据《世界经济》官网消息,同济大学经济与管理学院孟庆伟(博士生), 钟宁桦, 郝雨桐,上海财经大学解咪研究论文《非结构化数据增强出口预测:基于机器学习与大语言模型》登上《世界经济》2026年底3期。研究整合了263个高维结构化变量(覆盖国内供给、国际需求、全球贸易形势)和4.7万条券商研报语段,通过DeepSeek将文本量化为“出口预期指数”,并经人类专家复核、时间掩码等验证,解决了大模型输出的可信性与可复现性痛点。
内容简介:
外贸出口在我国经济运行中发挥着“压舱石”作用,尤其在全球经济不确定性上升和外部环境复杂多变现实下,对我国出口的及时与前瞻性判断具有重要意义。研究运用机器学习方法与深度求索(DeepSeek)大语言模型,探究以研报文本为代表的非结构化数据对出口预测的增强作用。研究发现,基于高维结构化数据的机器学习模型在出口预测中表现优于传统时序方法,但其预测能力存在边界。在引入经DeepSeek处理的非结构化文本后,模型的预测精度有显著提升。机制分析表明,大语言模型能从分析师文本中提取隐含的经验性信息,捕捉宏观指标难以反映的前瞻信号,这是非结构化数据提高预测能力的关键。相较常用的情感词典方法,大语言模型在处理长文本时兼具信息密度与情绪识别优势,更能挖掘潜在情绪变化。研究的预测范式展现出了较强的泛化能力与推广价值,可为政府部门科学研判外贸形势、提升宏观调控的前瞻性提供有益参考。文献来源:
孟庆伟, 钟宁桦, 郝雨桐, 解咪. 非结构化数据增强出口预测:基于机器学习与大语言模型[J]. 世界经济, 2026, 49(3): 3-35《大语言模型因果推理与数智实证前沿实战》以《经济研究》《管理世界》、Strategic Management Journal、Management Science等10大实操案例,落地Python编程实战,帮助学者完成基于大语言模型的数据清洗、反事实框架构建、多模态变量构建、因果关系识别与推断、智能实证分析全链条因果研究实践。这些前沿方法的尝鲜,必将使审稿人眼前一亮,助力前沿实证发表!