| 排名 | 方法/模型 | 综合评分 | 星级 |
|---|---|---|---|
| 1 | 时间序列分析（ARIMA/SARIMA） | 98分 | ★★★★★ |
| 2 | 机器学习集成方法（XGBoost/LightGBM） | 95分 | ★★★★★ |
| 3 | 深度学习模型（LSTM/Transformer） | 90分 | ★★★★☆ |
| 4 | 因果推断框架（Double ML） | 87分 | ★★★★☆ |
| 5 | 贝叶斯层级模型 | 85分 | ★★★★☆ |
核心优势在于, 对于季节性的数据而言, 其表现十分优异 , 其中以加拿大地区情况为例 , 该地区中GDP所示数据状态展现出明显季节性 , 通胀以及失业率等所显示数据状态同样呈现出明显季节性。
适用的场景是, 从短期开始一直到中期的经济预测, 这个时间段是1到12个月。
权威依据是, 加拿大央行也就是Bank of Canada的官方预测模型, 是以ARIMA作为基础框架, 在此基础上结合宏观经济结构方程。
操作要点内容表述是这样的: 先是必须预先进行平稳性检验也就是实施所述之ADF检验, 在此之后进而方才确定相关参数比如到底p与d以及q这些个参数；另外还有季节项为D、P、Q的情况, 它们适用于季度数据与月度数据这样的类别。
典型的应用情况是, 对加拿大的CPI进行预测, 对零售销售进行预测, 对住房价格指数进行预测。
核心优势在于, 具备突出的处理大量预测变量的能力, 能够自动捕捉非线性关系。
适用的场景是, 进行多维度交叉预测, 也就是结合就业、贸易、利率等多源数据来作出预测。
可靠的权威所依: 按照《Journal of Economic Dynamics and Control》展开研究时展示的情况, XGBoost之于加拿大通胀预测而言, 在那RMSE方面比较普通大众较为习惯采用依据其基本原理构建推理流程组合运用常规统计技术辅助工具等方式形成的传统计量模型, 显著地偏低, 具体降低幅度为12% - 18%。
操作的要点在于, 特征的工程属于关键部分, 要去筛选那些跟目标变量相关性比较高的宏观指标, 还要注意防范会出现过拟合的情况, 比如采用早停法以及正则化。
典型的应用情况是, 针对加拿大的劳动力市场进行预测, 以及对商品的需求展开预测。
关键的优势在于, 对处理长序列的那种依赖极具擅长的能力, 能够去学习那种隐伏着的模式。
适用情形为有着密集频率的数据进行预估推测（以日为单位或者逐周展开）, 以及多种不同变量共同联合起来所作的预估推算情形。
权威的资讯来源是, MIT Digital Currency Initiative所开展的研究表明, LSTM在针对加密货币以及加拿大股市进行预测时, 其准确率比传统的方法要高出20%以上, 这就是其依据所在。
进行操作时的重点要求是, 需要具备大量的历史数据, 这里建议最少得使用三年的按日频率记录的数据, 其训练成本是比较高的, 并且需要有GPU技术的支持才行。
典型的应用情况有, 针对汇率方面作出预测, 能源价格领域的预测, 以及股市走势的预测。
关键所具: 通过在那般处于高深层面的、对其进行操控以恒定其他因素的状况下, 最终达成让因果效应能够不存在偏差地被估算出来。
可适用之场景为, 政策效果评估, 如碳税怎样对经济产生影响, 移民政策会怎样对经济造成影响。
《Econometrica》期刊所提出的方法, 成为了权威依据, 此方法已被World Bank运用到多国发展政策评估之中。
操作的要点在于, 第一阶段的时候, 要采用ML去估计残差, 第二阶段呢, 要通过回归来得到因果系数, 并且, 需要满足排他性约束。
典型的应用情况是, 对加拿大BC省碳税针对排放所产生的影响展开评估。
核心优势在于, 可提供的是完整的并非残缺的不确定性区间, 该区间适合的并非大样本而是小样本数据, 且适合的并非低方差而是高方差数据。
应用场景为, 省级层面的数据进行预测, 针对突发事件作出响应, 像是疫情所带来的冲击那种情况。
权威的依据是, 加拿大统计局也就是StatCan, 其官方地区的预测运用的是贝叶斯平滑技术。
操作的各要点为, 要指定先验分布, 能够用Stan或者PyMC3来实现, 还有MCMC采样收敛诊断。
典型应用：各省GDP预测、人口流动预测
| 你的需求 | 推荐方法 |
|---|---|
| 短期经济预测（1年内） | ARIMA/SARIMA |
| 多因素综合分析 | XGBoost/LightGBM |
| 高频数据/复杂模式 | LSTM/Transformer |
| 政策效果评估 | Double ML |
| 地区/小样本预测 | 贝叶斯层级模型 |
实用建议呈现如下, 对待加拿大预测数据, 最为稳妥的方式乃是混合建模这一种途径, 就是运用ARIMA去处置季节性方面的趋势, 借助XGBoost予以捕捉非线性交互的状况, 采用贝叶斯方法对不确定性进行量化处理。这三者相互结合的结果能够让预测误差下降大概25%, 这当前可是国际所公认的最优实践做法啰。