面向经济指标的结构因果建模与不确定性感知预测的方法论见解

本文通过结合因果发现与不确定性感知预测，提出了一种用于金融时间序列分析的方法论。作为案例研究，我们聚焦于四个关键的美国宏观经济指标——GDP、经济增长、通货膨胀和失业率——并应用 LPCMCI 框架与高斯过程距离相关（GPDC）来揭示 1970 年至 2021 年季度数据中的动态因果关系。我们的结果揭示了从经济增长到 GDP 的稳健单向因果联系，并突出了通货膨胀的有限连通性，暗示了潜在因素的影响。失业率表现出强自回归依赖性，这促使我们将其作为概率预测的案例研究。利用为时间序列训练的大型语言模型 Chronos 框架，我们对失业率进行了零样本预测。该方法无需特定任务的训练，便能在提前一个季度和两个季度时提供准确的预测。至关重要的是，模型的不确定性感知预测生成了 90\% 置信区间，通过有统计原则的偏差分析实现了有效的异常检测。本研究展示了将因果结构学习与概率语言模型相结合的价值，能为经济政策提供信息并增强预测的稳健性。