宏观经济数据预测方法及装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种宏观经济数据预测方法及装置、设备及存储介质，该方法包括：根据基准指标筛选出第一候选指标并建立基础因子池；将第一候选指标与基准指标利用单元回归进行筛选，得到第二候选指标并进行处理得到合成指数；根据合成指数相对基准指标的领先期数平移合成指数并做正交化处理得到因子数据；通过多元加权回归模型对因子数据进行处理，得到预测值。该方法通过算法筛选得到基础因子池，可以快速构建宏观分析框架，还可结合宏观经济研究者的研究经验对基础因子池进行调整，不影响后续的预测步骤，不仅可以指示未来经济数据的变动方向，还可给出未来经济数据的分布，避免宏观经济数据更新频率不同、更新时间不同带来的问题。问题。问题。

【技术实现步骤摘要】
宏观经济数据预测方法及装置、设备及存储介质


[0001]本专利技术涉及大数据预测
，尤其涉及一种宏观经济数据预测方法及装置、设备及存储介质。

技术介绍

[0002]目前，宏观经济指标对政策研判、投资决策具有重要意义，但宏观数据发布频率较低且存在明显的时滞，无法及时掌握经济运行状态，因此对宏观经济数据作出准确预测具有重要的价值。目前宏观经济数据的预测包括领先指数法和即时预测模型。
[0003]领先指数法可以将多类别不同的指标整合起来，形成一个综合并且全面反映基准指标的指数。目前已有的较多的指数编制方法有不使用模型的扩散指数与合成指数以及使用降维方法的PCA(principal component analysis，主成分分析法)，但领先指数法只能指示经济指标的变动方向，不能准确的预测经济指标的具体数值。
[0004]即时预测模型通过高频数据中的“新闻”从而动态地调整对经济指标的预期，主要包括纽约联储的Nowcasting模型、WEI模型、亚特兰大联储的GDPNow模型以及英格兰银行的MIDAS模型。即时预测模型由于大量使用高频数据，因此天然的面临以下几类问题：
[0005]1、所使用的数据往往频率并不完全一致，例如如果我们关心经济增长状态，可以从GDP、工业增加值、高炉开工率等不同维度去刻画，但GDP为季频数据，工业增加值为月频数据，高炉开工率为周频数据，如何处理不同频率的数据是即时预测模型需要面对的首要问题；
[0006]2、所使用的数据发布时间不一致，例如上个月的经济数据，我们最早可以在月底获得PMI数据，然后在月度中旬获得物价数据和生产数据，最后在本月底获得工业企业利润数据，如何处理不同时间获得的经济数据是即时预测模型需要面对的第二个问题。
[0007]有鉴于此，有必要提出对目前的宏观经济数据预测方法进行进一步的改进。

技术实现思路

[0008]为此，本专利技术目的在于至少一定程度上解决现有技术中的不足，从而提出一种宏观经济数据预测方法及装置、设备及存储介质。
[0009]第一方面，本专利技术提供了一种宏观经济数据预测方法，所述方法包括：
[0010]根据基准指标在全量宏观指标中通过筛选算法筛选出多个第一候选指标，根据多个所述第一候选指标建立基础因子池，所述筛选算法包括拐点匹配法、时序相关法、K
‑
L信息量法和波动噪声比法；
[0011]将所述基础因子池中的所述第一候选指标与所述基准指标分别利用单元回归进行筛选，筛选后得到第二候选指标并将所述第二候选指标进行处理得到合成指数；
[0012]通过算法得到所述合成指数相对所述基准指标的领先期数，根据所述合成指数的领先期数对所述合成指数进行平移处理，并对平移处理后的所述合成指数进行正交化处理，得到因子数据；
[0013]通过多元加权回归模型对所述因子数据进行处理，得到所述基准指标的预测值。
[0014]第二方面，本专利技术提供了一种宏观经济预测装置，所述装置包括：
[0015]筛选模块：用于根据基准指标在全量宏观指标中通过筛选算法筛选出多个第一候选指标，根据多个所述第一候选指标建立基础因子池，所述筛选算法包括拐点匹配法、时序相关法、K
‑
L信息量法和波动噪声比法；
[0016]处理模块：用于将所述基础因子池中的所述第一候选指标与所述基准指标分别利用单元回归进行筛选，筛选后得到第二候选指标并将所述第二候选指标进行处理得到合成指数；
[0017]正交模块：用于通过算法得到所述合成指数相对所述基准指标的领先期数，根据所述合成指数的领先期数对所述合成指数进行平移处理，并对平移处理后的所述合成指数进行正交化处理，得到因子数据；
[0018]预测模块：用于通过多元加权回归模型对所述因子数据进行处理，得到所述基准指标的预测值。
[0019]第三方面，本专利技术还提供了一种宏观经济数据预测设备，包括存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如第一方面所述的宏观经济数据预测方法中的各个步骤。
[0020]第四方面，本专利技术还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被执行时，实现如第一方面所述的宏观经济数据预测方法中的各个步骤。
[0021]本专利技术提供了一种宏观经济数据预测方法及装置、设备及存储介质，该方法包括：根据基准指标在全量宏观指标中通过筛选算法筛选出多个第一候选指标，根据多个所述第一候选指标建立基础因子池，所述筛选算法包括拐点匹配法、时序相关法、K
‑
L信息量法和波动噪声比法；将所述基础因子池中的所述第一候选指标与所述基准指标分别利用单元回归进行筛选，筛选后得到第二候选指标并将所述第二候选指标进行处理得到合成指数；通过算法得到所述合成指数相对所述基准指标的领先期数，根据所述合成指数的领先期数对所述合成指数进行平移处理，并对平移处理后的所述合成指数进行正交化处理，得到因子数据；通过多元加权回归模型对所述因子数据进行处理，得到所述基准指标的预测值。通过本专利技术提供的方法，通过算法筛选得到基础因子池，可以快速构建宏观分析框架，同时可以结合宏观经济研究者的研究经验对基础因子池进行调整，不影响后续的预测步骤，且该方法不仅可以指示未来经济数据的变动方向，而且可以给出未来经济数据的分布，还可避免宏观经济数据更新频率不同、更新时间不同带来的问题。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0023]图1为本专利技术的宏观经济数据预测方法的流程示意图；
[0024]图2为本专利技术的宏观经济数据预测方法的子流程示意图；
[0025]图3为本专利技术的宏观经济数据预测方法的另一子流程示意图；
[0026]图4为本专利技术的宏观经济数据预测方法的拐点匹配法调整之前的拐点示意图；
[0027]图5为本专利技术的宏观经济数据预测方法的拐点匹配法调整之后的拐点示意图；
[0028]图6为本专利技术的宏观经济数据预测方法的又一子流程示意图；
[0029]图7为本专利技术的宏观经济数据预测方法的又一子流程示意图；
[0030]图8为本专利技术的宏观经济数据预测装置的程序模块示意图。
具体实施方式
[0031]为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]请参照图1，图1是本申请实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种宏观经济数据预测方法，其特征在于，所述方法包括：根据基准指标在全量宏观指标中通过筛选算法筛选出多个第一候选指标，根据多个所述第一候选指标建立基础因子池，所述筛选算法包括拐点匹配法、时序相关法、K
‑
L信息量法和波动噪声比法；将所述基础因子池中的所述第一候选指标与所述基准指标分别利用单元回归进行筛选，筛选后得到第二候选指标并将所述第二候选指标进行处理得到合成指数；通过算法得到所述合成指数相对所述基准指标的领先期数，根据所述合成指数的领先期数对所述合成指数进行平移处理，并对平移处理后的所述合成指数进行正交化处理，得到因子数据；通过多元加权回归模型对所述因子数据进行处理，得到所述基准指标的预测值。2.根据权利要求1所述的方法，其特征在于，所述根据基准指标在全量宏观指标中通过筛选算法筛选出多个第一候选指标，根据多个所述第一候选指标建立基础因子池，所述筛选算法包括拐点匹配法、时序相关法、K
‑
L信息量法和波动噪声比法，具体包括：将所述全量宏观指标中的指标分别通过所述拐点匹配法、时序相关法、K
‑
L信息量法和波动噪声比法进行计算，得到所述全量宏观指标中的指标的参数，所述参数至少包括领先期数、相关系数；比较所述全量宏观指标中的指标的参数与预设的筛选条件，若满足，则得到所述第一候选指标。3.根据权利要求2所述的方法，其特征在于，所述拐点匹配法包括：获取所述基准指标和所述第一候选指标的原始时间序列数据并对所述原始时间序列数据进行平滑处理；检测所述平滑后的时间序列数据中的所述基准指标和所述第一候选指标的明显峰值点对应的拐点，分别判断所述拐点是否为局部极值；筛选所述局部极值，再对筛选过后的所述局部极值进行调整得到所述候选指标和所述基准指标的拐点；匹配筛选过后得到的所述候选指标的拐点与所述基准指标的拐点，得到所述领先期数。4.根据权利要求2所述的方法，其特征在于，所述时序相关法包括：计算领先滞后l期的所述第一候选指标与所述基准指标之间的相关系数，选择所述相关系数最大的阶数为所述领先期数；所述K
‑
L信息量法包括：计算所述领先滞后l期的所述第一候选指标与所述基准指标件的K
‑
L信息量，选择所述K
‑
L信息量最小的阶数为所述领先期数。5.根据权利要求1所述的方法，其特征在于，所述将所述基础因子池中的所述第一...

【专利技术属性】
技术研发人员：林柏杨，
申请(专利权)人：深圳市思迪信息技术股份有限公司，
类型：发明
国别省市：