中国宏观经济预测论文提纲

论文题目：基于TSPCA-FTNet模型的中国宏观经济指数预测研究

摘要：宏观经济指数包括国内生产总值（GDP）,居民消费价格指数（CPI）,商品零售价格指数（RPI）等。通过这些指标,可以从宏观上了解一个国家或地区的经济运行情况,因此,这些指标对于了解宏观经济情况,把控宏观经济走势具有重要意义。如果能提前对宏观经济指数进行较为准确的预测,那么政府及相关宏观调控部门就能提出更具前瞻性和针对性的宏观调控政策,并部署必要的调控措施。此外,对个人而言如果能提前了解宏观经济指数的情况,也能对个人投资和储蓄进行更加合理的决策。从这两个方面来说,预测宏观经济指数具有重要研究意义。预测宏观经济指数的模型或方法有很多,其中向量自回归模型（VAR）是一个典型的代表。随着研究的深入,学者们发现向量自回归模型（VAR）是被过度参数化的,即如果想要取得较好的估计效果,建立向量自回归模型往往需要较大的样本量,这给模型的参数估计带来了很大的困难。且宏观经济指数是以月度、季度或年度为周期更新的。受限于统计成本,宏观经济数据样本量往往较小。另一方面,向量自回归模型（VAR）是线性模型,而宏观经济指数数据之间可能具有非线性关系。为了综合考虑这两个方面,本文结合了姚琦伟老师的TS-PCA方法和周志华团队的Flexible Transmitter Network模型得到了TSPCA-FTNet模型。该模型既减少了模型的参数个数,又考虑到数据内在的非线性关系,进而能够取得更好的预测效果。在实证部分,本文参考相关文献,从中经网统计数据库获取了中国1997年1月到2020年10月的12个宏观经济指数。本文分别以1997年到2018年和1997年到2019年的数据作为训练集,2019年和2020年的数据作为测试集进行实证研究。从模型预测精度,预测稳定性,模型参数个数及运行时间四个角度综合对比向量自回归（VAR）,贝叶斯向量自回归（BVAR）,循环神经网络（RNN）,长短期记忆神经网络（LSTM）,TS-PCA,TSPCA-RNN,TSPCA-LSTM和TSPCA-FTNet这8个模型的预测效果。结果表明TSPCA-FTNet方法能够以较少的参数,较短的运行时间取得较好的预测稳定性和最好的预测精度。最后本文使用TSPCA-FTNet模型和U-MIDAS模型对2020年第四季度的宏观经济指数进行预测。预测结果表明我国宏观经济指数较为稳定,预计2020年第四季度GDP当期同比增速为最后,总结了本文的研究内容与研究结果,对本文的不足之处提出后续改进的建议和方向。

关键词：宏观经济指数;时间序列主成分分析;具有灵活可塑性的神经网络

学科专业：应用统计（专业学位）

摘要

Abstract

第1章 绪论

1.1 研究背景及意义

1.2 研究的内容、方法和技术路线

1.3 本文的主要贡献

第2章 文献综述与相关理论

2.1 文献综述

2.1.1 宏观经济指数预测

2.1.2 常用时间序列分析方法

2.1.3 文献评述

2.2 相关理论

2.2.1 向量自回归

2.2.2 贝叶斯向量自回归

2.2.3 循环神经网络

2.2.4 长短期记忆神经网络

2.2.5 混频数据抽样回归模型

第3章 TSPCA-FTNet模型的构建与估计

3.1 TS-PCA方法

3.2 FTNet模型

3.2.1 FTNet模型的基本思想

3.2.2 Flexible Transmitter模型

3.2.3 FTNet模型介绍

3.3 TSPCA-FTNet模型

第4章 中国宏观经济指数的实证研究

4.1 数据来源

4.2 数据预处理

4.3 数据可视化

4.3.1 中国宏观经济指数时序图

4.3.2 中国宏观经济指数CCF图

4.4 建立TSPCA-FTNet模型

4.5 各类模型预测效果对比

4.5.1 实验环境介绍

4.5.2 预测精度与稳定性比较

4.5.3 模型参数个数比较

4.5.4 模型运行速度比较

4.6 实证结果分析

第5章 结论与展望

5.1 结论

5.2 展望

参考文献

附录A 中国宏观经济指数时序图

附录B 中国宏观经济指数CCF图

致谢