引言

本书旨在概述目前在经济学和金融学中实践的预测理论与方法，但更广泛地适用于大量预测问题。我们希望提供一个对中央银行和金融机构等机构的实际工作者、学术研究人员以及寻求进入该领域入口的研究生都有用的概述。我们假定读者具备研究生或高级本科计量经济学的水平。

每当构建或评估预测时，一个首要关注的问题围绕着这样一个实际难题：最佳的预测模型不仅是未知的，而且不太可能被充分了解以至于能够正确地设定除一组未知参数之外的预测方程。我们将此视为预测者问题的唯一合理描述。一些方法确实声称在样本非常大时可以找到正确的模型（或称神谕方法）。然而，在任何有限样本问题中，总是存在一组模型——而不是单一模型——与数据相一致。此外，在许多情况下，数据生成过程会随时间变化，这进一步凸显了在建立模型时获得大量观测值的难度。这些基础——使用错误设定的模型来预测可能随时间演变的过程所产生的结果——产生了预测中遇到的许多复杂性。如果真实模型除参数值之外是完全已知的，贝叶斯方法可以用于构建密度预测和点预测，对于给定的损失函数，这些预测在实践中将难以或不可能被超越。

在不知道真实数据生成过程的情况下，构建一个良好预测方法的问题变得困难得多。通常非常简单（且明显错误设定）的方法所提供的预测，其表现优于那些试图以我们预期重要且有利的方式利用数据的更复杂方法。作为例证，来自许多模型的预测的简单平均，即使这些模型单独来看似乎并不太好，在经验上经常被发现优于精心选择的模型平均或最佳单一模型。

1.1 本书大纲

本书的方法在很大程度上基于将预测视为决策理论问题。这意味着预测者心中有特定的目标（即希望做出决策），并希望基于某些数据来做出这个决策。建立这种方法构成了本书第一部分的主要内容。这一部分详细阐述了决策问题的基本要素，包括关于决策者损失函数、将预测作为决策理论问题的章节，以及使用经典方法或贝叶斯方法进行预测的一般方法概述。本书的这一部分为理解不同方法如何相互结合提供了基础。我们还提供了后续应用于本书下一部分所探讨的许多问题的方法的细节，例如模型选择和预测组合。

本书的第二部分回顾了构建预测模型的各种方法。所用方法因多种原因而有所不同：缺乏相关数据或存在大量潜在相关数据，以及对模型函数形式的假设。在这些章节中，我们尽可能地详细呈现这些方法，使其能够在不参考其他资料的情况下加以运用。

本书的第三部分考察预测的评估，第四部分涵盖处理特殊复杂性的预测模型，例如模型不稳定性（断裂）和高度持久（趋势）数据。这一部分还讨论了预测者特别感兴趣的数据结构，包括实时数据（修订数据）和以不同频率收集的数据。

最后，本书的第四部分介绍了对本书前面部分所涵盖预测方法的各种扩展和改进，包括模型不稳定性下的预测、长期预测以及使用非标准形式数据（计数数据和持续时间数据）或不规则间隔测量且可能修订的数据进行的预测。