林建浩：央行沟通有助于改善宏观经济预测吗?

宏观经济预测是宏观调控精准施策的重要前提，一直以来是方法论研究的前沿议题。为了克服GDP、CPI等官方结构化数据的时效性和更新频率双低下问题，大数据为此类经济学研究带来了新变革。虽然大数据往往具有专属性甚至垄断性，其中的文本数据却由于可获得性较高，成为经济学中发展最快的非结构化数据。而在众多文本数据中，央行沟通文本因其在预期管理中的核心作用和频繁使用，具有明确而独特的价值，其所传达的信息也一直受到普遍关注。具体而言，央行沟通可以通过创造信息、减少噪声和信息效应的期限结构三个信息渠道影响经济主体的预期和行为，进而产生实际的经济结果。因此，利用央行沟通文本数据改进传统宏观经济预测模型就成为了一个新思路。

然而，央行沟通渠道多样，文本卷帙浩繁，如何从中提取有效信息用于宏观经济预测面临着三大难题。第一，为保证全面性而产生的高维建模问题。对于词语个数通常数以万计的央行沟通文本语料库而言，文本信息利用率的提升往往伴随着聚类和降维难度的陡增。第二，为保证精准性而产生的文本稀疏性问题。由于语言的丰富性，单独一篇文档中所使用到的所有词语，通常仅占整个语料库的极少一部分，因而对于无监督的机器学习来说，这将导致缺乏足够的信息以学习词与词之间的关系和词与宏观经济变量之间的联系。第三，为保证专业性而产生的专用字典问题。央行沟通具有很强的专业性，因而在文本预处理的分词环节中，为了将诸如“货币供应量”一类的专业术语进行整体识别而非分开识别，就必须在现有分词软件的基础上，重新构建一套适应央行沟通用语习惯的专用词典。

本文正是致力于解决央行沟通文本分析中的困难，从而将非结构化数据有效运用到宏观经济预测当中。具体而言，本文首先收集了2003年1月到2019年6月期间的中国央行所有书面沟通和口头沟通文本，经由分词和组合进而构建出符合央行沟通用语习惯的专用词典。在此基础上，采用最新的栅栏分布式多项回归模型（Hurdle Distributed Multinomial Regression，HDMR）建立起所有词语和预测变量之间的关系，进而获得相应的央行沟通测度。值得注意的是，HDMR模型能够同时处理文本的高维和稀疏特征，充分挖掘央行沟通的潜在信息。其次，对向量自回归模型、动态因子模型和因子扩展向量自回归模型等常用预测模型进行比较，结果表明动态因子模型对中国宏观经济具有更优的预测能力，故将其作为本文的基准预测模型。最后，本文在基准模型中添加央行沟通信息，并考察其能否提高对同期目标变量的实时预报和对未来目标变量的短期预测精度。

实证结果表明，央行沟通测度有助于提升模型的样本内拟合效果；对于样本外预测效果而言，在缺乏预测变量的历史信息时，央行沟通信息能够使得实时预报的预测精度显著提高；而添加预测变量的历史信息后，只有在预测期限较长时才呈现出明显的精度提升效果。最后，本文通过比较不同的央行沟通文本及测度方法，验证了主要发现的稳健性。

本文对于理解中国央行沟通实践，尤其是建立制度化的货币政策沟通机制，实现有效的预期管理具有重要参考意义。对于长期预测而言，央行沟通文本信息能够发挥明显的改进效果，这意味着央行有必要进一步加强自身研究能力和信息获取，在沟通中释放更为长期的经济形势研判，引导公众预期、实现跨周期调控。此外，本文也为探索利用非结构化的文本大数据进行实时预报和短期预测提供了新思路，未来的研究可以尝试加入更多的实时数据、新闻文本以至社交媒体文本，甚至实现核心宏观经济变量的日度预测。

林建浩

中山大学岭南学院经济学系副教授，主要研究领域为计量经济学理论与应用、实证宏观、文化与经济行为。在《经济研究》、《管理世界》、《统计研究》、《金融研究》、《经济学（季刊）》等学术刊物上发表多篇论文，主持国家自然科学基金、广东省自然科学基金等多项课题。