面向政策的提示：使用合成 LLM 人格预测宏观经济情景

我们评估了基于人格的提示是否提高大型语言模型(LLM)在宏观经济预测任务中的性能。使用来自PersonaHub语料库的2,368个经济相关人格，提示GPT-4o复制ECB专业预测师调查，在50个季度轮次(2013-2025)中进行。我们将人格提示的预测与人类专家小组的预测进行比较，涵盖四个目标变量(HICP、core HICP、GDP增长、失业率)和四个预测时滞。我们还将结果与100个无人格描述的基线预测进行比较，以隔离其效应。我们报告了两个主要发现。首先，GPT-4o与人类预测师实现了相当相似的准确率，差异在统计上显著但在实际中相对温和。我们对2024-2025年数据的样外评估表明，GPT-4o能够在未见事件上维持具竞争力的预测性能，尽管与样内期间存在显著差异。其次，我们的消融实验揭示，人格描述没有可衡量的预测优势，表明可省略这些提示组件以减少计算成本而不牺牲准确率。我们的结果表明，GPT-4o在提供相关背景数据的情况下，即可在样外宏观经济事件上实现具竞争力的预测准确率，同时揭示了 diverse prompts 相对于人类小组产生 remarkably homogeneous 预测。