业务提供精准、全面的宏观经济参考，具备可规模化推广的示范性和可持续性。
这些成果直接应用于微众银行的多个业务条线，为超过170万家中小企业和2000万个体经营户提供数据支持，并被国务院办公厅引用作为扶持中小企业数据参考。彭博将中国经济恢复指数（CERI）上线为金融终端产品，多家权威媒体对此进行了报道或引用。
在技术层面，混频数据计量经济学模型为大数据在宏观经济预测中的应用提供了重要支持。该模型通过集约参数化手段，使得高频数据无需集成即可作为低频数据的解释变量，从而实现对低频数据的实时预测。这种模型能够有效处理不同频率数据的融合问题，提升了预测的准确性和时效性。
大数据技术在宏观经济预测中的应用，不仅提升了预测的时效性和准确性，更为政策制定提供了全面的风险预警信息和决策依据。通过挖掘多来源复杂数据，大数据技术能够捕捉到传统方法难以发现的经济信号，为宏观经济监测与预测提供了新的视角和工具。
然而，大数据技术在宏观经济预测中的应用仍面临一些挑战。例如，数据来源的局限性、非结构化数据的处理难度、数据噪声问题等。此外，如何将大数据分析结果与传统经济理论相结合，也是一个需要深入研究的课题。
未来，随着技术的不断进步和数据资源的日益丰富，大数据在宏观经济预测中的应用将更加广泛和深入。这将为全球经济治理和政策制定提供更有力的支持，帮助各国更好地应对经济不确定性的挑战。