许获迪，于 洋

（1.对外经济贸易大学 国际经济贸易学院，北京 100029；2.国网北京经济技术研究院，北京 100052）

一、引言

动态因子模型（Dynamic Factor Model， DFM）是一种对经济变量的维度进行压缩，提取经济现象背后的“隐性推动因素”进行相关分析和预测的模型（John Geweke，1977），是收缩模型（shrinking methods）中的一种。动态因子模型可提取动态因子作为宏观经济的领先指数和同步指数，从而发展出了“自动领先指数”（Automatic Leading Indicator， ALI）模型，即将提取出的动态因子放入向量自回归（VAR）模型中对经济变量进行预测。

近10年，动态因子模型已经成为使用大量预测变量来预测宏观经济的主要研究框架。这些大规模的动态因子模型一般使用几十个甚至两百多个变量来预测宏观经济序列，研究结果表明，大规模动态因子模型在短期预测方面优于宏观经济计量结构模型（Macroeconometric structural models，MESMs）、ARMA（Auto-Regressive and Moving Average Model）、VAR 等传统的时间序列模型和其他Shrinking Methods［1］。理论上，大规模的DFM能够具有如此的优势主要是因为［2］：通过提取动态因子，DFM能够很好地利用其他模型难以容纳和处理的大规模多维度的信息，这将海量数据从一个软肋变为了优势；但是该理论优势在实践中并未完全得以确认［3］，大规模DFM的预测效果并非总是令人满意。原因可能在于，构造模型时，大规模的动态因子模型更容易引入不合适的变量，涵盖冗余信息和不必要的波动，降低预测的精确度，某些变量的组合甚至导致海塞矩阵非半负定，因此动态因子模型涵盖的变量并非越多越好［4］。另外，大规模动态因子模型运行代价大，对软硬件要求高，甚至33个预测变量以上的动态因子模型在目前通用的Stata等商业软件上无法运行。……