打开黑箱：新加坡 GDP 增长的 nowcasting 及其可解释性

及时评估当前状况对于小型开放经济体如新加坡尤为重要，外部冲击会迅速传导至国内经济活动。我们构建了一个用于季度 GDP 增长的实时 nowcasting 框架，采用约70个指标的高维面板数据，涵盖1990年第一季至2023年第二季的经济和金融指标。分析涉及惩罚性回归、降维方法、集成学习算法和神经网络架构，基准测试包括随机漫步、AR(3) 和动态因子模型。该管道通过扩张窗口 walk-forward 设计保持时间顺序，并采用移动块 bootstrap 方法构建预测区间并获取特征重要性措施的置信区间。采用模型特定和 XAI 基于可解释性工具。Model Confidence Set 程序识别出统计上优越的学习者，然后通过简单加权和指数加权方案组合； resulting time-varying weights 提供模型贡献的可解释表示。通过 Giacomini-White 检验评估预测能力。实证结果表明，惩罚性回归、降维模型和 GRU 网络持续优于所有基准，RMSFE 降低约40-60%；聚合进一步获得额外提升。特征归因方法突出显示工业生产、外部贸易和劳动力市场指标是新加坡短期增长动态的主要驱动因素。