LLM-Powered CPI Prediction Inference with Online Text Time Series
利用在线文本时间序列进行大语言模型驱动的 CPI 预测推断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：摘要直接研究 CPI 预测，并采用月度 ARX 与日度 VARX 时间序列模型。
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…
利用在线文本时间序列进行大语言模型驱动的 CPI 预测推断
- 研究问题
- 如何将社交平台的高频文本信息与月度 CPI 数据结合，用于通胀预测，并为依赖大语言模型生成指标的预测构造区间？
- 方法与思路
- 作者用 ChatGPT 和训练后的 BERT 为通胀相关帖子生成连续标签，以 LDA 和 BERT 提取文本表示，并联合建立月度 ARX 与日度 VARX 模型。
- 材料陈述的贡献
- 摘要称，方法建立了结合月度 CPI 与日度生成代理指标的框架，给出渐近性质和两类预测区间，并通过模拟及真实数据展示其表现。
- 阅读关注点
- 应核对文本采样与标签生成流程、日度代理指标和月度 CPI 的对应关系、预测信息集、两类区间的构造及时间上的样本外验证。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明渐近条件、区间覆盖结果及文本或模型更新带来的误差处理。
原文摘要
Forecasting the Consumer Price Index (CPI) is an important yet challenging task in economics, where most existing approaches rely on low-frequency, survey-based data. With the recent advances of large language models (LLMs), there is growing potential to leverage high-frequency online text data for improved CPI prediction, an area still largely unexplored. This paper proposes LLM-CPI, an LLM-based approach for CPI prediction inference incorporating online text time series. We collect a large set of high-frequency online texts from a popularly used Chinese social network site and employ LLMs such as ChatGPT and the trained BERT models to construct continuous inflation labels for posts that are related to inflation. Online text embeddings are extracted via LDA and BERT. We develop a joint time series framework that combines monthly CPI data with LLM-generated daily CPI surrogates. The monthly model employs an ARX structure combining observed CPI data with text embeddings and macroeconomic variables, while the daily model uses a VARX structure built on LLM-generated CPI surrogates and text embeddings. We establish the asymptotic properties of the method and provide two forms of constructed prediction intervals. The finite-sample performance and practical advantages of LLM-CPI are demonstrated through both simulation and real data examples.