Learning the Macroeconomic Language
学习宏观经济语言AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以宏观时间序列预测为目标，并将混合预测器与 VAR 基准比较。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
学习宏观经济语言
- 研究问题
- 历史宏观样本有限时，能否用经济理论生成的合成数据训练大型语言模型，使其获得有用的宏观预测能力？
- 方法与思路
- 作者先估计含随机波动和厚尾冲击的 DSGE 模型，再从参数后验生成合成面板，与真实数据混合训练 Transformer。
- 材料陈述的贡献
- 摘要称，相对常规 VAR，混合预测器的词元准确率和预测似然相当或更好；理论数据占比较高时收益更明显。
- 阅读关注点
- 应核对初始估计与预测评价的时间划分、合成数据和真实数据的混合比例，以及词元评价如何对应经济预测误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出预测变量、期限、样本外设计及显著性，优势范围有限。
原文摘要
We show how state-of-the-art large language models (LLMs) can be trained effectively on limited historical data for macroeconomic forecasting. We estimate a dynamic stochastic general equilibrium (DSGE) model with stochastic volatility and Student-t shocks on an initial segment of the data to obtain a posterior distribution over structural parameters. We sample from this posterior to generate millions of theory-consistent synthetic panels that, when mixed with macroeconomic data, form the training corpus for a deep learning transformer. Rather than using the DSGE model as a direct forecasting device, we use it as a structural simulator that regularizes transformer training in a small-sample environment. Our results show that this hybrid forecaster, which combines the theoretical coherence of DSGE models with the representational power of modern LLMs, learns key features of the macroeconomic language. Relative to a conventional vector autoregression benchmark, the transformer achieves comparable or stronger predictive performance in both token accuracy and predictive likelihood. These gains are strongest under a theory-heavy training mix and remain broadly robust to finer tokenization and deeper network architecture.