基于大语言模型的在线文本时间序列 CPI 预测推理
机器学习
2025-06-12 v1 机器学习
统计方法学
摘要
预测消费者价格指数（CPI）是经济学中一项重要但具有挑战性的任务，大多数现有方法依赖于低频的调查数据。随着大语言模型（LLM）的最新进展，利用高频在线文本数据改进 CPI 预测的潜力日益显现，这一领域仍 largely 未被探索。本文提出 LLM-CPI，一种基于大语言模型的 CPI 预测推理方法，融合了在线文本时间序列。我们从一个广泛使用的中文社交网络站点收集了大量高频在线文本，并使用 ChatGPT 和训练好的 BERT 模型为与通胀相关的帖子构建连续的通胀标签。通过 LDA 和 BERT 提取在线文本嵌入。我们开发了一个联合时间序列框架，将月度 CPI 数据与 LLM 生成的日度 CPI 代理变量相结合。月度模型采用结合观测 CPI 数据、文本嵌入和宏观经济变量的 ARX 结构，而日度模型则基于 LLM 生成的 CPI 代理变量和文本嵌入构建 VARX 结构。我们建立了该方法的渐近性质，并提供了两种形式的构造预测区间。通过仿真和真实数据示例，验证了 LLM-CPI 的有限样本性能和实际优势。
引用
@article{arxiv.2506.09516,
title = {LLM-Powered CPI Prediction Inference with Online Text Time Series},
author = {Yingying Fan and Jinchi Lv and Ao Sun and Yurou Wang},
journal= {arXiv preprint arXiv:2506.09516},
year = {2025}
}
备注
73 pages, 13 figures