本文提出了结合机器学习、嵌入模型和大型语言模型(LLM)的新闻基经济前景指标NEOS,用于瑞士经济展望的情感分析。该指标可实时更新且具备高度解释性,显著提升瑞士GDP增长预测准确性,尤其在经济危机与快速变动时期表现优异。同时,方法资源消耗低,保证了数据隐私和合规性,适合央行等机构使用。
| 指标 | 预测季度h=0 | h=1 | h=2 |
|---|---|---|---|
| NEOS | 0.864 (0.054) | 0.802 (0.055) | 0.818 (0.077) |
| NEOS(前三周早期版本) | 0.920-0.911 | 0.780-0.835 | 0.803-0.837 |
| 词典基础法 | 0.925 (0.148) | 0.911 (0.164) | 0.919 (0.218) |
| 制造业PMI | 0.826 (0.051) | 0.800 (0.063) | 0.817 (0.042) |
报告标题:Measuring economic outlook in the news timely and efficiently
作者:[Elliot Beck, Franziska Eckert, Linus Kühne, Helge Liebert, Rina Rosenblatt-Wischb]
发布日期:2025年8月
发布机构:未显式标明,但涉及瑞士国家银行(SNB)及瑞士数据资源(Swissdox@LiRI)等专业机构
主题:基于新闻文本情绪分析构建瑞士经济前景指标(NEOS),并评估其对GDP预测的贡献
本报告旨在介绍一个创新的经济前景衡量指标——NEOS(News-based Economic Outlook for Switzerland),它通过结合机器学习、大型语言模型(LLM)以及传统统计方法,从瑞士新闻中挖掘经济展望情绪。报告核心论点包括:
综上,作者意图传达的是NEOS系统不仅是一种创新的经济情绪捕捉工具,还可作为政策制定的有效辅助,在危机和高不确定时期提供更及时准确的经济预判信息。,
报告指出,在经济危机及高度不确定时期,宏观经济快速且及时的信息至关重要。传统宏观经济数据发布频率低,且延迟明显,而新闻文章则能反映经济变化的即时动态。NEOS特别采样瑞士新闻作为数据源,以此实现经济前景的近实时量化评估。作者还强调了LLM的优势(语义理解强)及其限制(资源消耗大、数据隐私难保障)。报告的创新点是结合传统机器学习与小型LLM,兼顾性能和资源效率,符合政策应用对模型透明度的需要。
这套流程图(Chart 1)清晰展示了数据流向与处理步骤,兼顾了数据规模、情绪准确识别及计算资源约束。作者兼顾模型性能与透明度,保证政策应用可解释。该方法巧妙结合合成文本、嵌入向量与经典统计模型,创新性地解决了无标签数据情绪判别和时效性难题。,,
指标表现与可视化:
2023年以来,NEOS指标与实际瑞士GDP年同比增长及其他传统经济指标(KOF商业景气指数、采购经理人指数PMI)高度相关,捕捉多轮经济周期波动的转折点(Chart 3)。NEOS标准化指数波动与季度GDP同比增速趋势匹配良好,证实其有效反映经济情绪。
预测能力验证:
采用伪实证前瞻试验(从1999年1季度至2025年1季度),基于回归模型验证NEOS在预测瑞士GDP同比增长(当前及未来两个季度)上的贡献。指标与常用基准模型(AR(1))比较,NEOS的均方根误差(RMSE)比率显著小于1,表明预测准确度提升,且统计显著(Table 1)。
NEOS的早期发布版本(7/14/21天样本)部分时间甚至优于完整版,具备更强的政策价值和前瞻性。相比之下,制造业PMI在某些情形表现稍优,但NEOS优势在于低成本和弹性发布。
危机期间优异表现:
Chart 5显示,NEOS在2008年金融危机及2020年新冠疫情等重大经济事件期间,大幅减少预测误差,体现其对突发事件敏感、反应迅速的特性。Chart 4进一步展现2025年2-4月贸易关税事件期间,NEOS每日累计指标随消息发布明细波动,体现其对实时信息的敏感捕捉能力。
通过与传统基于词典的情绪分析方法比较(A.3),NEOS明显提升了情绪提取与GDP预测的相关性与准确性,表现出词嵌入与LLM生成模拟训练样本的优势。,,,,,
报告聚焦指标构建及其预测能力,并未涉及传统估值方法如DCF等。但构建方法中隐含对指标预测价值的统计估计和效用评估,如利用逻辑回归概率模型、RMSE和相关系数评估预测改进,体现了模型定量评估框架。其创新性体现在有效整合文本嵌入与合成训练样本,优于传统词典计数方法。
报告未显式讨论风险因素与缓解策略,但可提炼潜在风险包括:
作者未给出具体缓解策略,但报告强调了模块化设计和方法灵活调整的能力,为应对技术与数据变化提供空间。,,
报告整体基于丰富数据和稳健方法,有较强扩展潜力和应用价值,但依赖LLM生成数据和机器学习(ML)的不可见黑箱效应不可忽视,应保持谨慎审视。
本报告创新性地构建了基于瑞士新闻文本情绪的经济前景指标NEOS,结合语义嵌入、LLM合成文本及正则化逻辑回归,形成了一套资源高效、透明可解释且预测性能优异的系统。
NEOS有效捕捉了经济周期波动及个别危机事件中的情绪变化,显著提升了瑞士GDP同比增长的预测准确度,尤其在全球金融危机及新冠疫情期间预测误差大幅减少,表现超过同类指标。
早期发布版本展现了更高时效性,满足政策制定对经济情绪及时把握的需求。报告还通过多张图表和详细统计数据,展示了NEOS与各经济指标的相关性和预测性能优势。
虽然存在潜在的训练数据偏差和跨语言差异风险,NEOS的模块化设计保障了未来技术升级和数据源变更的适应能力。
综上,NEOS不仅为经济预测提供了新的技术路径,也为政策决策者在不确定时期提供了更为灵敏和及时的情绪指示工具,具备重要的理论和实务价值。,,,,,,,,,
2511.04299.pdf