宏观经济与金融预测的可解释机器学习：面向业务与政策的决策等级框架

宏观经济预测（nowcasting）位于传统计量经济学、数据丰富信息系统与商业、经济学和政策领域的人工智能应用之间。机器学习 (ML) 方法日益用于预测季度 GDP 增长，但在高风险场景中采用需要预测精度匹配可解释性和稳健不确定性量化。本文综述了宏观经济预测的最新进展，比较了计量经济基准与 ML 方法在数据丰富和冲击易变环境中的表现，强调将预测用作决策输入而非单纯的误差最小化练习。讨论沿三个维度展开。首先，我们对比 penalized 回归、降维技术、树集成和神经网络与自回归模型、动态因子模型和随机游动，强调各方法如何处理小样本、共线性、混合频率和制度变迁。其次，检查可解释性工具（内在措施和模型中性 XAI 方法），聚焦时间稳定性、符号一致性及其维持可信经济叙事和预测修订的能力。最后，我们分析基于块自助引导的非参数不确定性量化，用于预测区间和特征重要性置信区间，考虑序列依赖和数据稀疏情况。我们将这些要素转化为“决策等级”预测系统的参考工作流程，包括时代管理、时间敏感验证和自动可靠性审计，并提出研究议程涵盖制度依赖模型比较、潜在组件的自助引导设计以及解释的时间稳定性。可解释 ML 和不确定性量化作为负责任预测管道的结构性组成部分，而非可选的精炼手段。