Can LLM Improve for Expert Forecast Combination? Evidence from the European Central Bank Survey

文章主要内容和创新点

主要内容

本文聚焦大型语言模型（LLMs）在专家预测组合中的应用，以欧洲央行（ECB）的专业预测者调查（SPF）数据为基础，探讨LLMs能否提升宏观经济预测的准确性。传统预测组合方法（如简单平均）存在协方差矩阵估计不可靠、缺失值处理复杂、可解释性差等问题，而LLMs具有强泛化能力（支持零样本学习）、能处理缺失值、可解释性强等优势。

研究通过构建零样本学习框架，结合提示工程（包含历史准确性加权、滞后补偿、趋势增强），让LLMs动态分析专家的预测模式并生成组合预测，对比LLM组合与简单平均在不同场景（如不同经济指标、专家分歧度、注意力水平）下的表现。实证结果显示：LLM组合在短期预测（如1年期）中准确性更高，在处理专家分歧和注意力波动时更稳健，尤其对GDP增长和失业率预测效果显著，但长期预测（如2年期）优势减弱。

创新点

1. 方法论创新：首次直接将LLMs用于专家预测组合，突破传统将LLMs作为基础模型的局限，构建了无需微调或参数调整的零样本学习框架。
2. 提示工程设计：通过“历史准确性加权”“滞后补偿”“趋势增强”三大提示组件，提升LLMs对专家预测模式的捕捉能力，增强预测组合的合理性。
3. 场景化分析：系统评估了LLM组合在不同经济指标（GDP增长、HICP通胀、失业率）、专家分歧度、注意力水平下的表现，揭示了其适用边界。
4. 可解释性提升：LLMs能清晰输出预测组合的推理过程