Fake Date Tests: Can We Trust In-sample Accuracy of LLMs in Macroeconomic Forecasting?
伪日期检验：大语言模型宏观预测的样本内准确性可信吗？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：摘要明确针对大语言模型宏观经济预测的回测准确性与样本外可信度。
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
伪日期检验：大语言模型宏观预测的样本内准确性可信吗？
- 研究问题
- 当大语言模型训练数据包含回测时期的信息时，其宏观预测样本内准确性能否代表样本外表现，如何检测相关偏误？
- 方法与思路
- 作者构建提示敏感性检验族，其中两种伪日期检验分别针对前视偏误与情境偏误，并用于评估所选模型的回测预测。
- 材料陈述的贡献
- 摘要称受测现代大语言模型均未通过第一项检验，显示其样本内预测存在前视偏误，并提出检查回测可信度的诊断方法。
- 阅读关注点
- 应核对伪日期如何改变提示、两类偏误的判别依据、模型与数据版本，以及检验结果和真正样本外误差的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未列受测模型及第二项检验结果，不能将发现推广到所有模型。
原文摘要
Large language models (LLMs) are a type of machine learning tool that economists have started to apply in their empirical research. One such application is macroeconomic forecasting with backtesting of LLMs, even though they are trained on the same data that is used to estimate their forecasting performance. Can these in-sample accuracy results be extrapolated to the model's out-of-sample performance? To answer this question, we developed a family of prompt sensitivity tests and two members of this family, which we call the fake date tests. These tests aim to detect two types of biases in LLMs' in-sample forecasts: lookahead bias and context bias. According to the empirical results, none of the modern LLMs tested in this study passed our first test, signaling the presence of lookahead bias in their in-sample forecasts.